Tekoäly diabeteksen hoidossa: katsaus nykyisiin sovelluksiin ja tulevaisuuden näkymiin

• 17.4.2025

Lorenzo Sandini

Tekoäly (AI) on mullistamassa diabeteksen hoidon. Tarkastelen tässä katsauksessani tekoälysovelluksia diabeteksen hoidossa ja niiden vaikutuksia kliiniseen käytäntöön sekä arvioin tulevaisuuden kehityssuuntia. Erityistä huomiota olen kiinnittänyt validoituihin ratkaisuihin ja niiden mahdollisuuksiin hoidon kehittämisessä.

Jaa

Jaa palvelussa "Facebook" Jaa palvelussa "X" Jaa palvelussa "LinkedIn"

Tekoäly on tietojenkäsittelyn ala, jossa tietokone opetetaan suorittamaan tavallisesti ihmisen päättelykykyä vaativia tehtäviä. Diabeteksen hoidossa tekoäly auttaa esimerkiksi tunnistamaan riskejä, ennustamaan verensokeritasoja ja tukemaan hoitopäätöksiä.

Tekoälyn integraatio diabetesteknologiaan on jo nyt merkittävää, ja hoitomenetelmien kehittyessä sen rooli kasvaa. Glukoosisensorit (CGM) ja automatisoidut insuliinin annostelujärjestelmät (AID) hyödyntävät jo nyt kehittyneitä algoritmeja. Samoin tekoälyn eri muotoja sovelletaan laajasti kliinisessä ja epidemiologisessa tutkimuksessa, kuvantunnistuksessa ja hoitopäätösten tukena.

Tekoäly nousi suuren yleisön tietoisuuteen erityisesti ChatGPT:n myötä, mutta terveydenhuollossa sitä on hyödynnetty jo pitkään. Useat järjestelmät käyttävät vielä perinteisiä tilastollisia menetelmiä ja kehittyneemmät tekoälyratkaisut, kuten syvät hermoverkot ja vahvistusoppiminen, ovat vasta tulossa laajempaan käyttöön diabeteksen hoidossa.

Tekoälypohjaiset ratkaisut tarjoavat uusia mahdollisuuksia sekä potilaille että terveydenhuollon ammattilaisille, mikä muuttaa diabeteksen hoidon käytäntöjä perustavanlaatuisesti.

Ratkaisuja glukoosin vaihtelun ennustamiseen

Optimaalinen ja kestävä verensokeritasojen (BGL) hallinta on tyypin 1 diabeteksen hoidon päätavoite. Verensokeritasojen automaattista ennustamista koneoppimisalgoritmien (ML) avulla pidetään lupaavana työkaluna tämän tavoitteen tukemiseksi (1).

Valvottu koneoppiminen suoriutuu tästä tehtävästä kohtalaisen heikosti. Ongelma ei ole niinkään biologinen ”kaaos” tai ihmisen arvaamaton käyttäytyminen, vaan mallin kouluttamisessa käytetty yksilöllinen takautuva materiaali. Suurin osa ateriainsuliinin ja hiilihydraattien vaikutuksesta glukoosin vaihteluun on päällekkäistä, eikä tavanomainen hermoverkko kykene erottamaan niitä toisistaan. Lisäämällä malliin ateriainsuliinin ja hiilihydraattien oletetut vaikutukset (fysiologinen malli), voidaan lyhyen ajan glukoosin vaihtelua ennustaa luotettavammin.

Roche sai heinäkuussa 2024 CE-merkinnän Accu-Chek SmartGuide CGM -järjestelmälleen, joka hyödyntää tekoälypohjaisia ennustavia algoritmeja (2). Järjestelmä arvioi hypoglykemian riskiä seuraavan 30 minuutin aikana, ennustaa glukoositasojen muutoksia seuraavan kahden tunnin kuluessa ja arvioi yöllisen hypoglykemian todennäköisyyttä. Vaikka järjestelmä vaatii sormenpäämittauksia kalibrointiin, mitä voidaan pitää rajoitteena, voivat sen ennustavat algoritmit vähentää yhtiön mukaan potilaiden kokemaa stressiä ja hypoglykemian pelkoa. Järjestelmä on tulossa markkinoille tietyissä Euroopan maissa lähikuukausina.

