Xəstəxanada insulin idarəetməsində süni intellektə hazır məlumat infrastrukturu, qlükoza ölçmələrini, insulin tətbiqlərini, zaman məlumatlarını və klinik konteksti etibarlı şəkildə bir-birinə bağlayaraq AI əsaslı qərar dəstəyinin təhlükəsiz istifadə oluna bilməsini təmin edən klinik-informatik təməldir. Bu Commentary, yeni bir süni intellekt modeli və ya klinik sınaq təqdim etmək əvəzinə xəstəxanalarda insulin idarəetməsinə yönəlmiş AI tətbiqlərinin niyə yalnız model dəqiqliyindən asılı olmadığını izah edir. Məqalənin əsas müddəası məlumatların parçalanmış olması, cihaz ekosistemləri ilə elektron sağlamlıq qeydlərinin bir-birindən ayrı qalması və klinik iş axınlarının kifayət qədər inteqrasiya edilməməsinin etibarlı AI istifadəsinin qarşısındakı başlıca maneələr olmasıdır.

Mənbə xəstəxanada insulin idarəetməsini iki əsas paradiqmaya ayırır. Cihaz vasitəsilə dozalamada insulin nasosları, avtomatlaşdırılmış insulin çatdırılma sistemləri və davamlı qlükoza monitorinq cihazları öz istehsalçı ekosistemlərində işləyir; qlükoza və insulin məlumatlarının mühüm hissəsi xüsusi inteqrasiya edilmədikcə elektron sağlamlıq qeydinə çatmaya bilər. Klinisist tərəfindən tətbiq olunan dozalamada isə insulin order-ları, dərman tətbiqi qeydləri, point-of-care qlükoza ölçmələri və digər klinik məlumatlar çox vaxt EHR daxilində olur; lakin müxtəlif modullara, zaman nöqtələrinə və komanda rollarına səpələndikləri üçün sürətli və bütöv qiymətləndirmə çətinləşə bilər.

Məqalənin mərkəzindəki Integration of Connected Diabetes Device Data into the Electronic Health Record (iCoDE), diabet cihazlarından gələn məlumatların klinik informasiya sistemlərinə standart və şərh edilə bilən şəkildə ötürülməsini təkmilləşdirməyə yönəlmiş çoxtərəfli standartlaşdırma və informatika təşəbbüsüdür. iCoDE-nin cihaz vasitəsilə həyata keçirilən qayğı yoluna birbaşa töhfəsi müxtəlif istehsalçılardan gələn insulin məlumatlarını ortaq məlumat modelində təmsil etmək və FHIR kimi mövcud qarşılıqlı işləmə standartları vasitəsilə EHR inteqrasiyasını dəstəkləməkdir. Klinisist tərəfindən tətbiq olunan insulin idarəetməsində isə eyni prinsiplər xəstəxana daxilində artıq mövcud olan məlumatların daha ardıcıl, izlənilə bilən və iş axınına hazır hala gətirilməsi üçün daha geniş informatika çərçivəsi təqdim edir.

Müəlliflər etibarlı xəstəxana insulin AI-sı üçün yalnız texniki məlumat inteqrasiyasının kifayət etmədiyini vurğulayırlar. Dəqiqlik, təkrar istehsal oluna bilmə, məxfilik və təhlükəsizlik, şəffaflıq, insan nəzarəti və ədalət; tətbiqdən əvvəl və sonra nəzərə alınmalı əsas xüsusiyyətlərdir. Məqalənin təklif etdiyi səkkiz mərhələli yol xəritəsi buna görə AI istifadəsinə birbaşa keçmək əvəzinə mövcud vəziyyəti qiymətləndirmə, məlumat qatını qurma, məlumat keyfiyyətini təmin etmə, klinik istifadə oluna bilməni təmin etmə, idarəetmə strukturunu qurma, dar istifadə ssenariləri ilə başlama, klinik meyarlarla qiymətləndirmə və sistemi davamlı izləyərək nəzarətli şəkildə miqyaslandırma ardıcıllığını izləyir.

Xəstəxanada İnsulin İdarəetməsində AI üçün Əsas Darboğaz Niyə Məlumat İnfrastrukturudur?

