Personalisering af selvledelse i diabetes - Pilotundersøgelse

Voksende evidens fremhæver betydelige forskelle i individers fysiologi og glykæmiske funktion og deres kulturelle, sociale og økonomiske forhold, der påvirker diabetes selvledelse. Disse opdagelser banede vejen for præcisionsmedicin - en tilgang til at tilpasse medicinsk behandling til en persons genetiske sammensætning, kliniske historie og livsstil. Beregningsmæssige læringsmetoder er med succes blevet brugt til at identificere kliniske fænotyper-observerbare manifestationer af sygdomme. Undersøgelser viste fordelene ved at skræddersy ikke kun medicinsk behandling, men også adfærdsmæssige interventioner; skræddersyet bygger dog typisk på ekspertidentifikation af skræddersyvariabler og beslutningsregler og på standardundersøgelser. Data indsamlet med selvovervågning kan mere præcist afspejle en persons adfærd og glykæmiske mønstre, og dermed fremhæve deres "adfærdsfænotyper", men sådanne data bliver sjældent brugt i skræddersyet.

Det igangværende fokus i denne forskning er på at lette problemløsning i diabetes selvledelse. Veludviklede problemløsningsevner er afgørende for diabeteshåndtering, hvilket resulterer i bedre diabetesegenomsorgsadfærd fører til forbedringer i kliniske resultater og kan fremmes med ansigt-til-ansigt-interventioner. Tidligere forskning foreslog problemidentifikation og generering af alternativer som kritiske trin i problemløsning ved diabetes. I tidligere arbejde udviklede efterforskerne en informatikintervention, der var baseret på ekspertgenereret viden til at hjælpe enkeltpersoner med disse trin af problemløsning. I denne pilotgennemførlighedsundersøgelse studerer efterforskerne en alternativ løsning, der er afhængig af beregningsmønsteranalyse af data indsamlet med selvovervågningsteknologier for at skræddersy problemløsningshjælpen til individers unikke adfærdsfænotyper. Interventionen, GlucoType bruger beregningsmæssige læringsmetoder til at identificere systematiske mønstre i individers kost, fysiske aktivitet og søvn, fanget med specialbyggede og kommercielle selvovervågningsteknologier, og korrelerer disse mønstre med udsving i individers blodsukkerniveauer. GlucoType bruger derefter disse oplysninger til at 1) identificere adfærdsmønstre forbundet med høj glykæmisk ekskursion, 2) formulere personlige mål for at ændre denne adfærd, 3) yde beslutningsstøtte i øjeblikket for at hjælpe individer med at blive mere konsekvente i at nå deres mål.