Aterioiden ja ravitsemuksen vaikutusten ennustamisessa tekoäly on edistynyt merkittävästi. Järjestelmät kuten Glucura ja Twin Health (3) kykenevät ennustamaan glukoosivasteita aterioihin, mikä mahdollistaa yksilöllisemmän ravitsemusneuvonnan diabetesta sairastaville.

Konenäkö seuloo retinopatiaa ja tunnistaa ruokia

Konenäköä hyödynnetään yhä enemmän diabeettisten komplikaatioiden seulonnassa, erityisesti kliinisesti validoiduissa sovelluksissa. Diabeettisen retinopatian seulonta voidaan tehdä sekä erityisillä silmänpohjakameroilla (5) että validoiduilla älypuhelinpohjaisilla ratkaisuilla, kuten Remidio-järjestelmällä.

Tekoäly kykenee havaitsemaan diabeettisen kroonisen munuaissairauden riskin analysoimalla verkkokalvon verisuonimuutoksia verkkokalvokuvista (6), lisäksi se auttaa diabeettisten jalkaongelmien ehkäisyssä ja haava-arvioinnissa (7).

Ruoan tunnistuksessa konenäköä (8) hyödyntävät useat sovellukset, kuten goFOOD, RXFood, SNAQ (9), SmartPlate, MyDietCam, DietSensor ja FoodLens. Lisäksi on olemassa useita muita ei-tutkittuja kaupallisia sovelluksia (Bitesnap, Calorie Mama, MyFitnessPal, SnackSnap, Foodvisor, Undermyfork, DiabTrend, DietCameraAI, jne.).

Ruokien tunnistamiseen ja ravitsemukseen keskittyvät sovellukset voivat helpottaa diabeteksen hoitoa, mutta niiden haasteita ovat ruokatietokantojen standardoinnin puute sekä vaikeudet tunnistaa ruokia ja arvioida ravintoaineita tarkasti (world.openfoodfacts.org, foodb.ca, fdc.nal.usda.gov). Ratkaisuiksi tarvitaan yhtenäisiä tietokantoja, yksilöllisiä ravitsemussuunnitelmia ja parempaa integraatiota terveydenhuollon kanssa.

Keskustelutyökalut tukevat omahoitoa

Tekoälypohjaiset keskustelutyökalut ovat virtuaalisia terveysvalmentajia diabetesta sairastaville ja riskiryhmille, esimerkiksi ChatGPT (11), Sweetch, Tess, Vaidya.ai (vaidya.ai) ja Maailman Terveysjärjestön S.A.R.A.H.-projekti (www.who.int/campaigns/s-a-r-a-h). Erityisesti diabetesta sairastaville ja esidiabeetikoille suunnattuja sovelluksia ovat Lark DPP ja BlueStar Welldoc.

Satunnaistetussa kliinisessä tutkimuksessa tarkasteltiin 32 aikuista tyypin 2 diabetesta sairastavaa, joka tarvitsivat basaali-insuliinin aloituksen tai insuliiniannoksen säätämistä. Ääneen perustuvaa keskustelevaa tekoälysovellusta käyttäneet tutkimuspotilaat tavoittivat optimaalisen insuliiniannoksen merkittävästi lyhyemmässä ajassa (mediaani 15 päivää vs. >56 päivää) ja pääsivät parempaan insuliinin käyttöasteeseen (83 % vs. 50 %) kuin tavanomaista hoitoa saaneet osallistujat.