Xəstəxanada insulin idarəetməsində süni intellekt üçün əsas darboğaz yalnız modelin tövsiyə yaratmaq qabiliyyəti deyil; tələb olunan qlükoza, insulin, zamanlama, qidalanma və klinik vəziyyət məlumatlarının tam, qarşılıqlı işləyə bilən, zaman baxımından uyğunlaşdırılmış, mənbəyi izlənilə bilən və klinik iş axınında istifadə oluna bilən vahid bütövə çevrilə bilməməsidir.

Stasionar xəstədə insulin tələbatı sabit deyil. Kəskin xəstəlik, əməliyyat, qidalanma dəyişiklikləri, kortikosteroid istifadəsi və qayğı səviyyələri arasındakı keçidlər insulin həssaslığını dəyişə bilər. Eyni xəstənin dozalama qərarı bir gün ərzində bir neçə dəfə yenidən qiymətləndirilməli ola bilər.

Bu qərar üçün istifadə oluna biləcək məlumatlar müxtəlif sistemlərə səpələnmiş ola bilər:

• point-of-care qlükoza dəyərləri,
• davamlı qlükoza monitorinqi məlumatları,
• insulin order-ları,
• dərman tətbiqi qeydləri,
• qidalanma məlumatları,
• yaxın zamanda verilmiş insulinin miqdarı və vaxtı,
• xəstənin daha geniş klinik vəziyyəti.

Bir AI sisteminin bütün bu hissələri mənalı şəkildə istifadə edə bilməsi üçün yalnız strukturlaşdırılmış sahələrin mövcud olması kifayət deyil. Məlumatların hansı mənbədən gəldiyinin bilinməsi, zaman möhürlərinin uyğun olması, çatışmayan və ya gecikmiş məlumatların aşkar edilə bilməsi və klinisistin qərar zamanı bunları görə bilməsi lazımdır.

Bu tələb insulin üçün xüsusilə vacibdir; mənbə insulini xəstəxanada istifadə olunan ən yüksək riskli dərmanlardan biri kimi nəzərdən keçirir və doza, zamanlama və ya klinik kontekst şərhindəki səhvlərin sürətlə klinik nəticələrə səbəb ola biləcəyini vurğulayır.

Cihaz Vasitəsilə və Klinisist Tərəfindən Tətbiq Olunan İnsulin Dozalaması Arasındakı Məlumat Fərqi Nədir?

Cihaz vasitəsilə dozalamada kritik problem məlumatın mühüm hissəsinin nasos və ya avtomatlaşdırılmış insulin çatdırılma sisteminin istehsalçı ekosistemində EHR-dən kənarda qala bilməsidir; klinisist tərəfindən tətbiq olunan dozalamada isə tələb olunan məlumatların çoxu EHR daxilində mövcuddur, lakin müxtəlif qeyd modullarına və iş axınlarına səpələndiyinə görə zaman baxımından uyğun və klinik olaraq bütöv istifadəsi çətinləşə bilər.

Bu fərq vahid “xəstəxana insulin AI inteqrasiyası” həllinin bütün tətbiq mühitlərinə eyni şəkildə uyğun gəlməyəcəyini göstərir. Cihaz əsaslı sistemlərdə xarici məlumatın xəstəxana sisteminə gətirilməsi prioritet ola bilər, klinisist əsaslı sistemlərdə isə mövcud xəstəxana məlumatının mənalı zaman ardıcıllığına çevrilməsi daha böyük problem ola bilər.

iCoDE Xəstəxana İnsulin Süni İntellekti üçün Necə Təməl Yaradır?

iCoDE cihaz mənbəli diabet məlumatlarını ortaq şəkildə təmsil etməyə, mövcud qarşılıqlı işləmə standartları vasitəsilə EHR-yə ötürməyə və insulinlə qlükoza məlumatını klinik baxımdan şərh edilə bilən hala gətirməyə diqqət yetirərək AI əsaslı qərar dəstəyinin ehtiyac duyduğu etibarlı məlumat qatının qurulmasına töhfə verir.

iCoDE Diabetes Technology Society tərəfindən təşkil edilən çoxtərəfli təşəbbüsdür. Mənbəyə görə klinisistlər, tədqiqatçılar, cihaz istehsalçıları, EHR təminatçıları, dövlət qurumları və pasiyent nümayəndələri eyni məlumat inteqrasiyası problemini həll etmək üçün bu struktur daxilində bir araya gəlirlər.

