Toen ik me begon te verdiepen in de toekomst van artificiële intelligentie (AI) in diabetestechnologie,

bleek al snel dat AI al diep geïntegreerd is in de tools die we vandaag de dag gebruiken.

Bijvoorbeeld,

• Glucosesensoren maken op dit moment gebruik van AI om voorspellende waarschuwingen te geven en patronen in glucosegegevens te herkennen.
• Hoewel veel closed-loop systemen voornamelijk vertrouwen op traditionele controlealgoritmen die niet als AI worden beschouwd, zijn er enkele uitzonderingen. Systemen zoals de MiniMed 780G maken gebruik van een type AI dat Fuzzy Logic wordt genoemd, en andere, zoals iLet, DBLG1 en CamAPS FX, maken gebruik van adaptieve leeralgoritmen.
• Zelfs de activiteitstrackers die velen van ons om hun pols dragen, maken gebruik van AI om ruwe bewegingsgegevens om te zetten in zinvolle meetgegevens zoals het aantal stappen.

De rol van AI houdt hier niet op: AI wordt ook steeds vaker gebruikt bij de preventie, diagnose en behandeling van diabetes.

Tegenwoordig vind je meer artikels over AI-gebaseerde diabetesoplossingen dan artikels die zich richten op niet-AI-benaderingen.

In deze blog zal ik de verschillende manieren waarop AI wordt gebruikt in de diabeteszorg bespreken op basis van specifieke AI-technieken.

Het is daarbij belangrijk om te weten dat veel AI-systemen en diabetestechnologieën gebruikmaken van een combinatie van meerdere AI-technieken.

Het doel van deze blog is om je te helpen deze verschillende AI technieken te begrijpen, alsook hoe ze worden gebruikt in geavanceerde diabetesoplossingen.

Inzicht in de belangrijkste AI-technieken

(Afbeelding aangepast van Col Jung)

Om te begrijpen hoe AI de diabeteszorg verandert, is het handig om de belangrijkste soorten AI en hun werking te begrijpen.

Hier volgt een eenvoudig overzicht van de belangrijkste AI-technieken:

Articifiële Intelligentie (AI):

Bij AI voeren machines taken uit waarvoor normaal menselijke intelligentie nodig is, zoals het begrijpen van taal, het herkennen van beelden of het nemen van beslissingen.

AI omvat een reeks methoden, van eenvoudige regelgebaseerde systemen tot complexere leeralgoritmen.

Machine Learning (ML):

ML is een onderdeel van AI waarbij computers leren van gegevens om voorspellingen of beslissingen te maken zonder expliciet geprogrammeerd te zijn.

In plaats van vaste regels te volgen, vinden ze patronen in de gegevens en worden ze na verloop van tijd beter.

Er zijn 3 hoofdtypen machine learning:

• Supervised Learning: Algoritmen die leren van gelabelde gegevens.
• Unsupervised Learning: Algoritmen die leren van ongelabelde gegevens. 
• Reinforcement Learning: Algoritmen die leren door interactie met een omgeving om een beloning te maximaliseren.

In dit diagram vind je de meest gebruikte specifieke algoritmen van de verschillende soorten machine learning:

Deep Learning (DL):

DL is een vorm van machine learning die neurale netwerken met veel lagen gebruikt om te leren van grote hoeveelheden gegevens.

Het is vooral goed in het verwerken van complexe taken zoals het herkennen van gezichten op foto's of het begrijpen van gesproken taal.

Veelgebruikte algoritmes zijn:

• Convolutional Neural Networks (CNN's): Zeer geschikt voor het herkennen van objecten in afbeeldingen.
• Recurrent Neural Networks (RNN's): Goed voor het begrijpen van reeksen, zoals tekst of spraak.
• Long Short-Term Memory (LSTM): Een type RNN dat bijzonder goed is in het onthouden van informatie over langere perioden, handig bij taken als taalvertaling en spraakherkenning.

(Afbeelding > Youssef Fenjiro)

Natural Language Processing (NLP):

NLP is een tak van AI die computers helpt menselijke taal, zoals Engels of Spaans, te begrijpen en ermee te werken.

Het wordt gebruikt in chatbots, vertaaldiensten en spraakassistenten, waardoor computers kunnen lezen, luisteren en zelfs praten.

Computer Vision:

Computer vision is een gebied van AI dat computers in staat stelt om afbeeldingen of video's te "zien" en te begrijpen.

Het gaat om taken zoals het identificeren van objecten in een afbeelding, het herkennen van gezichten of het detecteren van bewegingen, waarbij zowel traditionele technieken als moderne AI-methoden zoals deep learning worden gebruikt.

Generatieve AI:

Generatieve AI verwijst naar AI-systemen die nieuwe inhoud creëren, zoals tekst, afbeeldingen, muziek of zelfs code.

Deze systemen genereren iets nieuws op basis van patronen die ze hebben geleerd van bestaande gegevens.

