Pelacak kesehatan yang dapat dikenakan telah ada di mana-mana di pergelangan tangan dan panduan hadiah. Tapi bagaimana profesional kesehatan dapat mengubah firehose data yang dihasilkan oleh sensor seluler yang tertanam di perangkat pasien menjadi wawasan yang dapat ditindaklanjuti yang menginformasikan rencana perawatan? Mahasiswa doktoral Universitas Michigan Statistik dan pelari Olimpiade Mason Ferlic sedang mengembangkan metode intervensi adaptif baru dan desain eksperimental yang suatu hari akan memungkinkan dokter untuk menetapkan makna metrik saat mereka mempersonalisasi perawatan yang diberikan klinik. Dia membayangkan generasi baru intervensi kesehatan berbantuan teknologi yang mampu menafsirkan data pasien untuk merekomendasikan keputusan perawatan tepat waktu berbasis bukti yang mendorong hasil kesehatan yang lebih baik untuk semua orang.

Menggambar Paralel

Ferlic memperoleh gelar Magister Teknik Dirgantara dari University of Michigan pada tahun 2016 sebelum kembali pada tahun 2020, kali ini ke Departemen Statistik, untuk memulai gelar PhD-nya. Dia tertarik pada statistik dengan penelitian di bidang optimalisasi intervensi, di mana peneliti menerapkan prinsip-prinsip dari teknik untuk secara sistematis meningkatkan kualitas dan efisiensi perawatan yang tersedia untuk berbagai gangguan. “Saya melihat hubungan yang sangat besar antara dunia teknik dan memecah subsistem dan komponen intervensi untuk mengoptimalkan hasil kesehatan tertentu,” katanya. “Saya benar-benar fokus untuk mempelajari lebih lanjut tentang cara memanfaatkan data untuk memberikan tidak hanya asosiasi dan korelasi, tetapi juga rekomendasi aktual.”

Ketertarikan Ferlic pada ilmu intervensi adaptif diperdalam oleh upaya atletiknya, di mana dia belajar mendengarkan sinyal di dalam tubuhnya sendiri dan menanggapinya dengan perubahan kecil pada pola makan dan pelatihannya yang berdampak besar pada performa hari perlombaan. Ketika intuisi tidak cukup, dia memiliki seorang pelatih ahli yang siap membantu, yang dapat menerjemahkan sinyal-sinyal ini menjadi rekomendasi. Dia bertanya-tanya apakah teknologi kesehatan seluler suatu hari nanti dapat memungkinkan orang lain, bukan hanya atlet elit, untuk mengakses pengalaman ini.

Sekitar waktu itu, dia melihat sejumlah perangkat yang dapat dikenakan memasuki pasar, masing-masing mampu mengukur dan melaporkan beberapa kombinasi metrik seperti detak jantung, variabilitas detak jantung, aktivitas fisik, dan kualitas tidur. Ketika dia ditawari kesempatan untuk menguji perangkat yang dikenakan di pergelangan tangan untuk para atlet, dia sangat bersemangat, tetapi segera menyadari keterbatasannya. “Ini terutama memberi tahu Anda angka, dan angka itu tidak dalam konteks apa yang Anda lakukan atau apa yang harus Anda lakukan sebagai tanggapan,” kata Ferlic. Sementara pelatihnya dapat menginterpretasikan angka-angka ini dan menyesuaikan rejimen pelatihannya, dia tahu perangkat itu tidak memberikan jenis informasi yang akan berguna bagi kebanyakan orang. Selama bertahun-tahun, dia mencoba perangkat lain, tetapi semuanya memiliki kekurangan yang serupa. “Saya menjadi pesimis tentang seluruh sisi teknologi itu,” katanya.

Ketika Ferlic terhubung dengan co-director d3c Danny Almirall selama tahun pertama PhD-nya, kedekatan antara minatnya dan pekerjaan d3center menjadi jelas. “Saya seperti, ini dia. […] Pada saat itu, saya tidak memiliki bahasa untuk merumuskan apa masalahnya, tetapi setelah saya mempelajari apa yang dilakukan d3c, saya tahu persis apa yang saya harapkan, ”katanya. Masalahnya adalah algoritme yang menjalankan perangkat kesehatan seluler dan aplikasinya terlalu sederhana untuk membuat data yang dikumpulkan berguna bagi individu. Tapi ada peluang besar untuk meningkatkan kegunaan data ini dengan mengintegrasikannya dengan layanan kesehatan yang sudah diterima orang. Bagaimana jika perangkat yang dapat dikenakan dan perangkat seluler lainnya dapat memberi dokter akses ke informasi yang dapat ditindaklanjuti tentang kesehatan pasien mereka sehari-hari, memungkinkan mereka membuat penyesuaian yang ditargetkan untuk perawatan dalam peran pelatih ahli? Sayangnya, para ilmuwan di balik algoritme ini belum dapat menjawab pertanyaan kunci tentang cara membuat data berguna dalam pengaturan praktik. Metode yang mereka perlukan untuk menyelidiki pertanyaan-pertanyaan ini sama sekali tidak ada.

