Планируемые теоретические исследования
Обоснование выбора регистрируемых параметров
Все средства удаленного мониторинга можно условно разделить на категории на основе технологий в них использующихся: любой смартфон и связанное с ним программное обеспечение, который используется для передачи данных о пациенте, носимое устройство, размещенное на любой части тела (датчики дыхания, мониторы артериального давления), биосенсоры или компьютеризированные системы, в которых данные вводятся пациентом через подключение к интернету [12]. В категорию наименее надежных, в силу человеческого фактора, можно отнести веб-приложения и мобильные разработки. С другой стороны, биосенсоры и мониторы также могут быть необъективны и выдавать сбои при неправильной эксплуатации, в случае брака, наличия упущенных при разработке методических погрешностей или накапливающихся при работе ошибок. Лучшим решением вопроса стала бы разработка кроссплатформенной системы с возможностью подключения к приложению носимых устройств и биосенсоров. В этом направлении движется современная разработка, в том числе и наше веб-приложение потенциально могло бы передавать информацию по RESTful API протоколу более крупной системе сбора и обработки медицинской информации.
На основе удаленно переданной информации можно построить модель предсказания обострения хронического заболевания, вовремя назначив превентивную терапию, или предотвратить эксцесс, подключив службы экстренного реагирования. Обратимся к общей схеме действий любого алгоритма машинного обучения на рисунке 1. Как видно первый вопрос, который мог бы задать себе исследователь – как отобрать данные так, чтобы быть уверенным в их достоверности? И второй – как выявить достаточно надежные метрики, на основе которых мне бы хотелось обучить модель?
Рис. 5 – Алгоритм машинного обучения
Для измерения физической активности можно использовать широкий спектр переменных. Наиболее распространены перестановки количества действий и шагов. Однако другие переменные активности могут представлять собой прогностическую ценность в ситуациях, связанных с конкретным заболеванием. Например, по мнению исследователей из Департамента о физиотерапии и реабилитационной науки США продолжительность и количество эпизодов активности, от умеренной до высокой, лучше отражают различия чем общее количество шагов в некоторых исследованиях инсульта [13]. Рассматривая проблему ожирения с этой точки зрения, можно согласиться с выводом неврологов и добавить к «полезным» параметрам род деятельности, которым занимался человек. Будь то прогулка, уборка в квартире или работа в саду – среднее количество шагов не отразит общей физической нагрузки на организм. Таким образом предложенное нами приложение предоставляет исследователю минимально необходимые для исследования на базе машинного обучения метрики. Для мониторинга нагрузок это: дата и время, длительность, род деятельности и общее число вспышек активности. Для анализа сна: дата, время пробуждения, количество часов сна. Но не будем ограничиваться одной лишь физической активностью.
Точно такой же набор простых полезных единиц информации уже используется нами в алгоритме предсказания уровня сахара после приема пищи. Для этого среди множества общих для диетических систем нутриентов, предлагаемых врачу к самостоятельному анализу в отчете по пользователю, были отобраны следующие показатели: сахар до приема пищи, гликемический индекс, белки (за 6 часов до), углеводы, а также в дополнение к ним рост и масса тела. Некоторые из этих данных можно использовать «сырыми», другие же придется преобразовать, чтобы получить метрики. Например, гликемический индекс будет иметь большую ценность при перерасчете его в гликемическую нагрузку, а показатели роста и массы тела проще всего унифицировать для каждого человека по шкале ИМТ.
Подытоживая тему достоверности полученной информации, упомянем и распространенную проблему удаленного мониторинга в целом – неверная информация, записанная в дневнике из-за отсутствия мотивации или преднамеренного искажения данных пациентом [14]. Для классификации ошибок в процессе отсеивания сомнительных записей были предложены следующие метки: редкие или неполные записи, грубое округление, умалчивание о приеме пищи, занижение сведений о потреблении продуктов питания и возможное искажение данных. На данный момент в веб-приложении для пациента реализована необязательная к выполнению возможность самостоятельно указать полные дни. Подробнее модель и ее методы будут рассмотрены в соответствующем разделе. В общем случае полезным также было бы регистрировать реальное время внесения данных, обращая внимание врача на заполненные задним числом приемы пищи.