Miundombinu ya data iliyo tayari kwa akili bandia katika usimamizi wa insulini hospitalini, ni msingi wa kliniki na informatiksi unaounganisha kwa kuaminika vipimo vya glukosi, utoaji wa insulini, taarifa za muda na muktadha wa kliniki ili kuwezesha matumizi salama ya usaidizi wa maamuzi unaotegemea AI. Commentary hii, badala ya kuwasilisha modeli mpya ya akili bandia au jaribio la kliniki, inaeleza kwa nini matumizi ya AI katika usimamizi wa insulini hospitalini hayategemei usahihi wa modeli pekee. Hoja kuu ya makala ni kwamba data iliyogawanyika, mifumo ikolojia ya vifaa kutenganishwa na rekodi za afya za kielektroniki, na kutounganishwa vya kutosha kwa mtiririko wa kazi za kliniki ni miongoni mwa vizuizi vikuu vya matumizi ya AI yanayoaminika.

Chanzo kinagawanya usimamizi wa insulini hospitalini katika dhana kuu mbili. Katika utoaji wa dozi unaoendeshwa kupitia kifaa pampu za insulini, mifumo ya utoaji wa insulini kiotomatiki na vifaa vya ufuatiliaji endelevu wa glukosi hufanya kazi ndani ya mifumo ikolojia ya watengenezaji wake; sehemu kubwa ya data ya glukosi na insulini huenda isifikie rekodi ya afya ya kielektroniki isipounganishwa mahsusi. Katika utoaji wa dozi unaotekelezwa na klinisiani order za insulini, rekodi za utoaji wa dawa, vipimo vya glukosi vya point-of-care na data nyingine za kliniki mara nyingi hupatikana ndani ya EHR; hata hivyo, kwa kuwa zimesambazwa katika moduli tofauti, nyakati tofauti na majukumu ya timu, tathmini ya haraka na jumuishi inaweza kuwa ngumu.

Kiini cha makala ni Integration of Connected Diabetes Device Data into the Electronic Health Record (iCoDE), mpango wa wadau wengi wa usanifishaji na informatiksi unaolenga kuboresha uhamishaji wa data kutoka vifaa vya kisukari kwenda mifumo ya taarifa za kliniki kwa namna sanifu na inayoweza kufasiriwa. Mchango wa moja kwa moja wa iCoDE katika njia ya huduma inayotumia vifaa ni kuwakilisha data ya insulini kutoka kwa watengenezaji tofauti katika modeli ya pamoja ya data na kusaidia uunganishaji wa EHR kupitia viwango vilivyopo vya ushirikiano wa mifumo kama FHIR. Katika usimamizi wa insulini unaotekelezwa na klinisiani, kanuni hizo hizo hutoa mfumo mpana zaidi wa informatiksi wa kufanya data ambayo tayari ipo hospitalini iwe thabiti zaidi, ifuatilike na iwe tayari kwa mtiririko wa kazi.

Waandishi wanasisitiza kwamba uunganishaji wa kiufundi wa data pekee hautoshi kwa AI ya insulini hospitalini inayotegemewa. Usahihi, uwezo wa kuzalisha matokeo tena, faragha na usalama, uwazi, usimamizi wa binadamu na haki ni sifa za msingi zinazopaswa kushughulikiwa kabla na baada ya utekelezaji. Kwa hiyo, ramani ya hatua nane inayopendekezwa na makala, badala ya kurukia moja kwa moja matumizi ya AI, hufuata mpangilio wa kutathmini hali ya sasa, kujenga tabaka la data, kuhakikishia ubora wa data, kuhakikisha matumizi ya kliniki, kuanzisha utawala, kuanza na hali finyu za matumizi, kutathmini kwa vigezo vya kliniki, na kuendelea kufuatilia mfumo huku ukipanuliwa kwa udhibiti.

Kwa Nini Kikwazo Kikuu cha AI katika Usimamizi wa Insulini Hospitalini ni Miundombinu ya Data?