Canonical insulin data model

Müxtəlif insulin cihazları eyni klinik hadisəni fərqli şəkildə qeyd edə və ya ixrac edə bilər. iCoDE-nin canonical insulin data model yanaşması istehsalçıya xas fərqləri uzlaşdıraraq cihazlar arasında daha ardıcıl təmsil təmin etməyi hədəfləyir.

Bu yanaşma AI baxımından vacibdir; çünki model eyni klinik anlayışla hər cihazda tamamilə fərqli məlumat strukturu şəklində qarşılaşarsa, təkrar istifadə oluna bilən və etibarlı məlumat xətti yaratmaq çətinləşir.

FHIR əsaslı qarşılıqlı işləyə bilmə

Mənbə iCoDE-nin mövcud Fast Healthcare Interoperability Resources (FHIR) standartına əsaslanan inteqrasiya yollarını inkişaf etdirdiyini bildirir. Burada məqsəd yalnız cihazdan fayl almaq deyil; məlumatı klinik sistemlərin anlaya və əlaqələndirə biləcəyi standart sağlamlıq məlumatı strukturuna çevirməkdir.

Insulin Dosing Profile

iCoDE-nin müəyyən etdiyi Insulin Dosing Profile, insulin tətbiqi məlumatları ilə CGM məlumatlarını bir səhifəlik klinik görünüşdə birlikdə təqdim etməyi hədəfləyən xülasələşdirmə yanaşmasıdır.

Bu dizaynın informatika baxımından əhəmiyyəti məlumat inteqrasiyasını yalnız arxa planda baş verən texniki proses kimi saxlamamasıdır. Məlumatın klinisist tərəfindən şərh edilə və qərar prosesinə yerləşdirilə bilməsi də inteqrasiyanın bir hissəsidir.

iCoDE-nin iki fərqli rolu

Cihaz vasitəsilə insulin idarəetməsində iCoDE-nin rolu daha birbaşadır: xarici cihaz məlumatının standartlaşdırılması və EHR-yə inteqrasiyası.

Klinisist tərəfindən tətbiq olunan insulin idarəetməsində isə iCoDE yeni məlumat mənbəyini xəstəxanaya gətirməkdən daha çox, artıq mövcud olan məlumatın necə təşkil ediləcəyinə dair daha geniş informatika modelini təmsil edir.

Buna görə mənbə iCoDE-ni xəstəxana insulin AI-sını təkbaşına həll edən sistem kimi təqdim etmir. iCoDE-nin dəyəri etibarlı AI-nın işləyə biləcəyi məlumat və iş axını şərtlərinin yaradılmasına töhfə verməsidir.

Etibarlı Xəstəxana İnsulin Süni İntellekti Hansı Şərtləri Tələb Edir?

Mənbəyə görə etibarlı xəstəxana insulin süni intellekti dəqiqlik və təkrar istehsal oluna bilmə ilə yanaşı məxfilik və təhlükəsizliyi, şəffaflığı, insan nəzarətini və ədaləti əhatə edən idarəetmə strukturuna, həmçinin tətbiqdən sonra drift və təhlükəsizlik performansının davamlı izlənməsinə ehtiyac duyur.

Model drift niyə vacibdir?

Model tətbiq olunduğu gün yaxşı işləsə belə xəstəxana iş axınları, məlumat mənbələri, cihazlar və ya pasiyent paylanması zamanla dəyişə bilər. Mənbə buna görə model performansının yalnız ilkin təsdiqləmə zamanı deyil, bütün istifadə müddətində izlənməsini tövsiyə edir.