Meletakkan Fondasi Baru

Saat ini, Ferlic bekerja untuk mengembangkan metode yang dibutuhkan peneliti untuk membangun intervensi klinis berbantuan teknologi cerdas yang sama canggihnya dengan platform yang mereka jalankan. Dalam pengaturan klinis tradisional, Ferlic menjelaskan, proses adaptasi AI terjadi relatif lambat: “Dalam intervensi adaptif di mana Anda hanya berinteraksi dengan pasien melalui kunjungan klinis, Anda tidak benar-benar dapat beradaptasi sesegera mungkin. Ada jeda antara saat Anda dapat mengevaluasi respons dan saat Anda dapat memperbarui perawatan. Ini karena dokter hanya memiliki akses ke data pada kunjungan klinik yang berbeda, yang biasanya berjarak antara dua dan delapan minggu. Namun dengan penambahan alat kesehatan digital, kami dapat meningkatkan pemantauan langsung pada kunjungan klinik berdasarkan check-in yang lebih berkelanjutan. Ini berarti bahwa kami dapat memantau dan merasakan ketika suatu peristiwa tertentu terjadi dalam kehidupan pasien, yang memberi tahu dokter apakah mereka perlu mengintensifkan, menambah, atau beralih ke pengobatan alternatif.” Untuk mempelajari langkah-langkah real-time apa yang menunjukkan perlunya adaptasi pengobatan, dan untuk mempelajari cara terbaik untuk merespons berdasarkan langkah-langkah ini, peneliti memerlukan kelas baru desain uji coba acak dan metode analitik data terkait.

Pertimbangkan intervensi penurunan berat badan untuk pengobatan obesitas sebagai contoh. Intervensi adaptif khas yang diberikan oleh klinik untuk penurunan berat badan dapat memeriksa kemajuan pasien hanya selama kunjungan klinik yang menandai akhir dari minggu kedua, empat, dan delapan pengobatan. Jika pada salah satu titik ini tingkat penurunan berat badan pasien berada di bawah ambang batas tertentu, pasien akan ditawari intervensi baru. Apa yang dilewatkan oleh intervensi adaptif seperti itu adalah informasi dari waktu antara kunjungan klinik — variabilitas bobot antara kunjungan klinik, atau seberapa cepat seseorang memenuhi kriteria non-respons terhadap intervensi, misalnya — yang dapat membantu seorang dokter menentukan cara terbaik untuk ubah perawatan pada titik waktu dua, empat, dan delapan minggu.

“Dengan memasukkan variabel seperti waktu untuk tidak merespons dalam aturan keputusan, kita dapat lebih menyesuaikan intervensi adaptif” jelas Ferlic. Dalam intervensi penurunan berat badan yang ditingkatkan dengan penjahitan yang dipicu oleh peristiwa, seseorang yang memenuhi kriteria non-respons selama minggu kedua mungkin memerlukan augmentasi pengobatan yang kuat untuk mencapai tujuan penurunan berat badannya, sedangkan seseorang yang memenuhi kriteria respons hingga pertengahan tujuh minggu mungkin hanya membutuhkan pembesaran kecil untuk mencapai tujuan penurunan berat badan mereka.

Sequential Multiple-Assignment Randomized Trials (SMARTs) dapat dirancang untuk mengembangkan intervensi adaptif yang dipicu peristiwa yang dioptimalkan. Sejalan dengan metode baru, uji coba ini akan memungkinkan para peneliti untuk mengembangkan intervensi adaptif yang mampu menawarkan rekomendasi tepat waktu yang memperhitungkan konteks setiap pasien, terutama lintasan respons mereka. Setelah Ferlic membuat konsep prinsip desain dan metode analitik yang diperlukan untuk memproses data dari berbagai SMART ini, ia bertujuan membangun kapasitas untuk aplikasi yang lebih kompleks dari konsep penjahitan yang dipicu peristiwa. Dia membayangkan masa depan di mana para peneliti dapat belajar untuk mengakomodasi berbagai variabel penjahit, yang dikumpulkan secara real-time,

Ke mana pun sains membawanya, Ferlic merasa yakin bahwa kombinasi teknologi murah yang dapat dikenakan dan desain intervensi berbasis bukti suatu hari nanti akan memudahkan semua orang untuk mencapai tujuan kesehatan dan kebugaran mereka: “Saya sangat bersemangat untuk melihat dunia nyata dampak dari metode baru yang kami kembangkan di d3c. Dalam jangka panjang, harapan saya adalah keahlian pengambilan keputusan yang tak ternilai dapat dikemas, setidaknya sebagian, ke dalam algoritme adaptif untuk perangkat digital, mengurangi hambatan untuk pembinaan kesehatan berkualitas bagi mereka yang paling membutuhkan.”

Kunjungi situs web d3center untuk mempelajari lebih lanjut tentang pekerjaan kami.

Telusuri FAQ tentang Intervensi Adaptif dan SMART .

Jelajahi alat perangkat lunak sumber terbuka kami .

Ikuti kursus online tentang Intervensi Adaptif, SMART, dan Pengoptimalan Intervensi .