Kikwazo kikuu cha akili bandia katika usimamizi wa insulini hospitalini si uwezo wa modeli kutoa pendekezo pekee; ni kutoweza kuunganisha kikamilifu taarifa zinazohitajika za glukosi, insulini, muda, lishe na hali ya kliniki katika mfumo mmoja unaoweza kushirikiana, uliolinganishwa kwa muda, unaoweza kufuatilia chanzo chake na unaoweza kutumika katika mtiririko wa kazi wa kliniki.

Mahitaji ya insulini kwa mgonjwa aliyelazwa si thabiti. Ugonjwa mkali, upasuaji, mabadiliko ya lishe, matumizi ya corticosteroid na mabadiliko kati ya viwango vya huduma yanaweza kubadilisha unyeti wa insulini. Uamuzi wa dozi kwa mgonjwa huyo huyo unaweza kuhitaji kutathminiwa upya mara kadhaa ndani ya siku moja.

Taarifa zinazoweza kutumika kwa uamuzi huu zinaweza kuwa zimesambazwa katika mifumo tofauti:

• thamani za glukosi za point-of-care,
• data za ufuatiliaji endelevu wa glukosi,
• order za insulini,
• rekodi za utoaji wa dawa,
• taarifa za lishe,
• kiasi na muda wa insulini iliyotolewa hivi karibuni,
• hali pana zaidi ya kliniki ya mgonjwa.

Ili mfumo wa AI uweze kutumia vipande hivi vyote kwa maana, haitoshi tu kuwa na sehemu za data zilizoundwa kwa muundo maalumu. Ni lazima ijulikane data imetoka chanzo gani, alama za muda zilingane, data inayokosekana au iliyochelewa iweze kutambuliwa, na klinisiani aweze kuiona wakati wa kufanya uamuzi.

Hitaji hili ni muhimu zaidi kwa insulini; chanzo kinaichukulia insulini kuwa mojawapo ya dawa zenye hatari kubwa zaidi zinazotumika hospitalini na kinasisitiza kwamba makosa katika dozi, muda au ufafanuzi wa muktadha wa kliniki yanaweza kusababisha matokeo ya kliniki kwa haraka.

Tofauti ya Data Kati ya Utoaji wa Dozi Kupitia Kifaa na Utoaji wa Dozi Unaotekelezwa na Klinisiani ni Nini?

Katika utoaji wa dozi kupitia kifaa, tatizo kuu ni kwamba sehemu kubwa ya data inaweza kubaki nje ya EHR ndani ya mfumo ikolojia wa mtengenezaji wa pampu au mfumo wa utoaji wa insulini kiotomatiki; katika utoaji wa dozi unaotekelezwa na klinisiani, data inayohitajika kwa kawaida ipo ndani ya EHR, lakini kwa kuwa imesambazwa katika moduli tofauti za rekodi na mtiririko tofauti wa kazi, matumizi yake yaliyolinganishwa kwa muda na jumuishi kliniki yanaweza kuwa magumu.

Tofauti hii inaonyesha kwamba suluhisho moja la “uunganishaji wa AI ya insulini hospitalini” halitafaa mazingira yote ya matumizi kwa namna ileile. Katika mifumo inayotegemea vifaa, kuleta data ya nje katika mfumo wa hospitali kunaweza kuwa kipaumbele, huku katika mifumo inayotegemea klinisiani, kubadilisha data iliyopo hospitalini kuwa historia ya muda yenye maana kunaweza kuwa tatizo kubwa zaidi.

iCoDE Inawekaje Msingi wa Akili Bandia ya Insulini Hospitalini?

iCoDE huchangia kujenga tabaka la data linaloaminika ambalo usaidizi wa maamuzi unaotegemea AI unahitaji kwa kulenga kuwakilisha kwa pamoja data za kisukari kutoka vifaa, kuzihamisha kwenda EHR kupitia viwango vilivyopo vya ushirikiano wa mifumo, na kufanya taarifa za insulini na glukosi ziweze kufasiriwa kliniki.

iCoDE ni mpango wa wadau wengi ulioratibiwa na Diabetes Technology Society. Kwa mujibu wa chanzo, klinisiani, watafiti, watengenezaji wa vifaa, watoa huduma za EHR, taasisi za umma na wawakilishi wa wagonjwa hukusanyika ndani ya muundo huu kushughulikia tatizo moja la uunganishaji wa data.