Erkən tətbiq dövründə həftəlik nəzarət; performans sabitləşdikdən sonra aylıq və ya üç aylıq planlı baxış nümunə kimi verilir. Lakin mənbə bu fasilələri universal məcburiyyət kimi təqdim etmir. Faktiki nəzarət tezliyinin istifadə məqsədi, avtomatlaşdırma səviyyəsi və müəssisənin risk qiymətləndirməsinə görə yerli səviyyədə müəyyən edilməli olduğunu vurğulayır.

Bununla yanaşı hadisə əsaslı baxış tələb olunur. İnsulin idarəetməsinə giriş məlumatı verən sistemlərdə mühüm dəyişiklik, məlumat keyfiyyəti problemi, klinisist rəyi, təhlükəsizlik siqnalı və ya model tövsiyələri ilə klinik mühakimə arasındakı uyğunluğun pozulması müşahidə edilərsə, planlı nəzarət tarixini gözləmədən yenidən qiymətləndirmə aparılmalıdır.

Ədalət niyə yalnız alqoritm problemi deyil?

Model təlim və ya istifadə məlumatlarında mövcud olan bərabərsizlikləri mənimsəyə bilər. Mənbə insulin tələbatının və məlumatlara çıxışın pasiyent qrupları arasında insulin həssaslığı, qlisemik nümunələr, qidalanma, yanaşı xəstəliklər, qayğıya çıxış, sənədləşdirmə praktikaları və diabet texnologiyasından istifadə kimi amillərlə fərqlənə biləcəyini bildirir.

Buna görə təhlükəsiz yerləşdirmə yalnız “modeldə ayrı-seçkilik varmı?” sualı ilə məhdudlaşmır. Alt qrup təsdiqləməsi, müxtəlif təhlükəsizlik nəticələrinin izlənməsi, missingness və data latency-nin təqib edilməsi və performansın pasiyent qrupları arasında müqayisə edilməsi lazımdır.

Tədqiqatın Metodu və Nəticələri

Bu tədqiqat eksperimental araşdırma və ya yeni məlumat analizi deyil. Commentary tipli məqalə mövcud xəstəxana insulin idarəetməsi praktikalarını, daha əvvəl dərc edilmiş diabetes-device-data inteqrasiyası tədqiqatlarını, etibarlı tibbi AI ədəbiyyatını və iCoDE/iCoDE-2 yanaşmasını bir araya gətirərək konseptual və tətbiq yönümlü çərçivə formalaşdırır.

Buna görə tədqiqatda pasiyent sayı, təlim/təsdiqləmə/test məlumat bölməsi, model hiperparametrləri, p dəyərləri, etimad intervalları və ya yeni performans göstəricisi yoxdur. Mənbənin əsas elmi nəticələri kəmiyyət model müqayisəsindən daha çox bunlardır:

• iki fərqli xəstəxana insulin dozalama paradiqmasının informatika baxımından fərqləndirilməsi,
• iCoDE-nin bu iki paradiqmadakı fərqli rolu,
• etibarlı AI üçün zəruri idarəetmə şərtləri,
• xəstəxanaların AI üçün hazır hala gəlməsi üçün təklif olunan səkkiz mərhələli yol xəritəsi.

Səkkiz mərhələli AI-ready xəstəxana yol xəritəsi

Rəqəmsal yetkinlik səviyyəsinə görə başlanğıc nöqtəsi

Mənbə bütün xəstəxanaların eyni mərhələdən başlamalı olduğunu demir. Kağız protokollardan istifadə edən müəssisə əvvəlcə əsas insulin, qlükoza, qidalanma və klinik kontekst sahələrini strukturlaşdıra bilər.

EHR əsaslı order və medication administration infrastrukturu olan xəstəxana üçün növbəti prioritet zaman möhürlərinin uyğunlaşdırılması, provenance, məlumat keyfiyyəti yoxlamaları və insulin hərəkətləri ilə qlükoza cavablarını birlikdə göstərən klinik xülasələr ola bilər.

CGM, nasos, AID və ya xüsusi qlisemik idarəetmə platformalarından artıq istifadə edən daha yetkin müəssisə isə cihaz məlumatı inteqrasiyası və təsdiqlənməsindən sonra nümunə aşkarlama, risk təsnifatı, protokol dəstəyi və ya vizit öncəsi xülasələşdirmə kimi dar AI istifadə sahələrinə keçə bilər.