Een generatieve AI kan bijvoorbeeld een essay schrijven, een kunstwerk maken of muziek componeren die voorheen niet bestond.

Large Language Models (LLM's):

LLM's zijn een type AI-model dat is getraind op enorme hoeveelheden tekstgegevens om tekst zoals die van mensen te begrijpen en te genereren.

Ze kunnen een groot aantal taalgerelateerde taken uitvoeren, zoals vragen beantwoorden, artikelen samenvatten en zelfs gesprekken voeren.

Voorbeelden zijn GPT-3 en GPT-4.

AI-combinaties:

Veel AI-systemen gebruiken een combinatie van verschillende ML-technieken om hun modellen te trainen.

(Afbeelding > Youssef Fenjiro)

Bijvoorbeeld GPT-4:

• Eerst werd het voorgetraind op een enorme hoeveelheid tekstgegevens van het internet met behulp van unsupervised learning, waardoor het een breed scala aan onderwerpen kon begrijpen en genereren.
• Daarna werd het verfijnd op gelabelde conversatiegegevens door middel van supervised learning, waardoor het relevantere en nauwkeurigere reacties in conversaties kon genereren.
• Tot slot werden de prestaties bijgeschaafd met behulp van reinforcement learning, waarbij menselijke feedback van OpenAI-onderzoekers helpt om de kwaliteit van de gegenereerde reacties te verbeteren.

Aan het einde van dit proces is de AI geëvolueerd tot wat we kennen als ChatGPT, in staat om intelligente en contextbewuste gesprekken te voeren.

Voorbeelden van hoe AI wordt gebruikt in de diabeteszorg

1. Voorbeelden van Supervised Machine Learning

1.1 Glucosevoorspelling:

• Supervised machine learning en deep learning algoritmen hebben bewezen zeer nuttig te zijn voor glucosevoorspelling (IEEE 2022)
• De Accu-Chek SmartGuide CGM zal de eerste CGM zijn die een gedetailleerde glucosevoorspelling over 2 uur en een berekening van het nachtelijke risico op hypoglykemie biedt, beide gebaseerd op AI.

1.2 Maaltijd- en voedingsvoorspelling:

• AI kan helpen voorspellen hoe je glucose zal reageren op maaltijden, wat leidt tot meer gepersonaliseerd voedingsadvies voor mensen met diabetes (bijv,  Glucura (JDST 2024), Una, Fitterfly (JMIR Diabetes 2023) en Twin Health (Lancet 2023).
• Gepersonaliseerde voeding op basis van CGM wordt ook gepromoot voor mensen zonder diabetes Signos (DTT 2024), Levels, Veri, January AI, Zoe (Nature Medicine 2024), Nutrisense, Ultrahuman), hoewel er enige controverse bestaat rond deze "precisievoeding" (Lancet 2024).

1.3 Diabetes voorspellen:

• AI kan helpen bij het voorspellen van prediabetes & diabetes voorspellen met behulp van CGM-gegevens (DTT 2024), zwangerschapsdiabetes voorspellen met behulp van CGM-gegevens (JDST 2024) of zelfs diabetes voorspellen met behulp van een selfie (Nature 2020).
• AI kan ook helpen bij het voorspellen van glucosewaarden op basis van niet-invasieve wearables zoals Know Labs (DTT 2024), of gecombineerde wearables zoals Garmin & Empathica (Diabetes Care 2023).

2. Voorbeelden van Unsupervised Machine Learning

2.1 Risicoclusters identificeren:

• AI kan mensen met een risico op type 1 diabetes groeperen in clusters, wat inzicht biedt in hun waarschijnlijkheid van ziekteprogressie (medRxiv 2023).
• Het kan ook mensen met diabetes type 1 (Diabetes Research and Clinical Practice 2024), diabetes type 2 (Lancet 2018, Lancet 2019, BMJ Open Diabetes Res Care 2020) en zwangerschapsdiabetes (Diabetologia 2024) onderverdelen in clusters, om hun risico op complicaties beter te begrijpen en in de toekomst misschien een meer gepersonaliseerde behandeling aan te bieden. 

2.2 Glucotypes:

• AI identificeerde drie "glucotypes" op basis van glycemische variabiliteit bij mensen zonder diabetes (Plos Biology 2018), hoewel er veel discussie is over de klinische relevantie hiervan (Diabetic Medicine 2024, Klinische voeding 2024)

3. Voorbeelden van Reinforcement Machine Learning

3.1 Beslissingen over insulinedosering:

• AI helpt bij het verbeteren van insulinedoseringsbeslissingen met tools zoals d-nav (DTT 2024)
• Andere AI-gebaseerde algoritmen voor insulinedosering zijn Dreamed Advisor PRO (Nature 2020),PEPPER (DTT 2021) en ABC4D (DTT 2023) - hoewel het type of de techniek van AI niet altijd wordt verduidelijkt.

