Il y a encore un long chemin vers la technologie du diabète propulsé par l'IA. Sous les deux États-Unis et Royaume-Uni Les réglementations des dispositifs médicaux, les systèmes de livraison automatisés d'insuline disponibles dans le commerce – sans IA – se compensent dans la classe le plus à risque. Les systèmes axés sur l'IA sont dans les premiers stades du développement, donc les conversations sur la façon dont elles devraient être réglementées ne font que commencer.

L'expérience d'Emerson était entièrement virtuelle – testant la livraison d'insuline assistée par l'IA chez les personnes soulève une multitude de problèmes de sécurité. Dans une situation de vie ou de mort comme le dosage de l'insuline, donner le contrôle d'une machine pourrait être risqué. «Par la nature de l'apprentissage, vous pouvez absolument faire un pas dans la mauvaise direction», explique Marc Breton, professeur à la technologie du Centre de diabète de l'Université de Virginie qui n'était pas impliquée dans ce projet. «Un petit écart par rapport à la règle antérieure peut créer des différences massives dans la sortie. C'est la beauté de celui-ci, mais c'est aussi dangereux. »

Emerson s'est concentré sur l'apprentissage du renforcement, ou RL, une technique d'apprentissage automatique basée sur des essais et des erreurs. Dans ce cas, l'algorithme a été «récompensé» pour un bon comportement (atteindre une cible de glycémie) et «puni» pour un mauvais comportement (laisser la glycémie de devenir trop élevée ou faible). Parce que l'équipe n'a pas pu tester sur de vrais patients, ils ont utilisé l'apprentissage du renforcement hors ligne, qui s'appuie sur des données précédemment collectées, plutôt que l'apprentissage à la volée.

Leurs 30 patients virtuels (10 enfants, 10 adolescents et 10 adultes) ont été synthétisés par le Simulateur de diabète de type 1 UVA / PADOVAun remplacement approuvé par la Food and Drug Administration pour les tests précliniques chez les animaux. Après une formation hors ligne sur l'équivalent de sept mois de données, ils permettent à RL de prendre le contrôle du dosage de l'insuline des patients virtuels.

Pour voir comment il a géré les erreurs réelles, ils l'ont mis à travers une série de tests conçus pour imiter les défauts de l'appareil (données manquantes, lectures inexactes) et les erreurs humaines (mal calculation des glucides, des repas irréguliers) – les tests de la plupart des chercheurs sans diabète ne penseraient pas à fonctionner. «La majorité des systèmes ne considèrent que deux ou trois de ces facteurs: leur glycémie actuelle, l'insuline qui a été dosée auparavant et les glucides», explique Emerson.

Offline RL a géré avec succès tous ces cas de bord difficile dans le simulateur, surpassant les contrôleurs de pointe actuels. Les plus grandes améliorations sont apparues dans des situations où certaines données manquaient ou inexactes, simulant des situations comme celles lorsque quelqu'un s'éloigne trop de son moniteur ou écrase accidentellement leur CGM.

En plus de réduire le temps de formation de 90% par rapport à d'autres algorithmes RL, le système a maintenu les patients virtuels dans leur gamme de glycémie cible une heure de plus par jour que les contrôleurs commerciaux. Ensuite, Emerson prévoit de tester la RL hors ligne sur les données précédemment collectées réel patients. «Un grand pourcentage de personnes atteintes de diabète [in the US and UK] Demandez à leurs données d'enregistrer continuellement », dit-il. «Nous avons cette excellente occasion d'en profiter.»

Mais la traduction de la recherche universitaire en dispositifs commerciaux nécessite de surmonter des obstacles réglementaires et d'entreprises importants. Breton dit que même si les résultats de l'étude sont prometteurs, ils proviennent de patients virtuels – et d'un groupe relativement petit. «Ce simulateur, aussi impressionnant qu'il soit, représente un petit ruban de notre compréhension du métabolisme humain», dit-il. L'écart entre les études de simulation et l'application du monde réel, le Breton poursuit, «n'est pas incontrôlable, mais c'est grand et c'est nécessaire.»

Le pipeline de développement des dispositifs médicaux peut se sentir exaspérément au point mort, en particulier pour ceux qui vivent avec le diabète. Les tests de sécurité sont un processus lent, et même après l'arrivée du marché de nouveaux appareils, les utilisateurs n'ont pas beaucoup de flexibilité, grâce à un manque de transparence de code, d'accès aux données ou d'interopérabilité entre les fabricants. Il n'y a que cinq paires de pompes CGM compatibles sur le marché américain, et ils peuvent être chers, limitant l'accès et la convivialité pour de nombreuses personnes. «Dans un monde idéal, il y aurait des tonnes de systèmes», laissant les gens choisir la pompe, le CGM et l'algorithme qui fonctionne pour eux, explique Dana Lewis, fondatrice du mouvement du système artificiel du pancréas artificiel open source (Ouverte). «Vous pourriez vivre votre vie sans penser autant au diabète.»