Maschinelles Lernen vor allem für Kinder mit Diabetes geeignet
Die größten Fortschritte konnten bei Kindern erzielt werden. Bei ihnen wurden zusätzliche 1,5 Stunden pro Tag innerhalb des Zielglukosebereichs ermöglicht. Bei Kindern handelt es sich um eine besonders wichtige Personengruppe, da sie häufig allein nicht in der Lage sind, mit ihrer
Erkrankung ohne Unterstützung umzugehen. Eine derartige Entwicklung könnte daher langfristig zu deutlich verbesserten Gesundheitsergebnissen führen. Dem leitenden Wissenschaftler Harry Emerson geht es darum herauszufinden, ob das bestärkende Lernen für die Entwicklung von sichereren und effektiveren Strategien zur Dosierung von
Insulin betragen kann. Die eingesetzten Algorithmen können aus bestehenden Zuckerwerten aus dem Blut eine sehr personalisierte Dosierung von Insulin vornehmen. Sie lernen dabei aus der Beobachtung von Beispielen einer guten oder schlechten Kontrolle der
Blutzuckerwerte.
Lesen Sie mehr zu diesem Thema:
Künstliche Intelligenz – Hoffnung für viele Menschen mit seltenen Erkrankungen?
Erschienen am 09.01.2023 • Was leistet KI bei seltenen Erkrankungen? Lesen Sie das Update zu den orphan diseases von Dr. rer. nat. med. habil. Eva Gottfried!
Erschienen am 09.01.2023 • Was leistet KI bei seltenen Erkrankungen? Lesen Sie das Update zu den orphan diseases von Dr. rer. nat....
© dehweh - stock.adobe.com
KI wird entsprechend der derzeitigen klinischen Richtlinien überprüft: Simulator reagiert auf Fehler
Aufgrund der hohen Risiken bei der falschen Dosierung von Insulin wurden die Experimente mittels eines UVA/Padova-Simulators durchgeführt, der virtuelle Patient:innen für die Überprüfung der Algorithmen zur Verfügung stellt. Dabei haben die Expert:innen hochmoderne Algorithmen für das bestärkende Lernen mit einem der am häufigsten eingesetzten
künstlichen Algorithmen zur Kontrolle der
Bauchspeicheldrüse verglichen.
Dieser Vergleich wurde bei 30 virtuellen Patient:innen, Erwachsenen, Heranwachsenden und Kindern durchgeführt. Dabei wurden Daten von 7.000 Tagen berücksichtigt. Die Performance wurde entsprechend den derzeitigen klinischen Richtlinien überprüft. Der Simulator wurde auch dahingehend weiter ausgebaut, dass realistische Umsetzungsprobleme wie Fehler bei der Messung, falsche Patienteninfos und eingeschränkte Datenmengen ebenfalls in Betracht gezogen wurden. Details wurden im Journal of Biomedical Informatics veröffentlicht.