3.2 Therapy Decision Support:

• AI helpt ook bij het optimaliseren van gezondheidscoaching, bijvoorbeeld het aanmoedigen van een betere naleving van behandelplannen (JMIR Form 2022), en het verbeteren van de naleving van lichaamsbeweging bij mensen met diabetes (Digit Health 2022).

4. Computer Vision

4.1 Screening op diabetische complicaties:

• AI wordt gebruikt bij de screening op diabetische retinopathie, zowel met speciale camera's (Curr Opin Ophthalmol 2023) als smartphones (bijv. Remidio (JAMA Ophtalmol 2019))
• AI kan ook worden gebruikt om diabetische chronische nierziekte te identificeren op basis van netvliesbeelden (JAMIA 2023)
• Het helpt ook bij diabetische voetpreventie en beoordeling van voetwondes (Sensors 2022)

4.2 Voedselherkenning

• Verschillende apps gebruiken AI voor voedselherkenning met behulp van de camera van je telefoon:  Bitesnap, Calorie Mama, MyFitnessPal, SnackSnap, Foodvisor, Undermyfork, DiabTrend, DieetCameraAI, goFOOD (Sci Rep 2022), RXFood (JMIR 2020), SNAQ (DTT 2024), SmartPlate (Sensors 2023), MyDietCam (Digit Health 2023), Dieetsensor (Sensors 2020), PASTA en FoodLens (Diabetes Care 2023).

4.3 Diabetes opsporen:

• AI kan zelfs diabetes detecteren uit netvliesbeelden (Nature 2021), oogoppervlaktebeelden (Med-X 2023) en thermische gezichtsbeelden (Cell Metabolism 2024).

5. Natural Language Processing / Generative AI

5.1 Virtuele gezondheidscoaches:

• AI-gestuurde gesprekstools helpen mensen met of zonder diabetes bij hun zorgverlening. Voorbeelden zijn ChatGPT (JAMA 2023, JDST 2024), Ada Health (JMIR 2022), Thrive AI Health, Sweetch (J Med Internet Res 2018), Tess (Transl Behav Led 2019), Vaidya.ai (Newsitem 2024) en S.A.R.A.H.
• Voor mensen met (pre)diabetes zijn voorbeelden Lark DPP (Digit Health 2022),Vitadio (Voedingsstoffen 2022), en BlueStar Welldoc (JMIR Diabetes 2023)

5.2 Insulinebeheer:

• Er is een basale-insulinetitratiesoftware beschreven die gebruikmaakt van conversationele AI (JAMA 2023).

5.3 Ondersteuning van de gezondheidszorg:

• AI kan zorgverleners helpen door elektronische patiëntendossiers samen te vatten, klinische documentatie te maken, zeldzame ziekten op te sporen en ondersteuning te bieden bij het nemen van beslissingen.

De toekomst: Uitdagingen en kansen

Naarmate AI zich blijft ontwikkelen, kunnen we meer gepersonaliseerde behandelingen voor diabetes verwachten, wat leidt tot betere glucosecontrole en betere gezondheidsresultaten.

Het ultieme doel in de diabetestechnologie is de ontwikkeling van een volledig closed-loop systeem, waarbij de insulinetoediening volledig wordt geautomatiseerd. 😍

Er zijn echter uitdagingen die overwonnen moeten worden.

• AI in de gezondheidszorg moet veilig, betrouwbaar en transparant zijn.
• Onderzoek op dit gebied moet zich ook richten op de ethische implicaties van AI en ervoor zorgen dat het toegankelijk is voor iedereen, ongeacht hun achtergrond of locatie.

Een ander probleem is dat AI-modellen vaak lijken op "zwarte dozen", waardoor het moeilijk te begrijpen is hoe ze beslissingen nemen.

Om vertrouwen op te bouwen, moeten AI-systemen duidelijke uitleg geven over hun beslissingen.

Het is cruciaal dat we AI-systemen ontwikkelen die gemakkelijk te begrijpen en te vertrouwen zijn, zodat zowel patiënten als zorgverleners vertrouwen hebben in het gebruik van deze geavanceerde hulpmiddelen.

Door ons begrip van AI en de toepassingen ervan in de diabeteszorg voortdurend uit te breiden, kunnen we de kwaliteit van de zorg voor mensen met diabetes aanzienlijk verbeteren.

AI verandert de wereld snel (volgens sommigen te snel).

Het beste wat je kunt doen is op de hoogte blijven zodat je er voorop kunt blijven zitten.

Call to action: Als je meer wilt weten over AI in de diabeteszorg, schrijf je dan in op onze e-maillijst.

We zullen binnenkort meer online educatieve sessies voor diabetologen en diabeteseducators aankondigen, met het volgende evenement gepland voor 21 oktober om 19.00 uur CEST.

Save the date!

Veel groetjes,