Canonical insulin data model

Vifaa tofauti vya insulini vinaweza kurekodi au kuhamisha nje tukio lilelile la kliniki kwa namna tofauti. Mkabala wa canonical insulin data model wa iCoDE unalenga kusawazisha tofauti mahususi za watengenezaji ili kutoa uwakilishi thabiti zaidi kati ya vifaa.

Mkabala huu ni muhimu kwa AI; kwa sababu ikiwa modeli inakutana na dhana ileile ya kliniki katika muundo tofauti kabisa wa data kwenye kila kifaa, inakuwa vigumu kuunda mkondo wa data unaoweza kutumika tena na unaoaminika.

Ushirikiano wa mifumo unaotegemea FHIR

Chanzo kinaeleza kwamba iCoDE inaendeleza njia za uunganishaji zinazotegemea kiwango kilichopo cha Fast Healthcare Interoperability Resources (FHIR) . Lengo hapa si kupokea faili kutoka kifaa pekee; ni kubadilisha data kuwa muundo sanifu wa data za afya ambao mifumo ya kliniki inaweza kuuelewa na kuuhusisha na taarifa nyingine.

Insulin Dosing Profile

Kile ambacho iCoDE inafafanua kama Insulin Dosing Profile, ni mkabala wa kufanya muhtasari unaolenga kuonyesha pamoja taarifa za utoaji wa insulini na data za CGM katika mwonekano mmoja wa kliniki wa ukurasa mmoja.

Umuhimu wa kiinformatiksi wa muundo huu ni kwamba hauachi uunganishaji wa data kuwa mchakato wa kiufundi unaotokea nyuma ya pazia pekee. Uwezo wa data kufasiriwa na klinisiani na kuwekwa katika mchakato wa maamuzi pia ni sehemu ya uunganishaji.

Majukumu mawili tofauti ya iCoDE

Katika usimamizi wa insulini kupitia kifaa jukumu la iCoDE ni la moja kwa moja zaidi: kusanifisha data ya vifaa vya nje na kuiunganisha na EHR.

Katika usimamizi wa insulini unaotekelezwa na klinisiani iCoDE inawakilisha zaidi modeli pana ya informatiksi kuhusu jinsi ya kupanga data ambayo tayari ipo, kuliko kuleta chanzo kipya cha data hospitalini.

Kwa hiyo, chanzo hakiwasilishi iCoDE kama mfumo unaotatua peke yake suala la AI ya insulini hospitalini. Thamani ya iCoDE ni kuchangia kuunda masharti ya data na mtiririko wa kazi ambayo AI inayotegemewa inaweza kufanya kazi ndani yake.

Akili Bandia ya Insulini Hospitalini Inayategemewa Inahitaji Masharti Gani?

Kwa mujibu wa chanzo, akili bandia ya insulini hospitalini inayotegemewa inahitaji, pamoja na usahihi na uwezo wa kuzalisha matokeo tena, muundo wa utawala unaojumuisha faragha na usalama, uwazi, usimamizi wa binadamu na haki, pamoja na ufuatiliaji endelevu wa drift na utendaji wa usalama baada ya utekelezaji.

Kwa nini model drift ni muhimu?

Hata kama modeli inafanya kazi vizuri siku inapotekelezwa, mtiririko wa kazi hospitalini, vyanzo vya data, vifaa au mgawanyo wa wagonjwa unaweza kubadilika kadiri muda unavyopita. Kwa hiyo, chanzo kinapendekeza kufuatilia utendaji wa modeli si wakati wa uthibitishaji wa awali pekee, bali katika kipindi chote cha matumizi.