Tədqiqatın dəstəklədiyi nəticələr

Məqalə xəstəxana insulin süni intellektinin uğurunun yalnız model arxitekturasına endirilə bilməyəcəyini güclü şəkildə müdafiə edir. Etibarlı məlumat təmsili, zaman uyğunluğu, qarşılıqlı işləyə bilmə, klinik istifadə oluna bilmə və idarəetmə AI yerləşdirməsinin əsas komponentləridir.

Mənbə cihaz vasitəsilə və klinisist tərəfindən tətbiq olunan insulin idarəetməsində məlumat problemlərinin fərqli olduğunu göstərir. Birincidə xarici cihaz məlumatının EHR-yə inteqrasiyası, ikincidə isə mövcud EHR məlumatının birləşdirilməsi və klinik kontekstdə istifadə oluna bilən hala gətirilməsi ön plandadır.

iCoDE-nin ən birbaşa töhfəsi cihaz mənbəli diabet məlumatının standartlaşdırılması və EHR inteqrasiyasıdır. Eyni prinsiplər klinisist tərəfindən tətbiq olunan insulin idarəetməsində də məlumatların təşkili üçün daha geniş informatika çərçivəsi təmin edə bilər.

Müəlliflərin təklif etdiyi səkkiz mərhələli yol xəritəsi AI-ready yetkinliyin tək addımlı deyil, yığılan və mərhələli proses olduğunu açıq şəkildə göstərir.

Tədqiqatın dəstəkləmədiyi nəticələr

Məqalə hər hansı AI insulin dozalama modelinin pasiyentlərdə hipoqlikemiyanı, hiperqlikemiyanı, ölüm göstəricisini və ya xəstəxanada qalma müddətini azaltdığını birbaşa göstərmir.

iCoDE-nin istifadə edildiyi xəstəxanalarda klinik nəticələrin avtomatik yaxşılaşdığı və ya bütün AI sistemlərinin etibarlı hala gəldiyi göstərilməyib.

Mənbə müəyyən maşın öyrənməsi arxitekturasını digərlərindən üstün elan etmir. Tədqiqatın diqqət mərkəzi model seçimi deyil, modellərin təhlükəsiz şəkildə işləyə biləcəyi məlumat və idarəetmə mühitidir.

Səkkiz mərhələli yol xəritəsi randomizə edilmiş klinik tədqiqatla müqayisə olunmuş müdaxilə protokolu deyil; müəlliflərin ədəbiyyat və informatika təcrübəsindən inkişaf etdirdiyi tətbiq çərçivəsidir.

Həftəlik, aylıq və ya üç aylıq monitorinq nümunələri də bütün müəssisələr üçün sabit tənzimləyici məcburiyyət kimi təqdim edilmir. Nəzarət tezliyinin yerli risk, istifadə məqsədi və avtomatlaşdırma səviyyəsinə görə müəyyən edilməli olduğu xüsusi olaraq vurğulanır.

Mənbə və Metod Qeydi

Orijinal tədqiqat: From Device Data to Trusted Decision Support: Building the Foundation for AI in Hospital Insulin Management

Müəlliflər: Mandy M. Shao; Agatha F. Scheideman; Casey Rand; David C. Klonoff; Juan Espinoza.

Məsul müəllif: David C. Klonoff.

Qurumlar: Diabetes Technology Society, Burlingame, California, ABŞ; Stanley Manne Children’s Research Institute, Ann & Robert H. Lurie Children’s Hospital of Chicago, Illinois, ABŞ; Sutter Health Research Institute, Emeryville, California, ABŞ; Department of Diabetes & Endocrinology, Mills-Peninsula Medical Center, San Mateo, California, ABŞ.

Jurnal: Diabetology.

Nəşriyyat: MDPI.

Mənbə növü: Commentary; xəstəxana insulin idarəetməsində AI məlumat infrastrukturu, qarşılıqlı işləyə bilmə və idarəetməni qiymətləndirən akademik şərh/çərçivə məqaləsi.