Pelkkä puheentunnistus on ollut jo pitkään käytössä eri sovelluksissa, mutta tekoälyn käyttöä lääkärin vastaanoton kirjausavustajana pilotoidaan jo eri hyvinvointialueilla ja erikoisaloilla. Pohjois-Pohjanmaalla AIDocLog-niminen hanke kehittää sovellusta ChatGPT 4o -kielimallin ja Azuren puheentunnistuksen pohjalle. Länsi-Uudellamaalla pilotoidaan samoin toista hanketta ja uusia hankkeita syntyy mahdollisesti nopeasti muillakin hyvinvointialueilla.

Lähitulevaisuus voi mahdollistaa yksilöllisemmän hoidon

Yksilölliset hoitomallit kehittyvät edelleen: tekoäly analysoi jatkuvasti potilaan elämäntapoja, ruokavaliota, liikuntaa ja fysiologisia mittauksia voidakseen luoda täysin personoidun hoitosuunnitelman, joka voi sisältää räätälöityjä ravitsemussuosituksia, liikuntagraafeja ja lääkityssuunnitelmia.

Tekoälyn kehittyessä voimme odottaa merkittäviä edistysaskeleita useilla diabeteksen hoidon alueilla. Integroidut järjestelmät yhdistävät potilaan sähköisen sairauskertomuksen kliiniset tiedot, diagnostisten tutkimusten tulokset ja hoitovälineiden tiedot, kuten glukoosisensorit, insuliinipumput ja kehittyneet tekoälyalgoritmit yhdeksi saumattomaksi kokonaisuudeksi.

Riskipotilaan varhainen tunnistaminen, mahdollisimman yksilöllisesti valikoitu terapia ja seuranta voi osoittautua kustannustehokkaaksi hoitomuodoksi.

Monet tulevaisuuden teknologiat ovat vielä varhaisessa tutkimusvaiheessa, ja niiden kliininen validointi on kesken. Tekoälyn avulla voidaan esimerkiksi simuloida ja optimoida molekyylirakenteita huomattavasti perinteistä tutkimusta nopeammin.

Kehitteillä on nanoteknologiaan perustuvia glukoosisensoreita, jotka mahdollistaisivat jatkuvan, huomaamattoman ja minimaalisesti invasiivisen glukoosinseurannan. Ja tekoälyä hyödyntävät ”älyinsuliinit” pyrkivät säätelemään insuliinin vapautumista molekyylitasolla fysiologisemman vaikutuksen saavuttamiseksi. Nämä teknologiat ovat kuitenkin vielä kehitysvaiheessa, eikä niitä ole kliinisessä käytössä.

Yhteiskunta muuttuu – ihminen ei unohdu

Tekoälyn laajempi käyttöönotto diabeteksen hoidossa voi johtaa merkittäviin yhteiskunnallisiin muutoksiin. Terveydenhuollon resurssien käyttö tehostuu, kun rutiiniseuranta ja -päätökset automatisoituvat, jolloin terveydenhuollon ammattilaiset voivat keskittyä vaativampiin tapauksiin ja potilaiden kohtaamiseen.

Diabeteksen hoitokustannukset saattavat pienentyä tehokkaampien ja ennaltaehkäisevien hoitomuotojen myötä. Ennakoiva analytiikka mahdollistaa varhaiset puuttumiset, vähentää komplikaatioita ja sairauspoissaoloja. Potilaiden elämänlaatu voi parantua merkittävästi, kun hoito muuttuu saumattomammaksi osaksi arkea. Tämä edellyttää kuitenkin tekoälypohjaisten ratkaisujen laajaa saatavuutta.

Terveydenhuollon ammattilaiset voivat luottaa tekoälypohjaisiin työkaluihin liikaakin, verrattuna esimerkiksi perinteisiin katsausartikkeleihin. Tekoäly hyödyntää laajempaa aineistoa ilman inhimillistä arviointiharhaa, mutta sen luotettavuus riippuu kuitenkin enemmän lähdedatan laadusta ja sisällöstä kuin sen määrästä.

