Zastosowanie AI/ML w prognozowaniu ryzyka hipoglikemii u pacjentów z cukrzycą

Placówka medyczna prowadząca specjalistyczny program opieki nad pacjentami z cukrzycą. Celem klienta było wdrożenie systemu umożliwiającego prognozowanie ryzyka hipoglikemii oraz automatyczne informowanie pacjentów o potencjalnym zagrożeniu zdrowotnym.

Hipoglikemia stanowi jedno z najpoważniejszych zagrożeń dla osób chorujących na cukrzycę.

Dostępne rozwiązania (takie jak systemy CGM) są skuteczne, ale drogie i niedostępne dla wielu pacjentów. Dotychczas proces opieki nad pacjentami z hipoglikemią wymagał zaangażowania zespołu medycznego, który analizował przebieg epizodu, interpretował dane i w razie potrzeby kontaktował się z chorym. Każda taka analiza zajmowała średnio około 10 minut i wiązała się z ryzykiem opóźnień — telefon do pacjenta mógł nie zostać wykonany na czas, co mogło wpływać na bezpieczeństwo chorego.

Klient potrzebował rozwiązania, które:

• Automatycznie analizowałoby dane z glukometrów (bez dodatkowego sprzętu), informacje o przyjmowanych lekach oraz dane osobowe pacjentów.
• Prognozowałoby ryzyko wystąpienia epizodów hipoglikemii.
• Wysyłałoby pacjentom powiadomienia o potencjalnym zagrożeniu w czasie rzeczywistym.
• Ograniczało potrzebę stałego monitorowania pacjentów przez personel medyczny.

Opracowaliśmy mobilny system AI/ML do prognozowania ryzyka hipoglikemii na podstawie danych z tradycyjnych glukometrów i informacji o pacjencie. Nasze działania obejmowały:

1. Projektowanie i rozwój modelu predykcyjnego
   W ramach prac nad rozwiązaniem przeprowadziliśmy pełny cykl projektowy, rozpoczynając od analizy danych z glukometrów. Kluczowym etapem było zaprojektowanie modelu predykcyjnego z wykorzystaniem technik machine learning, ze szczególnym uwzględnieniem inżynierii cech – w tym zmienności glikemii jako jednego z istotnych predyktorów. Stworzyliśmy elastyczny pipeline ML, który umożliwiał dostrojenie modelu pod kątem odpowiedniego balansu między czułością a swoistością, co jest kluczowe w kontekście bezpieczeństwa pacjentów.
2. Budowa systemu powiadomień
   Równolegle z modelem opracowaliśmy mobilny system powiadomień, które w czasie rzeczywistym wysyłane są do pacjentów w przypadku wykrycia podwyższonego ryzyka. Dzięki temu użytkownicy mogą szybko reagować i unikać niebezpiecznych epizodów.
3. Walidacja i optymalizacja rozwiązania
   Na etapie walidacji klinicznej prowadziliśmy regularne konsultacje z zespołem lekarzy, aby dopasować działanie systemu do rzeczywistych potrzeb placówki i codziennej praktyki medycznej. Wprowadzane korekty i optymalizacje zwiększyły skuteczność rozwiązania i jego akceptację wśród użytkowników.
   Skuteczność naszego modelu do przewidywania hipoglikemii opieramy na dwóch kluczowych wskaźnikach diagnostycznych, powszechnie stosowanych w medycynie i analizie danych: czułości i swoistości.

• Czułość (ang. sensitivity)
  określa, jak skutecznie algorytm wykrywa rzeczywiste epizody hipoglikemii. Im wyższa czułość, tym większy odsetek faktycznych przypadków hipoglikemii zostaje poprawnie rozpoznany i zasygnalizowany przez system — co minimalizuje ryzyko przeoczenia zagrożenia.
• Swoistość (ang. specificity)
  pokazuje, jak dobrze algorytm unika fałszywych alarmów. Wysoka swoistość oznacza, że w sytuacjach, gdy nie występuje zagrożenie hipoglikemią, system nie podnosi niepotrzebnego ostrzeżenia — dzięki czemu pacjenci i personel nie są obciążani nieuzasadnionymi interwencjami.

Zbudowaliśmy system, który został bardzo dobrze przyjęty przez zespół medyczny oraz pacjentów objętych programem opieki. System umożliwił skuteczne przewidywanie ryzyka hipoglikemii i automatyczne powiadamianie pacjentów. 

Dzięki wdrożeniu znacząco zwiększono bezpieczeństwo pacjentów i poprawiono ich jakość życia. Proces rozwoju i współpracy z Klientem przebiegał płynnie i był na bieżąco monitorowany. Nasz zespół dzielił się wiedzą, co ułatwiło wdrożenie i dalsze wykorzystanie systemu.