利用可穿戴医疗设备的数据

糖尿病和其他慢性疾病，如癌症或心血管疾病，需要终生管理。

近年来，大量可穿戴设备，如葡萄糖监测器，活动跟踪器，心率监视器和脉搏血氧计已被患者和卫生保健提供者以便更有效地跟踪和管理这些情况。这些设备也是一个丰富的数据来源，可以进行分析，以更好地理解导致改善的因素和行为健康结果．

计算机科学助理教授、增强健康实验室(Augmented Health Lab)联席主任Temiloluwa Prioleau说:“但它们在很大程度上没有得到充分利用。”增强健康实验室专注于弥合这一差距。

Prioleau说，无处不在的传感器可以监测人们日常生活中与健康相关的数据和行为，它可能真正掌握理解和告知良好管理实践的关键。关键的挑战在于提取有意义的信息从这些设备收集的海量数据中。

最近发表在npj数字医疗， Prioleau和计算机科学研究生Abigail Bartolome使用机器学习技术来解决这个问题。他们从连续的数据中挖掘血糖监测还有胰岛素泵，这是糖尿病患者使用的设备，用来学习数据中的模式并了解糖尿病的结果与这些模式有什么关系。

例如，在他们的研究中，他们发现，当患者的葡萄糖水平在某一天的目标范围内超过70%时，他们在第二天的大部分时间里也更有可能保持在目标范围内。当他们的进餐时间胰岛素剂量在观察范围内时，第二天出现良好结果的机会甚至更高。

Bartolome说，这些结果是直观的，并且与先前关于血糖控制预测因子的研究结果一致。这项研究表明，他们的计算框架成功地从与糖尿病等疾病相关的多个数据流中提取了数字生物标志物——捕捉健康管理行为并预测未来结果的可量化因素。

Bartolome说:“我们现在可以将其他生活方式和活动数据与我们必须获得的信息联系起来，以获得更丰富、更细致的关于日常行为的见解，这些行为可能导致葡萄糖控制的好坏。”

一项用户研究正在进行中，该研究整合了来自记录步数、睡眠和其他信息的活动追踪器的数据，以识别与人们日常决策相关的生物标记物。

有了从数据中收集到的见解，研究人员希望为个性化糖尿病管理提供支持，不仅是为使用可穿戴设备的人，也为那些无法使用这些设备的人。

“我们的长远目标，”Prioleau说，“是让那些无法获得先进糖尿病技术的人受益。”

---

---