I tracker della salute indossabili sono diventati onnipresenti sui polsi e sulle guide ai regali. Ma come possono gli operatori sanitari trasformare la quantità di dati prodotti dai sensori mobili incorporati nei dispositivi dei pazienti in informazioni fruibili che informano i piani di trattamento? Mason Ferlic, studente di dottorato in Statistica dell'Università del Michigan e corridore olimpico, sta sviluppando nuovi metodi di intervento adattivo e progetti sperimentali che un giorno consentiranno ai medici di assegnare un significato alle metriche mentre personalizzano i trattamenti erogati dalla clinica. Immagina una nuova generazione di interventi sanitari assistiti dalla tecnologia in grado di interpretare i dati dei pazienti per raccomandare decisioni terapeutiche tempestive e basate sull'evidenza che portino a migliori risultati di salute per tutti.

Disegnare Paralleli

Ferlic ha conseguito il Master in Ingegneria aerospaziale presso l'Università del Michigan nel 2016 prima di tornare nel 2020, questa volta al Dipartimento di statistica, per iniziare il suo dottorato di ricerca. È stato attratto dalla statistica dalla ricerca nell'area dell'ottimizzazione degli interventi, in cui i ricercatori applicavano i principi dell'ingegneria per migliorare sistematicamente la qualità e l'efficienza dei trattamenti disponibili per un'ampia varietà di disturbi. "Ho visto questa enorme connessione tra il mondo dell'ingegneria e l'abbattimento di sottosistemi e componenti di un intervento da ottimizzare per un particolare risultato sanitario", ha affermato. "Ero davvero concentrato sull'apprendere di più su come sfruttare i dati per fornire non solo associazioni e correlazioni, ma raccomandazioni effettive".

L'interesse di Ferlic per la scienza degli interventi adattivi è stato approfondito dai suoi sforzi atletici, dove ha imparato ad ascoltare i segnali all'interno del proprio corpo e a rispondere ad essi con piccoli cambiamenti alla sua dieta e all'allenamento che hanno avuto un grande impatto sulle prestazioni del giorno della gara. Quando l'intuito non bastava, aveva a sua disposizione un coach esperto, in grado di tradurre questi segnali in consigli. Si chiedeva se un giorno la tecnologia sanitaria mobile potesse consentire ad altri, non solo agli atleti d'élite, di accedere a questa esperienza.

In quel periodo, ha visto entrare nel mercato una serie di dispositivi indossabili, ciascuno in grado di misurare e riportare una combinazione di metriche come la frequenza cardiaca, la variabilità della frequenza cardiaca, l'attività fisica e la qualità del sonno. Quando gli è stata offerta l'opportunità di testare un dispositivo da polso per atleti, ne è stato entusiasta, ma si è presto reso conto dei suoi limiti. "Principalmente ti diceva numeri, e quei numeri non erano nel contesto di ciò che stavi facendo o cosa dovresti fare in risposta", ha detto Ferlic. Sebbene il suo allenatore fosse in grado di interpretare questi numeri e modificare di conseguenza il suo regime di allenamento, sapeva che il dispositivo non forniva il tipo di informazioni che sarebbero state utili alla persona media. Nel corso degli anni ha provato altri dispositivi, ma tutti avevano difetti simili. "Sono diventato pessimista su tutto questo lato della tecnologia", ha detto.

Quando Ferlic è entrato in contatto con il co-direttore del d3c Danny Almirall durante il primo anno del suo dottorato, l'affinità tra i suoi interessi e il lavoro del d3center è diventata evidente. “Ero tipo, è così. […] A quel tempo, non avevo il linguaggio per formulare quale fosse il problema, ma una volta appreso cosa stava facendo d3c, sapevo che era esattamente quello che speravo di fare”, ha detto. Il problema era che gli algoritmi che eseguivano i dispositivi sanitari mobili e le loro applicazioni erano troppo semplici per rendere i dati raccolti utili alle persone. Ma c'era una grande opportunità per aumentare l'utilità di questi dati integrandoli con l'assistenza sanitaria che le persone già ricevono. E se i dispositivi indossabili e altri dispositivi mobili potessero offrire ai medici l'accesso a informazioni fruibili sulla salute quotidiana dei loro pazienti, permettendo loro di apportare aggiustamenti mirati al trattamento nel ruolo del coach esperto? Sfortunatamente, gli scienziati alla base di questi algoritmi non erano ancora in grado di rispondere a domande chiave su come rendere i dati utili in contesti pratici. I metodi di cui avrebbero avuto bisogno per indagare su queste domande semplicemente non esistevano.

