E-ZDRoWIE NA ŚWIEcIE

NatuRe

Innovative new model predicts glucose levels without poking or prodding

nowy model pozwala przewidzieć poziom glukozy we krwi bez nakłuwania palca

Rośnie wskaźnik zachorowalności na cukrzycę typu II. Niestety, od wielu lat jednym sposobem regularnego kontrolowania i zarządzania chorobą jest badanie poziomu glukozy z kropli krwi. A to wymaga codziennego nakłuwania, które dla wielu chorych jest obciążające. To może się wkrótce zmienić dzięki sztucznej inteligencji. Naukowcy z Duke opracowali nowy system uczenia maszynowego, który z dużą dokładnością przewiduje śródmiąższowe poziomy glukozy przy użyciu nieinwazyjnych pomiarów. W oparciu o istniejące badania dowodzące, że parametry fizjologiczne – takie jak tętno – mogą odzwierciedlać wahania stężenia glukozy, opracowali oni model łączący 69 danych wejściowych w celu przewidywania poziomu glukozy u 16 uczestników badania ze zdiagnozowanym stanem przedcukrzycowym lub wysokim prawidłowym poziomem glukozy we krwi. Dane wejściowe modelu obejmowały dane demograficzne oraz historyczne: płeć biologiczna, dzienniczek żywieniowy (zapisany przez uczestnika badania) i ostatni pomiar HgbA1c, a także biomarkery stresu, aktywności i rytmu okołodobowego. Biomarkery te zostały zebrane za pomocą smartwatcha, który rejestrował zmienność rytmu serca, temperaturę skóry, pocenie się (aktywność elektrodermalna) oraz akcelerometrię. Aby wytrenować i zwalidować model, wszyscy uczestnicy zostali wyposażeni w urządzenie do mierzenia poziomu glukozy, aby określić punkt odniesienia dla rzeczywistych poziomów glukozy w tkankach śródmiąższowych. Model uczenia maszynowego “uczył się” – używając wzorca urządzenia pomiarowego – określenia wagi, jaką należy przyporządkować każdemu nieinwazyjnemu punktowi danych (tętno, wpisy w dzienniku żywieniowym itp.). Po zakończeniu okresu treningowego, model przewidywał poziom glukozy, wykorzystując jedynie nieinwazyjne punkty danych. Prognozy weryfikowano z pomiarami urządzenia, aby ocenić dokładność. Model populacyjny był w stanie przewidzieć dokładny poziom glukozy śródmiąższowej u uczestników badania przy użyciu wyłącznie nieinwazyjnych danych z dokładnością 87%, co odpowiada dokładności monitorów glukozy śródmiąższowej w porównaniu z pomiarami glukozy we krwi. To przybliża naukowców do opracowania nieinwazyjnego sposobu monitorowania glukozy. 

MIT Technology Review Hundreds of AI tools have been built to catch covid. None of them helped

Zbudowano setki narzędzi AI, aby diagnozować CoVId. Żadne z nich nie pomogło

Kiedy wybuchła pandemia COVID-19, zespoły badawcze z całego świata zabrały się do opracowania systemów AI, które – jak wielu wierzyło – pozwolą szpitalom na szybsze diagnozowanie i selekcję pacjentów, zapewniając tak bardzo potrzebne wsparcie na pierwszej linii frontu. W ten sposób powstały setki narzędzi predykcyjnych, które świętowano w prasie jako przełom w medycynie. Zbyt wcześnie, bo jak się okazuje, żadne z nich nie wniosło wartości dodanej do diagnozowania COVID-19, a niektóre były potencjalnie szkodliwe. Takie druzgocące wnioski płyną z badań opublikowanych w ciągu ostatnich kilku miesięcy. W czerwcu, Instytut Turinga, brytyjskie krajowe centrum nauki o danych i AI, opublikował raport podsumowujący dyskusje podczas serii warsztatów, które odbyły się pod koniec 2020 roku. Wniosek: narzędzia AI miały niewielki, jeśli jakikolwiek, wpływ na walkę z pandemią COVID-19. Przegląd badań w tym zakresie ukazał się w British Medical Journal. Naukowcy przyjrzeli się 232 algorytmom do diagnozowania pacjentów lub przewidywania choroby. Stwierdzili, że żaden z nich nie nadaje się do użytku klinicznego. Tylko dwa zostały wyróżnione jako wystarczająco obiecujące do przyszłych testów. Badanie zostało poparte innym dużym przeglądem przeprowadzonym przez Dereka Driggsa, eksperta w dziedzinie uczenia maszynowego na Uniwersytecie w Cambridge, i jego kolegów, a opublikowanym w Nature Machine Intelligence. Zespół ten skupił się na modelach głębokiego uczenia służących do diagnozowania gruczolaka i przewidywania ryzyka dla pacjenta na podstawie obrazów medycznych, takich jak zdjęcia rentgenowskie klatki piersiowej i tomografia komputerowa klatki piersiowej (CT). Przyjrzeli się 415 opublikowanym narzędziom i, podobnie jak w przypadku algorytmów opracowanych do walki z COVID-19, doszli do wniosku, że żadne z nich nie nadaje się do użytku klinicznego. Pandemia była wielkim testem dla AI, ale wszystko wskazuje na to, że tego testu algorytmy nie zdały. 