Katika kipindi cha mwanzo cha utekelezaji, ukaguzi wa kila wiki; baada ya utendaji kuwa thabiti, ukaguzi uliopangwa wa kila mwezi au kila baada ya miezi mitatu hutolewa kama mifano. Hata hivyo, chanzo hakitoi vipindi hivi kama wajibu wa lazima kwa wote. Kinasisitiza kwamba marudio halisi ya ukaguzi yanapaswa kuamuliwa katika mazingira ya eneo husika kulingana na kusudi la matumizi, kiwango cha otomatiki na tathmini ya hatari ya taasisi.

Pia, ukaguzi unaochochewa na tukio unahitajika. Ikiwa kuna mabadiliko makubwa katika mifumo inayotoa data ya kuingiza kwa usimamizi wa insulini, tatizo la ubora wa data, mrejesho wa klinisiani, ishara ya usalama au kudhoofika kwa ulinganifu kati ya mapendekezo ya modeli na hukumu ya kliniki, tathmini upya inapaswa kufanywa bila kusubiri tarehe ya ukaguzi uliopangwa.

Kwa nini haki si tatizo la algoritimu pekee?

Modeli inaweza kurithi ukosefu wa usawa uliopo katika data za mafunzo au matumizi. Chanzo kinaeleza kwamba mahitaji ya insulini na upatikanaji wa data vinaweza kutofautiana kati ya makundi ya wagonjwa kutokana na mambo kama unyeti wa insulini, mifumo ya glikemia, lishe, magonjwa yanayoambatana, upatikanaji wa huduma, mbinu za uwekaji kumbukumbu na matumizi ya teknolojia ya kisukari.

Kwa hiyo, utekelezaji salama hauishii kwenye swali la “je, kuna ubaguzi katika modeli?” pekee. Uthibitishaji wa makundi madogo, ufuatiliaji wa matokeo tofauti ya usalama, ufuatiliaji wa missingness na data latency, na kulinganisha utendaji kati ya makundi ya wagonjwa vinahitajika.

Mbinu na Matokeo ya Utafiti

Utafiti huu si utafiti wa majaribio wala uchanganuzi mpya wa data. Commentary ya aina hii ya makala huunganisha mbinu zilizopo za usimamizi wa insulini hospitalini, tafiti zilizochapishwa awali za uunganishaji wa diabetes-device-data, fasihi ya AI ya kitabibu inayotegemewa, na mkabala wa iCoDE/iCoDE-2 ili kuunda mfumo wa kimawazo na wa utekelezaji.

Kwa hiyo, utafiti hauna idadi ya wagonjwa, mgawanyo wa data za mafunzo/uthibitishaji/test, hyperparameter za modeli, thamani za p, vipindi vya kujiamini au metriki mpya ya utendaji. Matokeo makuu ya kisayansi ya chanzo, badala ya ulinganisho wa modeli kwa kiasi, ni:

• tofauti ya kiinformatiksi kati ya dhana mbili tofauti za utoaji wa dozi ya insulini hospitalini,
• jukumu tofauti la iCoDE ndani ya dhana hizi mbili,
• masharti ya utawala yanayohitajika kwa AI inayotegemewa,
• ramani ya hatua nane inayopendekezwa ili hospitali ziwe tayari kwa AI.

Ramani ya hatua nane ya hospitali iliyo AI-ready

Sehemu ya kuanzia kulingana na kiwango cha ukomavu wa kidijitali

Chanzo hakisemi kwamba hospitali zote zinapaswa kuanza katika hatua moja. Taasisi inayotumia itifaki za karatasi inaweza kwanza kuweka katika muundo maalumu sehemu za msingi za insulini, glukosi, lishe na muktadha wa kliniki.

Kwa hospitali yenye miundombinu ya order na medication administration inayotegemea EHR, kipaumbele kinachofuata kinaweza kuwa kulinganisha alama za muda, provenance, ukaguzi wa ubora wa data, na mihtasari ya kliniki inayoonyesha pamoja hatua za insulini na majibu ya glukosi.

