Ш糖ны өвчнийг удирдах нь 40 сая Америк хүний өдөр тутмын бэрхшээл бөгөөд энэ нь хоолны хэрэглээ, эмийн цагийг мэдэх, биеийн хөдөлгөөнийг идэвхжүүлэх зэрэг олон хүчин зүйлийг дагаж мөрдөх шаардлагатай. Эдгээр зүйлсийг буруу хийх нь эрүүл мэндэд ноцтой үр дагаварт хүргэж болзошгүй тул илүү сайн таамаглалын хэрэгслүүдийг хөгжүүлэх нь ш糖ны өвчний эмчилгээнд чухал ач холбогдолтой.

Америкийн Үндэсний Шинжлэх Ухааны Сангаас санхүүжүүлсэн судалгааны багууд ш糖ны өвчтэй өвчтөнүүдэд илүү нарийвчлалтайгаар цусны сахарын түвшинг таамаглахад туслах шинэ, шинэлэг хэрэгслүүдийг хөгжүүлж байна. Энэ дэвшилтэт арга нь өвчтөнүүдийн эрүүл мэндийн мэдээллийг хувийн нууцлалд нөлөөлөлгүйгээр хянах боломжийг олгож, ш糖ны өвчтэй хүмүүсийн нөхцөл байдлыг бодит цаг хугацаанд хянах аргыг өөрчлөх болно.

Энэхүү технологийн үндсэн дээр федерэйт сургалтын аргачлал бий. Энэ нь хиймэл оюун ухааны загваруудыг олон өвчтөний төхөөрөмж дээр сургах боломжийг олгодог бөгөөд ингэхдээ персональ мэдээллийг төвлөрсөн серверт илгээх шаардлагагүй. Энэ тохиргоо нь эрүүл мэндийн салбарт, ялангуяа пасрвийн нууцлалыг анхаарах шаардлагатай үед тохиромжтой. Гэвч эхний федерэйт сургалтын системүүд нь хүмүүсийн хооллолт, хөдөлгөөн, инсулины хариу үйлдэл зэргээс шалтгаалах ялгааг анхаарч чадахгүй байсан.

Энэхүү сорилтыг даван туулахын тулд судалгааны баг нь өвчтөнүүдийг нүүрс усын (жишээлбэл, сахар ба цардуул) хэрэглээний түвшингээр группдсэн. Нэгэн ижил төрлийн хооллолттой хүмүүс ижил сахарын хариу үйлдэлтэй байдаг болохыг үндэслэн, эдгээр группийн зан үйлийг ашиглан хиймэл оюун ухааны загварыг сургах замаар оношлогооны нарийвчлал нэмэгдсэн.

Тус судалгааны баг нь FDA-аас зөвшөөрөгдсөн 1-р төрлийн ш糖ны өвчний симулятороос гарсан өгөгдлийг ашиглан хоёр машин сургалтын загварыг шалгасан. Симуляцийн өгөгдөл хуримтлагдах тусам загварын нарийвчлал сайжирч, хязгаарлагдмал өгөгдөлтэй ч хувь хүний загварыг бий болгох боломжтой байжээ. Эдгээр нь шинээр оношлогдсон өвчтөнүүдэд эсвэл шинээр дижитал хэрэгсэл ашиглаад эхэлж буй хүмүүст давуу талтай юм.

Уламжлалт AI системүүд их хэмжээний өгөгдлийг төвлөрсөн газар цуглуулах шаардлагатай бөгөөд энэ нь эмнэлгийн нууцлалд аюул учруулж болох тул федерэйт сургалт нь энэ салбарт сайн шийдэл болж байна. Энэ нь хувь хүний мэдээллийг тус бүрийн төхөөрөмжид хадгалж, зөвхөн загварын сургалтынх нь мэдээллийг хуваалцдаг – хэзээ ч түүвэр мэдээллийг биш. Энэ нь өвчтөнүүдийн нууцлалыг хамгаалж, системийг хөгжүүлэх боломжийг олгодог.

Эхний үр дүн нь таатай боловч судлаачид эдгээр загварууд нь нарийн детальтай хоолны хэрэглээний мэдээлэлд依存шилттэйг анхааруулж байна. Бүх өвчтөнүүд үүнийг хялбархан өгч чадахгүй учраас тэд бусад хүчин зүйлсийг, тухайлбал биеийн хөдөлгөөн, эмийн хэрэглээг багтаахыг хүсч байна. Мөн тэд илүү том өвчтөний бүлгүүдтэй тест хийхээр төлөвлөж байна. Урт хугацаанд, судлаачид энэхүү хувийн, нууцлалын хамгаалалттай AI аргачлалыг зүрхний өвчин, астма зэрэг бусад архаг өвчнүүдэд өргөжүүлэхийг хүсч байна, учир нь хувьчилсан эмчилгээ эдгээр тохиолдолд ч мөн ихээхэн чухал юм.

Ш糖ны өвчин нь АНУ-ын эдийн засагт жилд 300 тэрбум долларын зардалтай байдаг бөгөөд ингэснээр эрт интервенц хийх, хувьчилсан эмчилгээг хөгжүүлэх шинэ санаачилгууд нь урт хугацааны зардлыг бууруулж, хүн амын эрүүл мэндийн үр дүнд сайжруулалт хийхэд нөлөөлөх боломжтой.

Энэхүү төсөл нь төрийн хөрөнгө оруулалтыг хослуулан дэвшилтэт судалгаа хийснээр зөвхөн индивидуаль өвчтөнүүдэд төдийгүй АНУ-ын эрүүл мэндийн системд хэрхэн ашигтай болохыг харуулж байна.