Nəşr məlumatı: Diabetology 2026, cild 7, məqalə 99.

DOI: 10.3390/diabetology7050099

Göndərilmə: 3 aprel 2026.

Reviziya: 14 may 2026.

Qəbul: 18 may 2026.

Nəşr: 20 may 2026.

Lisenziya: Creative Commons Attribution (CC BY), açıq giriş.

Yeni məlumat/nümunə: Yoxdur. Məqalə yeni məlumat yaratmadığını və ya təhlil etmədiyini açıq şəkildə bildirir.

Yeni AI modeli: Yoxdur. Mənbə xəstəxana insulin AI-sı üçün məlumat və idarəetmə infrastrukturunu müzakirə edir; yeni model təlimi və ya müqayisəli alqoritm sınağı təqdim etmir.

İnstitusional etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Maliyyələşdirmə: Tədqiqat üçün xarici maliyyələşdirmə bildirilməyib.

Məlumatların əlçatanlığı: Yeni məlumat yaradılmadığı və ya təhlil edilmədiyi üçün məlumat paylaşımı tətbiq edilmir.

Maraqların toqquşması: David C. Klonoff Afon, Atropos Health, Embecta, Glooko, Glucotrack, Lifecare, Sanofi, Synchneuro və Thirdwayv üçün məsləhətçilik etdiyini bildirib. Juan Espinoza Helmsley Charitable Trust-dan maliyyə aldığını və Sanofi, Glooko və Dexcom üçün məsləhətçi olduğunu bildirib. Agatha F. Scheideman, Casey Rand və Mandy M. Shao açıqlanmalı maraqlarının olmadığını bildiriblər.

Müəllif töhfələri: Konseptuallaşdırma David C. Klonoff və Juan Espinoza tərəfindən həyata keçirilib. İlk qaralamanın hazırlanmasına Agatha F. Scheideman, Casey Rand, David C. Klonoff, Juan Espinoza və Mandy M. Shao töhfə verib. Nəzərdən keçirmə və redaktədə beş müəllifin hamısı iştirak edib.

Mərkəzi tətbiq çərçivəsi: iCoDE/iCoDE-2; diabet cihaz məlumatının standartlaşdırılması, canonical insulin data model, FHIR əsaslı qarşılıqlı işləyə bilmə və Insulin Dosing Profile.

Əsas elmi sərhəd: Bu məqalə klinik effektivlik sınağı deyil. Təklif olunan idarəetmə və infrastruktur prinsipləri etibarlı AI yerləşdirilməsi üçün çərçivə təqdim edir; pasiyent nəticələrində ölçülmüş yaxşılaşma və ya müəyyən AI alqoritminin üstünlüyü bu tədqiqatda sınanmayıb.

Terminologiya qeydi: Mənbənin abstract bölməsi iCoDE-ni standard kimi təsvir etdiyi halda əsas mətn iCoDE-ni çoxtərəfli project/initiative və informatika framework-u kimi izah edir. Verianla mətnində iCoDE bu iki istifadənin ortaq elmi nüvəsini qoruyacaq şəkildə standartlaşdırma və inteqrasiya təşəbbüsü/çərçivəsi kimi müəyyən edilib.

Verianla metod qeydi: Bu məzmun mənbə məqalənin cümlə-cümlə və ya abzas-abzas yaxın tərcüməsi deyil. Tədqiqatın iki insulin idarəetmə paradiqması, iCoDE məlumat inteqrasiyası yanaşması, etibarlı AI-nın altı idarəetmə xüsusiyyəti, post-deployment monitorinq tələbləri, ədalət müzakirəsi və səkkiz mərhələli xəstəxana yol xəritəsi elmi fakt və əlaqə səviyyəsində çıxarılıb; müstəqil Azərbaycan dilli elmi tədris strukturu daxilində yenidən təşkil edilib.

Tibbi istifadə sərhədi: Bu məzmun fərdi pasiyent üçün insulin dozası və ya müalicə tövsiyəsi deyil. Məqalənin mövzusu xəstəxana səviyyəsində məlumat infrastrukturu, klinik qərar dəstəyi və süni intellekt idarəetməsidir.