Kunstig intelligens kan hjelpe diabetespasienter å trene trygt
Forskere bruker kunstig intelligens til å beregne hvordan en pasient med type 1 diabetes skal komme seg trygt gjennom en treningsøkt. Nå ser de frem til å utvikle en mobilapp og teste den på pasienter.
‒ Pasienter med type 1 diabetes får stor helsegevinst av å trene, men det å holde kontroll på blodsukkernivået ved trening kan være utfordrende. Vi håper kunstig intelligens kan bidra til å gjøre livet med denne sykdommen litt enklere.
Det sier Phuong Dinh Ngo som er seniorforsker ved avdeling for Helsedata og analyse ved Nasjonalt senter for e-helseforskning.
Han og andre forskere har brukt kunstig intelligens for å forutsi blodsukkerfall og behov for matinntak forbundet med fysiske aktiviteter.
Fjerne dørstokkmila
Pasienter med type 1 diabetes har en kropp som ikke produserer insulin. De må injisere kunstig insulin for å holde blodsukkernivået stabilt ved trening og måltider.
Ofte kan det være vanskelig å beregne hva kroppen trenger av ekstra næring foran en treningsøkt for å unngå at blodsukkernivået blir for lavt. Det kan derfor være nødvendig å spise før eller under trening.
Hva og hvor mye man bør spise før trening, er det vanskelig å finne ut av uten å måtte prøve og feile. Det blir nødvendig å utsette seg for en viss risiko ved å teste hvordan blodsukkernivået utvikler seg underveis i treningsøkta.
Disse utfordringene gjør gjerne dørstokkmila for å komme i gang med trening ekstra lang.
– For lavt blodsukker – hypoglykemi – er alvorlig, og pasienten kan risikere å falle i koma eller dø av en slik påkjenning. Det er viktig å få på plass verktøy som kan gjøre det mindre risikabelt å trene, sier Ngo.
Bruker kunstige nevrale nettverk
– Målet vårt er å lage en trygg app som gir diabetespasienten en personlig anbefaling for hva og hvor mye vedkommende bør spise når de trener. Utfordringen er at du ikke kan gi en person råd basert på generelle befolkningsdata. Personer kan ha svært ulik forbrenning. Derfor må det tilpasses, sier Ngo.
Appen må være i stand til å gi nøyaktige og trygge råd. Simuleringene forskerne har gjort tyder på at de ved hjelp av pasientgenererte data og spesifikk informasjon fra brukerne, vil kunne beregne riktig matinntak.
Forskerne har brukt virtuelle pasienter for å simulere mengde og hvilken type mat som bør spises foran en treningsøkt på tredemølle. Kunstige nevrale nettverk er så utviklet for å beregne framtidig blodsukkernivå og risiko forbundet med trening.
Metodene som brukes, fanger også opp usikkerheten i resultatene. Forskerne er sikre på at det datamaskinen lærer underveis om aktivitetsnivå og blodsukkerrespons, vil være en tryggere beregning enn det å la pasienten selv eksperimentere.
Resultatene gir også forskerne en retning for den fremtidige utviklingen av metoder for bruk av kunstig intelligens. Målet er effektive metoder som minimerer risiko for pasientene.
Rekrutterer frivillige
– I nær framtid ønsker vi å rekruttere mellom fem og ti frivillige med type 1 diabetes som kan teste algoritmen vår og studere hva som skjer når de følger anbefalingene i den fremtidige mobilappen. Denne testingen vil selvsagt foregå under godkjente sikkerhetsprotokoller, understreker seniorforsker Maryam Tayefi.
Forskerne vet at det allerede er mange apper på markedet for ulike helseformål, men at disse ofte mangler sikre, direkte anbefalinger til pasientene. I treningsappen som utvikles, må hver bruker mate appen med blodsukkernivå, matinntak og treningsmengde i en liten periode før anbefalingene kan bli presise.
– Datainnsamlingen kan være en utfordring fordi du i første omgang må legge data inn i appen manuelt. Men det kommer stadig nye verktøy for å måle ulike parametere i menneskekroppen. Det vil gjøre det enklere å ta slike apper i bruk, mener Ngo.
Skulle forskningen lede til utvikling av et salgbart produkt, antar forskerne at det vil ta mellom tre og fire år før en slik app kan være tilgjengelig på markedet.
Referanse:
Phuong Ngo mfl.: Risk-Averse Food Recommendation Using Bayesian Feedforward Neural Networks for Patients with Type 1 Diabetes Doing Physical Activities. Applied Sciences, 2020. Doi.org/10.3390/app10228037