EU:n sääntely pyrkii pitämään innovaatiot, potilasturvallisuuden ja eettiset arvot tasapainossa diabeteksen hoidossa, mikä tuo tekoälyn soveltamiseen kolme keskeistä haastetta. Ensinnäkin EU:n yleinen tietosuoja-asetus (GDPR) asettaa tiukat vaatimukset terveystietojen käsittelylle, erityisesti tämä koskee jatkuvaa glukoosimonitorointia. Toinen haaste on algoritmien puolueettomuuden varmistaminen. Kolmanneksi automatisoidut hoitopäätökset, kuten insuliiniannosten säätö, nostavat esiin vastuukysymyksiä.

Tekoälyteknologioiden nopea kehitys muokkaa merkittävästi terveydenhuollon toimintamalleja ja hoitokäytäntöjä, ja on tärkeää pysyä ajan tasalla kehityksestä. Tekoälyn ja sen sovellusten laajeneminen diabeteksen hoidossa tarjoaa merkittäviä mahdollisuuksia hoidon laadun parantamiseen. Tehokas integraatio kliiniseen käytäntöön edellyttää jatkuvaa tutkimusta, koulutusta ja eettisten näkökohtien huolellista huomioimista.

Kirjallisuus

1. Nemat H, Khadem H, Eissa MR, ym. Blood Glucose Level Prediction: Advanced Deep-Ensemble Learning Approach. IEEE J Biomed Health Inform. 2022;26(6):2758-2769. doi:10.1109/JBHI.2022.3144870
2. Mader JK, Freckmann G, Forst T, ym. 1924-LB: Clinical Performance of a Novel CGM System. Diabetes. 2024;73(Supplement_1):1924-LB. doi:10.2337/db24-1924-LB
3. Joshi SR, Shamanna P, Dharmalingam M, ym. Digital Twin Intervention for Type 2 Diabetes: One-Year Outcomes of a Randomized Trial. Published online 2023. doi:10.2139/ssrn.4499693
4. Thomas A, Heinemann L. Algorithms for Automated Insulin Delivery: An Overview. J Diabetes Sci Technol. 2022;16(5):1228-1238. doi:10.1177/19322968211008442
5. Lim JI, Regillo CD, Sadda SR, ym. Artificial Intelligence Detection of Diabetic Retinopathy. Ophthalmology Science. 2023;3(1):100228. doi:10.1016/j.xops.2022.100228
6. Betzler BK, Chee EYL, He F, ym. Deep learning algorithms to detect diabetic kidney disease from retinal photographs in multiethnic populations with diabetes. Journal of the American Medical Informatics Association. 2023;30(12):1904-1914. doi:10.1093/jamia/ocad179
7. Khandakar A, Chowdhury MEH, Reaz MBI, ym. A Novel Machine Learning Approach for Severity Classification of Diabetic Foot Complications Using Thermogram Images. Sensors. 2022;22(11):4249. doi:10.3390/s22114249
8. Rahman LA, Papathanail I, Brigato L, ym. Food Recognition and Nutritional Apps. Published online 2023. doi:10.48550/ARXIV.2307.05372
9. Baumgartner M, Kuhn C, Nakas CT, ym. Carbohydrate Estimation Accuracy of Two Commercially Available Smartphone Applications vs Estimation by Individuals With Type 1 Diabetes: A Comparative Study. J Diabetes Sci Technol. Published online July 26, 2024:19322968241264744. doi:10.1177/19322968241264744
10. Lee YB, Kim G, Jun JE, ym. An Integrated Digital Health Care Platform for Diabetes Management With AI-Based Dietary Management: 48-Week Results From a Randomized Controlled Trial. Diabetes Care. 2023;46(5):959-966. doi:10.2337/dc22-1929
11. Ayers JW, Poliak A, Dredze M, ym. Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Intern Med. 2023;183(6):589. doi:10.1001/jamainternmed.2023.1838