The Verge Smartwatch-induced health anxiety led one woman to run 916 ECGs in a year

Pewna kobieta wykonała 916 badań EkG w ciągu roku. Przez lęk o zdrowie wywołany przez smartwatch

Rok po zdiagnozowaniu migotania przedsionków, 70-letnia kobieta wróciła po kolejną diagnozę. Powodem były wprowadzające w błąd wskazania smartwatcha. Pomimo braku objawów, pacjentka stawała się coraz bardziej zaniepokojona kolejnymi powiadomieniami wysyłanymi przez inteligentny zegarek. W efekcie, w ciągu jednego roku wykonała 916 badań EKG z pomocą urządzenia. – Ta pacjentka nie jest wyjątkiem – mówi Lindsey Rosman, asystent profesora medycyny na oddziale kardiologii na Uniwersytecie Północnej Karoliny. Jak się okazuje, takich przypadków jest coraz więcej. – Pacjenci z arytmią, kołataniem serca lub nieregularnym biciem serca przychodzili do kliniki z długimi wydrukami wyników pomiarów ze swoich smartwatchy – mówi Rosman. Inteligentne zegarki dobrze się sprawdzają w chorobach kardiologicznych – pomagają lekarzom edukować pacjentów, angażują chorych, dając naukowcom dostęp do danych na temat trendów zdrowotnych. Ale w przypadku niektórych pacjentów mogą one powodować więcej szkody niż pożytku, generując i wzmacniając poczucie niepokoju, będąc źródłem tzw. patologicznego monitorowania objawów. Wielu pacjentów denerwuje się nawet wynikami pomiarów, które nie są powodem do obaw o zdrowie, przykładowo powiadomieniami o podwyższonym tętnie podczas ćwiczeń. Wyniki te były błędnie interpretowane jako potencjalne zagrożenie.

Lekarzom trudno jest poradzić sobie z ogromną ilością informacji, jakie gromadzą pacjenci, którzy nieustannie sprawdzają rytm serca. Podczas standardowej wizyty, lekarz nie ma czasu na przeglądnięcie dziesiątków odczytów rytmu serca. To może nadwyrężyć relacje między lekarzami a pacjentami: pacjenci mają nieraz poczucie, że coś jest nie tak, ale lekarz ignoruje ich problemy. Istnieje niebezpieczeństwo, że ten rodzaj niepokoju może pojawić się w przypadku innych rodzajów danych zdrowotnych gromadzonych w smartwatchach. Co warto dodać, w tym czasie 70-letnia pacjentka aż 12 razy odwiedziła lekarza, mimo iż nie było do tego podstaw. 

Healthcare IT News

Australia report shows that most data breaches in first half of 2021 occurred in healthcare organisations

Australijski raport: większość naruszeń danych w pierwszej połowie 2021 roku dotyczyła organizacji opieki zdrowotnej

Z najnowszego raportu biura australijskiego komisarza ds. informacji (OAIC) wynika, że wśród wszystkich sektorów to właśnie opieka zdrowotna odnotowała największą liczbę naruszeń danych w Australii w okresie od stycznia do czerwca tego roku. Według interpretacji OAIC, naruszenie danych ma miejsce, gdy dane osobowe organizacji zostają utracone, osoby trzecie zyskują nieuprawniony dostęp do nich albo, gdy ulegną ujawnieniu, np. gdy zostają utracone lub skradzione, baza danych z danymi osobowymi zostaje zhakowana lub dane osobowe są omyłkowo przekazane niewłaściwej osobie. OAIC stwierdził w półrocznym raporcie, że sektor opieki zdrowotnej zgłosił najwięcej przypadków tak zdefiniowanego naruszenia danych, bo aż 85. Stanowi to prawie jedną piątą wszystkich zgłoszeń. Stwierdzono jednocześnie, że złośliwe lub przestępcze ataki (48 przypadków) były głównym źródłem naruszeń w tym sektorze, co stanowi “znaczącą zmianę” w stosunku do poprzednich raportów, które konsekwentnie wskazywały błąd ludzki jako główną przyczynę. Większość ataków, czyli 31 przypadków, stanowiły incydenty cybernetyczne, takie jak phishing (10) i ransomware (10). W pierwszych sześciu miesiącach 2021 r. zgłoszono 446 przypadków naruszenia danych w podmiotach branży opieki zdrowotnej, finansowej, prawnej, księgowości i zarządzania, ubezpieczeniowej i rządowej. Stanowi to spadek o 16% w porównaniu z okresem lipiec-grudzień 2020 r. Głównym źródłem naruszeń były ataki z pomocą złośliwego oprogramowania lub cyberprzestępcze, które stanowiły 65% wszystkich zgłoszeń. Danymi osobowymi najbardziej narażonymi na szwank w przypadku naruszeń są informacje kontaktowe. OAIC stwierdziła, że istnieją “powody do niepokoju” w związku ze zwiększoną częstotliwością występowania oprogramowania ransomware we wszystkich sektorach, które wzrosło z 37 do 46. Ponieważ organizacjom może być trudno ocenić, do jakich danych uzyskano dostęp lub jakie dane zostały usunięte, niektóre podmioty mogą nie zgłaszać wszystkich kwalifikujących się naruszeń danych obejmujących ransomware. 