Thiết bị theo dõi sức khỏe có thể đeo được đã trở nên phổ biến trên cổ tay và hướng dẫn quà tặng. Nhưng làm thế nào các chuyên gia y tế có thể chuyển đổi dữ liệu được tạo ra bởi các cảm biến di động được nhúng trong thiết bị của bệnh nhân thành những hiểu biết có thể hành động để thông báo kế hoạch điều trị? Nghiên cứu sinh tiến sĩ ngành Thống kê của Đại học Michigan và vận động viên Olympic Mason Ferlic đang phát triển các phương pháp can thiệp thích ứng mới và các thiết kế thử nghiệm mà một ngày nào đó sẽ cho phép các bác sĩ lâm sàng gán ý nghĩa cho các chỉ số khi họ cá nhân hóa các phương pháp điều trị do phòng khám cung cấp. Ông hình dung ra một thế hệ can thiệp sức khỏe được hỗ trợ bởi công nghệ mới có khả năng diễn giải dữ liệu bệnh nhân để đề xuất các quyết định điều trị kịp thời, dựa trên bằng chứng nhằm mang lại kết quả sức khỏe tốt hơn cho mọi người.

Vẽ song song

Ferlic lấy bằng Thạc sĩ Kỹ thuật hàng không vũ trụ tại Đại học Michigan vào năm 2016 trước khi quay trở lại vào năm 2020, lần này là tại Cục Thống kê, để bắt đầu chương trình Tiến sĩ. Ông bị thu hút bởi số liệu thống kê qua nghiên cứu trong lĩnh vực tối ưu hóa can thiệp, nơi các nhà điều tra đang áp dụng các nguyên tắc từ kỹ thuật để cải thiện một cách có hệ thống chất lượng và hiệu quả của các phương pháp điều trị sẵn có cho nhiều loại rối loạn. Ông nói: “Tôi đã thấy mối liên hệ to lớn này giữa thế giới kỹ thuật và việc phá vỡ các hệ thống con và các thành phần của một biện pháp can thiệp để tối ưu hóa cho một kết quả sức khỏe cụ thể. “Tôi thực sự tập trung vào việc tìm hiểu thêm về cách tận dụng dữ liệu để cung cấp không chỉ các liên kết và mối tương quan mà còn cả các đề xuất thực tế.”

Mối quan tâm của Ferlic đối với khoa học về các biện pháp can thiệp thích ứng ngày càng sâu sắc nhờ những nỗ lực thể thao của anh ấy, nơi anh ấy học cách lắng nghe các tín hiệu bên trong cơ thể mình và phản ứng với chúng bằng những thay đổi nhỏ trong chế độ ăn uống và tập luyện có tác động lớn đến thành tích trong ngày đua. Khi trực giác là không đủ, anh ấy có một huấn luyện viên chuyên nghiệp, người có thể chuyển những tín hiệu này thành các khuyến nghị. Anh tự hỏi liệu một ngày nào đó công nghệ y tế di động có thể cho phép những người khác, không chỉ các vận động viên ưu tú, tiếp cận trải nghiệm này hay không.

Vào khoảng thời gian đó, anh ấy thấy một số thiết bị đeo được gia nhập thị trường, mỗi thiết bị có khả năng đo lường và báo cáo một số tổ hợp các chỉ số như nhịp tim, sự thay đổi nhịp tim, hoạt động thể chất và chất lượng giấc ngủ. Khi được trao cơ hội thử nghiệm một thiết bị đeo tay dành cho các vận động viên, anh ấy rất hào hứng, nhưng nhanh chóng nhận ra những hạn chế của nó. “Nó chủ yếu cho bạn biết những con số, và những con số đó không nằm trong bối cảnh bạn đang làm gì hoặc bạn nên làm gì để đáp lại,” Ferlic nói. Mặc dù huấn luyện viên của anh ấy có thể giải thích những con số này và điều chỉnh chế độ luyện tập của anh ấy cho phù hợp, nhưng anh ấy biết rằng thiết bị không cung cấp loại thông tin hữu ích cho người bình thường. Trong nhiều năm, anh ấy đã thử các thiết bị khác, nhưng tất cả chúng đều có những nhược điểm tương tự. “Tôi trở nên bi quan về toàn bộ khía cạnh đó của công nghệ,” anh nói.

