2025-07-14T14:22:00Z

---

Manajemen diabetes adalah tantangan harian yang dihadapi oleh hampir 40 juta orang Amerika. Proses ini meliputi pelacakan asupan makanan, pengaturan waktu pengobatan, serta keterlibatan dalam aktivitas fisik. Ketidakakuratan dalam hal ini dapat mengakibatkan masalah kesehatan yang serius; oleh karena itu, mengembangkan alat prediksi yang lebih baik adalah komponen penting dari perawatan diabetes yang efektif.

Untuk mendukung manajemen diabetes yang lebih baik, para peneliti yang didanai oleh beberapa hibah dari National Science Foundation AS sedang mengembangkan alat inovatif yang membantu pasien memprediksi tingkat gula darah dengan lebih tepat tanpa mengorbankan privasi data kesehatan mereka. Pendekatan mutakhir ini berpotensi mengubah cara orang dengan diabetes memantau dan mengelola kondisi mereka secara real time.

Pusat dari teknologi ini adalah metode yang disebut pembelajaran terdistribusi (federated learning), yang memungkinkan model kecerdasan buatan (AI) dilatih di berbagai perangkat pasien tanpa mengirimkan data pribadi ke server pusat. Pengaturan ini sangat ideal untuk bidang kesehatan, di mana privasi data sangat penting dan pasien sering menggunakan perangkat cerdas yang terbatas dalam daya baterai dan memori. Namun, sistem pembelajaran terdistribusi awalnya mengalami kesulitan untuk beradaptasi dengan perbedaan individu, seperti bagaimana orang makan, bergerak, atau bereaksi terhadap insulin.

Untuk mengatasi tantangan ini, tim peneliti mengelompokkan pasien berdasarkan tingkat asupan karbohidrat (seperti gula dan pati). Ide di baliknya adalah bahwa orang-orang yang memiliki pola makan yang serupa cenderung menunjukkan pola gula darah yang mirip. Dengan melatih AI pada perilaku yang dikelompokkan ini, model menjadi lebih efektif dalam membuat prediksi glukosa darah yang dipersonalisasi.

Untuk menguji pendekatan mereka, tim mengevaluasi dua model pembelajaran mesin menggunakan data yang dihasilkan dari simulator diabetes Tipe 1 yang disetujui FDA. Seiring dengan bertambahnya data yang disimulasikan, akurasi model semakin meningkat. Yang menarik, bahkan dengan input terbatas, sistem ini dapat membangun model yang dipersonalisasi - suatu keuntungan penting bagi pasien yang baru didiagnosis atau mereka yang baru mulai menggunakan alat digital untuk mengelola perawatan mereka.

Karenanya, sistem AI tradisional biasanya memerlukan pengumpulan sejumlah besar data di lokasi pusat, yang dapat menimbulkan risiko privasi, terutama saat menangani informasi kesehatan yang sensitif. Pembelajaran terdistribusi menawarkan solusi yang baik di bidang ini. Ia menjaga data pribadi di perangkat masing-masing individu - seperti ponsel atau sensor yang dapat dikenakan - dan hanya membagikan pembelajaran model, tanpa data mentah. Ini melindungi privasi pasien sambil tetap memungkinkan sistem untuk berkembang seiring waktu.

Sementara hasil awal menjanjikan, para peneliti mencatat bahwa model masih bergantung pada data asupan makanan yang rinci - sesuatu yang tidak semua pasien dapat dengan mudah berikan. Mereka berencana untuk memperluas sistem mereka agar mencakup faktor lain seperti olahraga dan pengobatan, serta menguji dengan kelompok pasien yang lebih besar. Dalam jangka panjang, para peneliti berharap dapat memperluas pendekatan AI yang dipersonalisasi dan menjaga privasi ini untuk kondisi kronis lainnya seperti penyakit jantung atau asma, di mana perawatan yang dipersonalisasi juga sangat penting.

Dengan diabetes yang menghabiskan lebih dari $300 miliar setiap tahun bagi ekonomi AS, inovasi yang memungkinkan intervensi lebih awal dan perawatan yang dipersonalisasi dapat menurunkan biaya jangka panjang dan meningkatkan hasil kesehatan populasi.

Proyek ini menyoroti bagaimana investasi publik dalam penelitian mutakhir mendorong inovasi yang tidak hanya bermanfaat bagi pasien individu tetapi juga untuk seluruh sistem kesehatan AS.