Ainda há um longo caminho para a tecnologia de diabetes com IA. Sob ambos Estados Unidos e Reino Unido regulamentos de dispositivos médicos, sistemas automatizados de administração de insulina comercialmente disponíveis – sem IA – se enquadram na classe de risco mais alta. Os sistemas baseados em IA estão nos estágios iniciais de desenvolvimento, então as conversas sobre como eles devem ser regulados estão apenas começando.
O experimento de Emerson foi totalmente virtual – testar a administração de insulina assistida por IA em pessoas levanta uma série de preocupações de segurança. Em uma situação de vida ou morte, como a dosagem de insulina, dar controle a uma máquina pode ser arriscado. “Pela natureza do aprendizado, você pode absolutamente dar um passo na direção errada”, diz Marc Breton, professor do Centro de Tecnologia de Diabetes da Universidade da Virgínia, que não esteve envolvido neste projeto. “Um pequeno desvio da regra anterior pode criar grandes diferenças na saída. Essa é a beleza disso, mas também é perigoso.”
Emerson se concentrou no aprendizado por reforço, ou RL, uma técnica de aprendizado de máquina baseada em tentativa e erro. Nesse caso, o algoritmo foi “recompensado” por bom comportamento (atingir uma meta de glicose no sangue) e “punido” por mau comportamento (deixar o nível de açúcar no sangue subir ou descer demais). Como a equipe não pôde testar em pacientes reais, eles usaram o aprendizado de reforço offline, que se baseia em dados coletados anteriormente, em vez de aprender na hora.
Seus 30 pacientes virtuais (10 crianças, 10 adolescentes e 10 adultos) foram sintetizados pelo Simulador de diabetes tipo 1 UVA/Pádua, um substituto aprovado pela Food and Drug Administration para testes pré-clínicos em animais. Depois de treinar offline com o equivalente a sete meses de dados, eles deixaram RL assumir a dosagem de insulina dos pacientes virtuais.
Para ver como ele lidou com os erros da vida real, eles o submeteram a uma série de testes projetados para imitar falhas do dispositivo (dados ausentes, leituras imprecisas) e erros humanos (cálculo incorreto de carboidratos, horários irregulares das refeições) – testes que a maioria dos pesquisadores sem diabetes não pensaria para correr. “A maioria dos sistemas considera apenas dois ou três desses fatores: a glicemia atual, a insulina que foi dosada anteriormente e os carboidratos”, diz Emerson.
O RL offline lidou com sucesso com todos esses casos extremos desafiadores no simulador, superando os atuais controladores de última geração. As maiores melhorias surgiram em situações em que alguns dados estavam ausentes ou imprecisos, simulando situações como aquelas em que alguém se afasta demais do monitor ou esmaga acidentalmente o CGM.
Além de reduzir o tempo de treinamento em 90% em comparação com outros algoritmos de RL, o sistema manteve os pacientes virtuais em sua meta de glicose no sangue uma hora a mais por dia do que os controladores comerciais. Em seguida, a Emerson planeja testar a RL off-line em dados coletados anteriormente de real pacientes. “Uma grande porcentagem de pessoas com diabetes (nos EUA e no Reino Unido) tem seus dados continuamente registrados”, diz ele. “Temos essa grande oportunidade de aproveitá-la.”
Mas traduzir a pesquisa acadêmica para dispositivos comerciais requer a superação de barreiras regulatórias e corporativas significativas. Breton diz que, embora os resultados do estudo sejam promissores, eles vêm de pacientes virtuais – e um grupo relativamente pequeno deles. “Aquele simulador, por mais incrível que seja, representa uma pequena fatia de nossa compreensão do metabolismo humano”, diz ele. A lacuna entre os estudos de simulação e a aplicação no mundo real, continua Breton, “não é intransponível, mas é grande e necessária”.
O pipeline de desenvolvimento de dispositivos médicos pode parecer terrivelmente parado, especialmente para aqueles que vivem com diabetes. O teste de segurança é um processo lento e, mesmo depois que novos dispositivos chegam ao mercado, os usuários não têm muita flexibilidade, devido à falta de transparência de código, acesso a dados ou interoperabilidade entre os fabricantes. Existem apenas cinco pares de bombas CGM compatíveis no mercado dos EUA, e eles podem ser caros, limitando o acesso e a usabilidade para muitas pessoas. “Em um mundo ideal, haveria toneladas de sistemas”, permitindo que as pessoas escolhessem a bomba, o CGM e o algoritmo que funcionasse para eles, diz Dana Lewis, fundadora do movimento de sistema de pâncreas artificial de código aberto (OpenAPS). “Você seria capaz de viver sua vida sem pensar muito em diabetes.”