Khi Ferlic kết nối với đồng giám đốc d3c Danny Almirall trong năm đầu tiên theo học chương trình Tiến sĩ, mối quan hệ giữa sở thích của anh ấy và công việc của d3center trở nên rõ ràng. “Tôi giống như, đây là nó. […] Vào thời điểm đó, tôi không có ngôn ngữ để hình dung vấn đề là gì, nhưng khi tôi biết d3c đang làm gì, tôi biết đó chính xác là điều tôi hy vọng sẽ làm được,” anh ấy nói. Vấn đề là các thuật toán chạy các thiết bị y tế di động và các ứng dụng của chúng quá đơn giản để làm cho dữ liệu chúng thu thập trở nên hữu ích cho các cá nhân. Nhưng có một cơ hội lớn để tăng tiện ích của dữ liệu này bằng cách tích hợp nó với dịch vụ chăm sóc sức khỏe mà mọi người đã nhận được. Điều gì sẽ xảy ra nếu thiết bị đeo được và các thiết bị di động khác có thể cung cấp cho bác sĩ lâm sàng quyền truy cập vào thông tin hữu ích về sức khỏe hàng ngày của bệnh nhân của họ, cho phép họ thực hiện các điều chỉnh có mục tiêu đối với việc điều trị trong vai trò của huấn luyện viên chuyên gia? Thật không may, các nhà khoa học đằng sau các thuật toán này vẫn chưa thể trả lời các câu hỏi chính về cách làm cho dữ liệu trở nên hữu ích trong cài đặt thực tế. Các phương pháp họ cần để điều tra những câu hỏi này đơn giản là không tồn tại.

Đặt một nền tảng mới

Ngày nay, Ferlic đang làm việc để phát triển các phương pháp mà các nhà nghiên cứu cần để xây dựng các biện pháp can thiệp lâm sàng được hỗ trợ bởi công nghệ thông minh có độ tinh vi tương đương với các nền tảng mà họ chạy trên đó. Ferlic giải thích, trong môi trường lâm sàng truyền thống, quá trình thích ứng trong AI diễn ra tương đối chậm: “Trong các can thiệp thích ứng khi bạn chỉ tương tác với bệnh nhân thông qua các lần khám lâm sàng, bạn không thực sự có thể thích nghi ngay khi có thể. Có một độ trễ giữa thời điểm bạn có thể đánh giá phản ứng và thời điểm bạn có thể cập nhật phương pháp điều trị. Điều này là do bác sĩ lâm sàng chỉ có quyền truy cập vào dữ liệu tại các lần khám tại phòng khám riêng biệt, thường cách nhau từ hai đến tám tuần. Nhưng với việc bổ sung một công cụ y tế kỹ thuật số, chúng tôi có thể tăng cường giám sát trực tiếp tại các lần khám tại phòng khám dựa trên việc đăng ký liên tục hơn. Điều này có nghĩa là chúng ta có thể theo dõi và cảm nhận khi một sự kiện cụ thể xảy ra trong cuộc đời của bệnh nhân, điều này cho bác sĩ lâm sàng biết liệu họ có cần tăng cường, tăng cường hay chuyển sang một phương pháp điều trị thay thế hay không. Để tìm hiểu các biện pháp thời gian thực nào cho thấy cần phải điều chỉnh thích ứng và tìm hiểu cách phản hồi tốt nhất dựa trên các biện pháp này, các nhà nghiên cứu cần một lớp thiết kế thử nghiệm ngẫu nhiên mới và các phương pháp phân tích dữ liệu liên quan.