Posa di una nuova fondazione

Oggi, Ferlic sta lavorando per sviluppare i metodi di cui i ricercatori hanno bisogno per costruire interventi clinici intelligenti assistiti dalla tecnologia pari in sofisticazione alle piattaforme su cui girano. Nel contesto clinico tradizionale, spiega Ferlic, il processo di adattamento in un'intelligenza artificiale avviene in modo relativamente lento: “Negli interventi adattivi in ​​cui interagisci con un paziente solo attraverso visite cliniche, non sei davvero in grado di adattarti il ​​prima possibile. C'è un intervallo tra il momento in cui puoi valutare la risposta e il momento in cui puoi aggiornare il trattamento. Questo perché il medico ha accesso ai dati solo in occasione di visite cliniche distinte, che in genere sono distanti tra le due e le otto settimane. Ma con l'aggiunta di uno strumento sanitario digitale, possiamo aumentare il monitoraggio di persona durante le visite cliniche sulla base di controlli più continui. Ciò significa che possiamo monitorare e percepire quando si verifica un particolare evento nella vita del paziente, che dice al medico se ha bisogno di intensificare, aumentare o passare a un trattamento alternativo. Per apprendere quali misure in tempo reale indicano la necessità di adattamento del trattamento e per apprendere il modo migliore di rispondere sulla base di queste misure, i ricercatori hanno bisogno di una nuova classe di disegni di studi randomizzati e metodi di analisi dei dati associati.

Si consideri un intervento di perdita di peso per il trattamento dell'obesità come esempio. Un tipico intervento adattivo fornito dalla clinica per la perdita di peso può controllare i progressi del paziente solo durante le visite cliniche che segnano la fine delle settimane due, quattro e otto del trattamento. Se in uno qualsiasi di questi punti il ​​tasso di perdita di peso del paziente si trova al di sotto di una certa soglia, al paziente verrà offerto un nuovo intervento. Ciò che manca a un intervento così adattivo sono le informazioni relative al tempo tra le visite cliniche - la variabilità del peso tra le visite cliniche o la rapidità con cui qualcuno ha soddisfatto i criteri per la mancata risposta all'intervento, ad esempio - che potrebbero aiutare un medico a determinare il modo migliore per modificare il trattamento a due, quattro e otto settimane.

"Incorporando una variabile come il tempo alla mancata risposta nella regola decisionale, possiamo adattare più profondamente l'intervento adattivo", spiega Ferlic. In un intervento di perdita di peso potenziato dalla personalizzazione innescata dall'evento, qualcuno che soddisfa i criteri di non risposta durante la seconda settimana potrebbe aver bisogno di un vigoroso aumento del trattamento per raggiungere il proprio obiettivo di perdita di peso, mentre qualcuno che soddisfa i criteri di risposta fino alla metà della settima settimana potrebbe aver bisogno solo di un piccolo aumento per raggiungere il loro obiettivo di perdita di peso.

Gli studi randomizzati ad assegnazione multipla sequenziale (SMART) possono essere progettati per sviluppare interventi adattativi ottimizzati attivati ​​da eventi. Insieme a nuovi metodi, questi studi consentiranno ai ricercatori di sviluppare interventi adattivi in ​​grado di offrire raccomandazioni tempestive che tengano conto del contesto di ciascun paziente, in particolare della loro traiettoria di risposta. Una volta che Ferlic ha concettualizzato i principi di progettazione e i metodi analitici necessari per elaborare i dati da questa varietà di SMART, mira a creare capacità per applicazioni più complesse del concetto di sartoria attivato dagli eventi. Immagina un futuro in cui i ricercatori possano imparare ad accogliere molteplici variabili di personalizzazione, raccolte in tempo reale,

Ovunque lo porti la scienza, Ferlic è certo che una combinazione di tecnologia indossabile a basso costo e design di intervento basato sull'evidenza renderà un giorno più facile per tutti raggiungere i propri obiettivi di salute e fitness: "Sono davvero entusiasta di vedere il mondo reale impatto dei nuovi metodi che stiamo sviluppando in d3c. A lungo termine, la mia speranza è che l'inestimabile esperienza nel processo decisionale possa essere impacchettata, almeno in parte, in algoritmi adattivi per dispositivi digitali, riducendo la barriera al coaching sanitario di qualità per i più bisognosi".

Visita il sito Web di d3center per saperne di più sul nostro lavoro.

Consulta le domande frequenti sugli interventi adattivi e gli SMART .

Esplora i nostri strumenti software open source .

Partecipa a corsi online su interventi adattivi, SMART e ottimizzazione degli interventi .