Taasisi iliyokomaa zaidi ambayo tayari hutumia CGM, pampu, AID au majukwaa maalumu ya usimamizi wa glikemia inaweza, baada ya kuunganisha na kuthibitisha data ya vifaa, kuhamia maeneo finyu ya matumizi ya AI kama utambuzi wa mifumo, uainishaji wa hatari, usaidizi wa itifaki au muhtasari kabla ya ziara.

Matokeo yanayoungwa mkono na utafiti

Makala inasisitiza kwa nguvu kwamba mafanikio ya akili bandia ya insulini hospitalini hayawezi kupunguzwa kuwa suala la usanifu wa modeli pekee. Uwakilishi wa data unaoaminika, ulinganifu wa muda, ushirikiano wa mifumo, matumizi ya kliniki na utawala ni vipengele vya msingi vya utekelezaji wa AI.

Chanzo kinaonyesha kwamba matatizo ya data hutofautiana kati ya usimamizi wa insulini kupitia vifaa na ule unaotekelezwa na klinisiani. Katika wa kwanza, uunganishaji wa data ya vifaa vya nje na EHR huwa mbele; katika wa pili, kuunganisha data iliyopo ya EHR na kuifanya iweze kutumika katika muktadha wa kliniki huwa jambo kuu.

Mchango wa moja kwa moja zaidi wa iCoDE ni usanifishaji wa data ya kisukari inayotoka kwenye vifaa na uunganishaji wa EHR. Kanuni hizo hizo zinaweza pia kutoa mfumo mpana zaidi wa informatiksi wa kupanga data katika usimamizi wa insulini unaotekelezwa na klinisiani.

Ramani ya hatua nane iliyopendekezwa na waandishi inaonyesha wazi kwamba ukomavu wa AI-ready si hatua moja bali ni mchakato unaojikusanya na kuendelea kwa awamu.

Matokeo yasiyoungwa mkono na utafiti

Makala haionyeshi moja kwa moja kwamba modeli yoyote ya AI ya utoaji wa dozi ya insulini inapunguza hypoglycemia, hyperglycemia, vifo au muda wa kulazwa hospitalini kwa wagonjwa.

Haijaonyeshwa kwamba matokeo ya kliniki huboreka kiotomatiki katika hospitali zinazotumia iCoDE au kwamba mifumo yote ya AI huwa ya kuaminika.

Chanzo hakitangazi usanifu fulani wa machine learning kuwa bora kuliko mingine. Lengo la utafiti si kuchagua modeli, bali mazingira ya data na utawala ambamo modeli zinaweza kufanya kazi kwa usalama.

Ramani ya hatua nane si itifaki ya uingiliaji iliyolinganishwa katika jaribio la kliniki la randomization; ni mfumo wa utekelezaji uliotengenezwa na waandishi kutokana na fasihi na uzoefu wa informatiksi.

Mifano ya ufuatiliaji wa kila wiki, kila mwezi au kila baada ya miezi mitatu pia haijawasilishwa kama wajibu wa kudumu wa udhibiti kwa taasisi zote. Inasisitizwa mahsusi kwamba marudio ya ukaguzi yanapaswa kuamuliwa kulingana na hatari ya eneo husika, kusudi la matumizi na kiwango cha otomatiki.

Maelezo ya Chanzo na Mbinu

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

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

Mwandishi anayewajibika: David C. Klonoff.

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

Jarida: Diabetology.

Mchapishaji: MDPI.

Aina ya chanzo: Commentary; makala ya kitaaluma ya maoni/mfumo inayotathmini miundombinu ya data ya AI, ushirikiano wa mifumo na utawala katika usimamizi wa insulini hospitalini.

Taarifa ya uchapishaji: Diabetology 2026, juzuu 7, makala 99.

