O mesmo tipo de método de machine learning usado para pilotar carros autônomos e derrotar os melhores jogadores de xadrez pode ajudar os portadores de diabetes tipo 1 a manter seus níveis de glicose no sangue em uma faixa segura.
Cientistas da Universidade de Bristol mostraram que o aprendizado por reforço, um tipo de machine learning no qual um programa de computador aprende a tomar decisões tentando ações diferentes, supera significativamente os controladores comerciais de glicose no sangue em termos de segurança e eficácia. Ao usar o aprendizado de reforço offline, em que o algoritmo aprende com os registros do paciente, os pesquisadores aprimoram o trabalho anterior, mostrando que um bom controle da glicose no sangue pode ser alcançado aprendendo com as decisões do paciente, e não por tentativa e erro.
O diabetes tipo 1 é uma das condições autoimunes mais prevalentes no Reino Unido e é caracterizada por uma insuficiência do hormônio insulina, que é responsável pela regulação da glicose no sangue.
Muitos fatores afetam a glicemia de uma pessoa e, portanto, pode ser uma tarefa desafiadora e onerosa selecionar a dose correta de insulina para um determinado cenário. Os atuais dispositivos de pâncreas artificial fornecem dosagem automatizada de insulina, mas são limitados por seus algoritmos simplistas de tomada de decisão.
No entanto, um novo estudo publicado no Journal of Biomedical Informatics mostra que o aprendizado por reforço offline pode representar um marco importante no cuidado de pessoas que vivem com a doença. A maior melhora foi em crianças, que experimentaram 1,5 hora adicional na faixa alvo de glicose por dia.
As crianças representam um grupo particularmente importante, pois muitas vezes são incapazes de controlar o diabetes sem assistência, e uma melhora desse tamanho resultaria em resultados de saúde notavelmente melhores a longo prazo.
O autor principal, Harry Emerson, do Departamento de Matemática de Engenharia de Bristol, explicou: “Minha pesquisa explora se o aprendizado por reforço poderia ser usado para desenvolver estratégias de dosagem de insulina mais seguras e eficazes.
“Esses algoritmos baseados em machine learning demonstraram desempenho sobre-humano em jogar xadrez e pilotar carros autônomos e, portanto, poderiam aprender a executar uma dosagem de insulina altamente personalizada a partir de dados pré-coletados de glicose no sangue.
“Este trabalho específico se concentra especificamente no aprendizado de reforço off-line, no qual o algoritmo aprende a agir observando exemplos de controle bom e ruim da glicose no sangue. Os métodos de aprendizado de reforço anteriores nessa área utilizam predominantemente um processo de tentativa e erro para identificar boas ações , o que poderia expor um paciente do mundo real a doses inseguras de insulina”.
Devido ao alto risco associado à dosagem incorreta de insulina, foram realizados experimentos usando o simulador UVA/Padova aprovado pela FDA, que cria um conjunto de pacientes virtuais para testar os algoritmos de controle do diabetes tipo 1. Algoritmos de aprendizado de reforço off-line de última geração foram avaliados em relação a um dos algoritmos de controle de pâncreas artificial mais amplamente usados. Essa comparação foi realizada em 30 pacientes virtuais (adultos, adolescentes e crianças) e considerou 7.000 dias de dados, com o desempenho sendo avaliado de acordo com as diretrizes clínicas atuais. O simulador também foi estendido para considerar desafios realistas de implementação, como erros de medição, informações incorretas do paciente e quantidades limitadas de dados disponíveis.
Este trabalho fornece uma base para a pesquisa contínua de aprendizagem por reforço no controle da glicose; demonstrando o potencial da abordagem para melhorar os resultados de saúde de pessoas com diabetes tipo 1, destacando as deficiências do método e áreas de desenvolvimento futuro necessário.
O objetivo final dos pesquisadores é implantar o aprendizado por reforço em sistemas de pâncreas artificial do mundo real. Esses dispositivos operam com supervisão limitada do paciente e, consequentemente, exigirão evidências significativas de segurança e eficácia para obter a aprovação regulatória.
Emerson acrescentou: “Esta pesquisa demonstra o potencial do machine learning para aprender estratégias eficazes de dosagem de insulina a partir dos dados pré-coletados de diabetes tipo 1. O método explorado supera um dos algoritmos comerciais de pâncreas artificial mais amplamente usados e demonstra a capacidade de alavancar os hábitos e agendar para responder mais rapidamente a eventos perigosos.”
Publicado em 18/06/2023 17h39
Artigo original:
Estudo original: