تحقیقات هوش مصنوعی (AI) و یادگیری ماشین (ML) و کاربرد آن در زمینه های مختلف هر روز به اوج جدیدی می رسد. کاربردهای متعددی از این فناوری پیشرفته از محصولات مصرفی مانند Apples FaceID، Personalization (سیستم های توصیه) و آموزش وجود دارد. یک تحقیق اخیر که در مجله علم و فناوری دیابت منتشر شده است، رویکرد مبتنی بر ML را برای اندازه گیری و تشخیص پایبندی در بیماران دیابتی با استفاده از تزریق انسولین پایه یک بار در روز با هدف نهایی توسعه یک سیستم هشدار اولیه برای تشخیص پایبندی به دارو بررسی کرده است.
نویسندگان از دادههای بهدستآمده از فناوری پایش مداوم گلوکز درون سیلیکونی (CGM) برای شبیهسازی گروهی از بیماران دیابتی نوع ۲ در دوز روزانه تزریق انسولین استفاده کردهاند. نتایج حاصل از یک تکنیک مدلسازی پیشرفته ML به نام «یادگیری عمیق» و مدلهای طبقهبندی ML مهندسی شده با ویژگیهای ساده مقایسه شدند. مشاهده زیر توسط نویسندگان انجام شد –
سه مدل طبقهبندی بر اساس ویژگیهای مهندسی شده توسط متخصص، دقت متوسط 78.6، 78.2 و 78.3 درصد را به دست آوردند. مدل طبقه بندی صرفاً بر اساس ویژگی های آموخته شده، دقت متوسط 79.7٪ را به دست آورد. دو مدل طبقهبندی که ویژگیهای مهندسی شده و آموختهشده توسط متخصص را با هم ترکیب میکنند، میانگین دقت 79.7% و 79.8% را به دست آوردند. تمام نتایج ذکر شده 16 ساعت پس از تزریق به دست آمد.
استفاده از مدلهای ساده در مقایسه با مدلهای پیچیدهتر، مزایای واضحی دارد.»
اگر این تحقیق در دادههای CGM در دنیای واقعی بازتولید شود، میتواند فرصتهای جدیدی را برای پیادهسازی ابزارهای بازداشت زودهنگام برای کمک به تصمیمگیرندگان و بیماران ایجاد کند. به عنوان مثال، خروجی مدل (یعنی هشدار پایبندی) می تواند برای ایجاد یک سیستم اعلان در برنامه های مدیریت مراقبت های بهداشتی توسط ارائه دهندگان استفاده شود. مقیاس بندی این برنامه از مجموعه داده های دنیای واقعی غنی تر برای بهبود بیشتر مدل بهره می برد