El método de aprendizaje automático utilizado para automóviles autónomos podría mejorar la vida de los pacientes con diabetes tipo 1

El mismo tipo de métodos de aprendizaje automático que se usan para pilotar autos sin conductor y vencer a los mejores jugadores de ajedrez podría ayudar a las personas que padecen diabetes tipo 1 a mantener sus niveles de glucosa en sangre en un rango seguro.

Científicos de la Universidad de Bristol han demostrado que el aprendizaje por refuerzo, un tipo de aprendizaje automático en el que un programa informático aprende a tomar decisiones probando diferentes acciones, supera significativamente a los controladores de glucosa en sangre comerciales en términos de seguridad y eficacia. Mediante el uso del aprendizaje por refuerzo fuera de línea, donde el algoritmo aprende de los registros de los pacientes, los investigadores mejoran el trabajo anterior, lo que demuestra que se puede lograr un buen control de la glucosa en sangre aprendiendo de las decisiones del paciente en lugar de mediante prueba y error.

La diabetes tipo 1 es una de las enfermedades autoinmunes más prevalentes en el Reino Unido y se caracteriza por una insuficiencia de la hormona insulina, que es responsable de la regulación de la glucosa en sangre.

Muchos factores afectan la glucosa en sangre de una persona y, por lo tanto, puede ser una tarea difícil y ardua seleccionar la dosis de insulina correcta para un escenario determinado. Los dispositivos de páncreas artificial actuales proporcionan dosificación automática de insulina, pero están limitados por sus algoritmos de toma de decisiones simplistas.

Sin embargo, un nuevo estudio publicado en la Revista de informática biomédica muestra que el aprendizaje de refuerzo fuera de línea podría representar un hito importante en la atención de las personas que viven con la afección. La mejoría más grande fue en los niños, quienes experimentaron 1.5 horas adicionales en el rango objetivo de glucosa por día.

Los niños representan un grupo particularmente importante, ya que a menudo no pueden controlar su diabetes sin ayuda, y una mejora de este tamaño daría como resultado resultados de salud notablemente mejores a largo plazo.

El autor principal, Harry Emerson, del Departamento de Ingeniería Matemática de Bristol, explicó: «Mi investigación explora si el aprendizaje por refuerzo podría usarse para desarrollar estrategias de dosificación de insulina más seguras y efectivas.

«Estos algoritmos impulsados ​​por el aprendizaje automático han demostrado un rendimiento sobrehumano al jugar al ajedrez y al pilotar automóviles autónomos y, por lo tanto, podrían aprender a realizar una dosificación de insulina altamente personalizada a partir de datos de glucosa en sangre recopilados previamente.

«Este trabajo en particular se enfoca específicamente en el aprendizaje por refuerzo fuera de línea, en el que el algoritmo aprende a actuar mediante la observación de ejemplos de buenos y malos controles de glucosa en sangre. Los métodos de aprendizaje por refuerzo anteriores en esta área utilizan predominantemente un proceso de prueba y error para identificar buenas acciones. , que podría exponer a un paciente del mundo real a dosis de insulina peligrosas».

Debido al alto riesgo asociado con la dosificación incorrecta de insulina, se realizaron experimentos con el simulador UVA/Padova aprobado por la FDA, que crea un conjunto de pacientes virtuales para probar los algoritmos de control de la diabetes tipo 1. Los algoritmos de aprendizaje por refuerzo fuera de línea de última generación se evaluaron frente a uno de los algoritmos de control de páncreas artificial más utilizados. Esta comparación se realizó en 30 pacientes virtuales (adultos, adolescentes y niños) y consideró 7.000 días de datos, y el rendimiento se evaluó de acuerdo con las guías clínicas actuales. El simulador también se amplió para considerar desafíos de implementación realistas, como errores de medición, información incorrecta del paciente y cantidades limitadas de datos disponibles.

Este trabajo proporciona una base para la investigación continua del aprendizaje por refuerzo en el control de la glucosa; demostrando el potencial del enfoque para mejorar los resultados de salud de las personas con diabetes tipo 1, al tiempo que destaca las deficiencias del método y las áreas de desarrollo futuro necesario.

El objetivo final de los investigadores es implementar el aprendizaje por refuerzo en sistemas de páncreas artificial del mundo real. Estos dispositivos funcionan con una supervisión limitada del paciente y, en consecuencia, requerirán pruebas significativas de seguridad y eficacia para lograr la aprobación reglamentaria.

Emerson agregó: «Esta investigación demuestra el potencial del aprendizaje automático para aprender estrategias efectivas de dosificación de insulina a partir de los datos de diabetes tipo 1 recopilados previamente. El método explorado supera a uno de los algoritmos comerciales de páncreas artificial más utilizados y demuestra la capacidad de aprovechar los hábitos de una persona y programar para responder más rápidamente a eventos peligrosos».