DOI: 10.3390/diabetology7050099

Iliwasilishwa: 3 Aprili 2026.

Marekebisho: 14 Mei 2026.

Ilikubaliwa: 18 Mei 2026.

Ilichapishwa: 20 Mei 2026.

Leseni: Creative Commons Attribution (CC BY), ufikiaji huria.

Data/sampuli mpya: Hakuna. Makala inaeleza wazi kwamba haikuzalisha wala kuchanganua data mpya.

Modeli mpya ya AI: Hakuna. Chanzo kinajadili miundombinu ya data na utawala kwa AI ya insulini hospitalini; hakiwasilishi mafunzo ya modeli mpya wala jaribio la kulinganisha algoritimu.

Kamati ya maadili ya taasisi: Haitumiki.

Ridhaa yenye taarifa: Haitumiki.

Ufadhili: Hakuna ufadhili wa nje ulioripotiwa kwa utafiti huu.

Upatikanaji wa data: Kwa kuwa hakuna data mpya iliyoundwa au kuchanganuliwa, ushiriki wa data hautumiki.

Mgongano wa maslahi: David C. Klonoff aliripoti kwamba ametoa ushauri kwa Afon, Atropos Health, Embecta, Glooko, Glucotrack, Lifecare, Sanofi, Synchneuro na Thirdwayv. Juan Espinoza aliripoti kupokea ufadhili kutoka Helmsley Charitable Trust na kuwa mshauri wa Sanofi, Glooko na Dexcom. Agatha F. Scheideman, Casey Rand na Mandy M. Shao walisema hawana maslahi ya kutangaza.

Michango ya waandishi: Uundaji wa dhana ulifanywa na David C. Klonoff na Juan Espinoza. Agatha F. Scheideman, Casey Rand, David C. Klonoff, Juan Espinoza na Mandy M. Shao walichangia kuandaa rasimu ya kwanza. Waandishi wote watano walishiriki katika mapitio na uhariri.

Mfumo mkuu wa utekelezaji: iCoDE/iCoDE-2; usanifishaji wa data ya vifaa vya kisukari, canonical insulin data model, ushirikiano wa mifumo unaotegemea FHIR na Insulin Dosing Profile.

Mpaka mkuu wa kisayansi: Makala hii si jaribio la ufanisi wa kliniki. Kanuni zinazopendekezwa za utawala na miundombinu hutoa mfumo wa utekelezaji wa AI unaotegemewa; uboreshaji uliopimwa katika matokeo ya wagonjwa au ubora wa algoritimu fulani ya AI haukujaribiwa katika utafiti huu.

Dokezo la istilahi: Ingawa sehemu ya abstract ya chanzo inaeleza iCoDE kama standard, maandishi makuu yanafafanua iCoDE kama project/initiative ya wadau wengi na framework ya informatiksi. Katika maandishi ya Verianla, iCoDE imefafanuliwa kama mpango/mfumo wa usanifishaji na uunganishaji kwa namna inayohifadhi kiini cha pamoja cha kisayansi cha matumizi haya mawili.

Dokezo la mbinu ya Verianla: Maudhui haya si tafsiri ya sentensi kwa sentensi wala uandishi upya wa karibu wa aya kwa aya wa makala chanzo. Dhana mbili za usimamizi wa insulini za utafiti, mkabala wa uunganishaji wa data wa iCoDE, sifa sita za utawala wa AI inayotegemewa, mahitaji ya ufuatiliaji wa post-deployment, mjadala wa haki na ramani ya hatua nane ya hospitali vimetolewa katika kiwango cha ukweli na mahusiano ya kisayansi na kupangwa upya katika muundo huru wa kujifunza kisayansi kwa Kiswahili.

Mpaka wa matumizi ya kitabibu: Maudhui haya si pendekezo la dozi ya insulini au matibabu kwa mgonjwa binafsi. Mada ya makala ni miundombinu ya data katika kiwango cha hospitali, usaidizi wa maamuzi ya kliniki na utawala wa akili bandia.