Hãy xem xét một can thiệp giảm cân để điều trị bệnh béo phì làm ví dụ. Một biện pháp can thiệp thích ứng điển hình do phòng khám cung cấp để giảm cân có thể chỉ kiểm tra sự tiến triển của bệnh nhân trong các lần khám tại phòng khám đánh dấu sự kết thúc của tuần thứ hai, bốn và tám của quá trình điều trị. Nếu tại bất kỳ điểm nào trong số này, tốc độ giảm cân của bệnh nhân nằm dưới một ngưỡng nhất định, bệnh nhân sẽ được đề nghị một biện pháp can thiệp mới. Điều mà một biện pháp can thiệp thích ứng như vậy bỏ sót là thông tin về thời gian giữa các lần khám tại phòng khám — chẳng hạn như sự thay đổi về cân nặng giữa các lần khám tại phòng khám hoặc tốc độ mà một người nào đó đáp ứng các tiêu chí về việc không đáp ứng với biện pháp can thiệp — có thể giúp bác sĩ lâm sàng xác định cách tốt nhất để thay đổi điều trị tại các thời điểm hai, bốn và tám tuần.

“Bằng cách kết hợp một biến số như thời gian không phản hồi trong quy tắc quyết định, chúng tôi có thể điều chỉnh sâu hơn biện pháp can thiệp thích ứng,” Ferlic giải thích. Trong một can thiệp giảm cân được tăng cường bằng cách điều chỉnh theo sự kiện, một người đáp ứng các tiêu chí về việc không phản ứng trong tuần thứ hai có thể cần tăng cường điều trị để đạt được mục tiêu giảm cân của họ, trong khi một người đáp ứng các tiêu chí về phản ứng cho đến giữa của tuần thứ bảy có thể chỉ cần tăng nhẹ để đạt được mục tiêu giảm cân của họ.

Thử nghiệm ngẫu nhiên nhiều nhiệm vụ tuần tự (SMART) có thể được thiết kế để phát triển các biện pháp can thiệp thích ứng kích hoạt sự kiện được tối ưu hóa. Cùng với các phương pháp mới, các thử nghiệm này sẽ cho phép các nhà nghiên cứu phát triển các biện pháp can thiệp thích ứng có khả năng đưa ra các khuyến nghị kịp thời phù hợp với bối cảnh của từng bệnh nhân, đặc biệt là quỹ đạo phản ứng của họ. Sau khi khái niệm hóa các nguyên tắc thiết kế và phương pháp phân tích cần thiết để xử lý dữ liệu từ nhiều loại SMART này, Ferlic đặt mục tiêu xây dựng năng lực cho các ứng dụng phức tạp hơn của khái niệm tùy chỉnh kích hoạt sự kiện. Anh ấy hình dung ra một tương lai nơi các nhà nghiên cứu có thể học cách điều chỉnh nhiều biến điều chỉnh, được thu thập trong thời gian thực,

Bất cứ nơi nào khoa học đưa anh đến, Ferlic cảm thấy chắc chắn rằng sự kết hợp giữa công nghệ có thể đeo được với chi phí thấp và thiết kế can thiệp dựa trên bằng chứng một ngày nào đó sẽ giúp mọi người đạt được các mục tiêu về sức khỏe và thể chất của mình dễ dàng hơn: “Tôi thực sự rất vui khi thấy thế giới thực tác động của các phương pháp mới mà chúng tôi đang phát triển tại d3c. Về lâu dài, tôi hy vọng rằng chuyên môn ra quyết định vô giá có thể được đóng gói, ít nhất là một phần, thành các thuật toán thích ứng cho các thiết bị kỹ thuật số, giảm bớt rào cản đối với việc huấn luyện sức khỏe có chất lượng cho những người cần nhất.”

Truy cập trang web d3center để tìm hiểu thêm về công việc của chúng tôi.

Duyệt qua các câu hỏi thường gặp về Can thiệp thích ứng và SMART .

Khám phá các công cụ phần mềm mã nguồn mở của chúng tôi .

Tham gia các khóa học trực tuyến về Can thiệp thích ứng, SMART và Tối ưu hóa can thiệp .