利用可穿戴医疗设备的数据

糖尿病和其他慢性疾病，如癌症或心血管疾病，需要终生管理。近年来，患者和医疗保健提供者采用了一系列可穿戴设备，例如血糖监测仪、活动追踪器、心率监测器和脉搏血氧仪，以更有效地跟踪和管理这些状况。这些设备也是丰富的数据来源，可以对其进行分析，以更好地了解导致改善健康结果的因素和行为。

“但它们的利用严重不足，”计算机科学助理教授兼增强健康实验室联合主任TemiloluwaPrioleau说，该实验室专注于弥合这一差距。

普里奥洛说，无处不在的传感器可以监控人们一天中与健康相关的数据和行为，真正掌握理解和告知良好管理实践的关键。关键挑战在于从这些设备收集的大量数据中提取有意义的信息。

在最近发表在npjDigitalHealth上的一项研究中，Prioleau和计算机科学研究生AbigailBartolome使用机器学习技术来解决这个问题。他们从连续血糖监测仪和胰岛素泵(糖尿病患者使用的设备)中挖掘数据，以了解数据中的模式并了解与这些模式相关的糖尿病结果。

例如，在他们的研究中，他们发现当患者的血糖水平在一天内超过70%时，他们更有可能在第二天的大部分时间里保持在目标范围内。当他们的进餐时胰岛素剂量在观察范围内时，第二天获得良好结果的机会甚至更高。

Bartolome说，这些结果是直观的，并且与先前涉及血糖控制预测因子的研究结果一致。该研究表明，他们的计算框架成功地从与糖尿病等疾病相关的多个数据流中提取了数字生物标志物——捕捉健康管理行为并预测未来结果的可量化因素。

“我们现在可以将其他生活方式和活动数据与我们必须获得的信息联系起来，以获得对可能导致血糖控制好或差的日常行为的更丰富和更细微的见解，”Bartolome说。

目前正在进行一项用户研究，该研究将来自记录步数、睡眠和其他信息的活动跟踪器的数据整合到组合中，以识别与人们日常决策相关的生物标志物。

凭借从数据中收集到的见解，研究人员希望支持个性化的糖尿病管理，不仅适用于使用可穿戴设备的人，甚至适用于那些无法使用这些设备的人。

“长期愿景，”Prioleau说，“是让那些无法获得先进糖尿病技术的人受益。”