Predmet výskumu

Telemedicína a eHealth

            Telemedicína predstavuje snahu priblížiť zdravotnú starostlivosť do domáceho prostredia pacientov s využitím existujúcej telekomunikačnej infraštruktúry, mobilných zariadení, senzorov, informačných systémov pre manažment starostlivosti o pacientov a systémov pre podporu klinického rozhodovania (CDSS).

            Výskum v tejto oblasti sa v súčasnosti zameriava na pacientov s chronickými ochoreniami, ako sú napríklad diabetes alebo kardiovaskulárne ochorenia, pretože pre chronických pacientov môžu telemedicínske riešenia priniesť signifikatné benefity pri manažmente ich zdravotného stavu.

            Medzi hlavné prínosy telemedicínskych riešení pre pacientov a poskytovateľov zdravotnej starostlivosti patria: skvalitnenie a zrýchlenie komunikácie medzi pacientom a lekárom, lepší prístup k informáciám a teda lepšia informovanosť o priebehu ochorení, zvýšenie angažovanosti pacienta vo vlastnej liečbe, kontinuálne monitorovanie stavu pacienta a podpora rozhodovania pacienta a zdravotníckeho personálu prostredníctvom CDSS.  

            Ako príklad výhod popísaného prístupu možno uviesť varovanie pacienta a/alebo lekára o kritickej udalosti (napríklad hypo/hyperglykémia), krátkodobá predikcia stavu ochorenia, čo by umožnilo zníženie počtu kritických udalostí včasnou reakciou a teda lepší manažment liečby.

            Ďalším prínosom telemedicínskych riešení v dlhodobom horizonte je prostredníctvom podpory prevencie zníženie nákladov na liečbu chronických pacientov za súčasného skvalitnenia liečby zvýšením dostupnosti zdravotnej starostlivosti rovnako ako zníženie zaťaženia zdravotníckych centier. Práve pacienti s chronickými ochoreniami a ich komplikáciami tvoria významnú časť všetkých hospitalizácií a vyšetrení. V tejto oblasti je ale potrebný ďalší výskum.

Klinické systémy pre podporu rozhodovania (CDSS)

            Klinické systémy podpory rozhodovania (CDSS, z angl. Clinical Decision Support Systems) sú informačné systémy slúžiace na podporu rozhodovania medicínskeho personálu v klinickej praxi. Ich tradícia je zakorenená v oblasti expertných systémov. Táto oblasť umelej inteligencie sa rozvíjala hlavne v 70. a 80. rokoch minulého storočia. Kým cieľom expertných systémov je využiť počítačové systémy na automatizáciu usudzovania a rozhodovania v expertnej doméne do takej miery, že by takéto systémy v budúcnosti hypoteticky mohli expertov úplne zastúpiť či nahradiť, CDSS, či vo všeobecnosti systémy podpory rozhodovania (zamerané aj na iné domény), si kladú oveľa realistickejší cieľ. Ide o spracovanie, analýzu a vyabstrahovanie informácií z dostupných zdrojov znalostí a dát potrebné k rozhodovaniu experta v danej situácii, nekladú si však ambíciu ľudského experta v rozhodovaní nahradiť.         

            Uplatnenie CDSS systémov spočíva v zefektívnení rozhodovacích procesov, v automatizácii podporných procesov rozhodovania, v predchádzaní chybám v ľudskom rozhodovaní, včasnom varovaní, a podobne. Vďaka realistickejšie postaveným cieľom majú CDSS systémy veľké praktické uplatnenie a vzniklo hneď niekoľko mimoriadne úspešných systémov, ktorých prínos pre klinickú prax je veľmi dobre zdokumentovaný.        

            CDSS systémy pracujú so znalosťami a dátami. Tieto musia byť v systémoch reprezentované, aby mohli byť ďalej spracovávané a analyzované. Množstvo dát a znalostí potrebných pre podporu klinického rozhodovania má veľmi rôzny charakter. Časť z nich možno reprezentovať symbolovo: ide napríklad o databázy, fakty, pravidlá, postupy, klinické guideline-y.             Analýzou a vyvodzovaním z takýchto dát a znalostí tieto systémy vyvodzujú nové dôsledky a odporúčania.          

           Okrem toho je potrebné spracovávať aj množstvo dát, ktoré sú subsymbolového charakteru   a symbolovo ich reprezentovať nemožno, prípadne len s veľkou informačnou stratou. Patria sem neštruktúrované zdravotné záznamy vo forme "surového" textu, ale tiež fotografické, či RTG snímky, senzorové dáta, a tak ďalej. Systémy spracúvajúce tento typ dát sa zameriavajú na nachádzanie príznakov a vzorov, na ktoré sa zameriava expert v procese rozhodovania. Využívajú sa pritom predovšetkým metódy dolovania dát a znalostí.

  

Prehľad druhov CDSS systémov

            Existujú rôzne druhy CDSS systémov, ktoré sa odlišujú v niektorých kľúčových aspektoch. Napríklad sa jedná o relatívny čas vstupu CDSS do procesu liečby – podpora rozhodovania môže byť využitá už pri vstupe údajov do systému (napríklad varovanie na interakciu medzi liečivami pri zmene liečby, upozornenie na chybné údaje, podpora pri výbere liečby apod.), počas monitorovania pacienta (napríklad upozornenie na zaznamenanú kritickú udalosť, krátkodobá predikcia vývoja stavu pacienta) alebo až po dokončení zberu dát počas ich vyhodnocovania (napríklad podpora pri diagnostike). Takisto v tomto zmysle existuje skupina CDSS systémov, ktorá je nezávislá na vstupe monitorovaných dát ale je riadená udalosťami (napríklad prijatie výsledkov vyšetrenia, alebo nesplnenie udalosti, napríklad pacient alebo lekár zabudol na niektorý prvok liečby).

            Iným kritériom pre delenie CDSS systémov je typ použitého mechanizmu inferencie (vyvodzovania nových znalostí). V tomto smere poznáme znalostné CDSS, ktoré disponujú bázou znalostí o doméne v ktorej sú nasadené, ešte pred ich skutočným nasadením. Počas ich funkčnosti sa báza znalostí môže meniť, rozširovať, čo má za následok zmenu správania CDSS. Báza znalostí je reprezentovaná symbolovo a nebýva obmedzená len na domény medicíny. Najčastejšie sa jedná o množinu pravidiel, ktoré sú zaznamenané nejakým formalizmom – napríklad vo výrokovej alebo v predikátovej logike. CDSS systémy však môžu fungovať aj bez predošlej znalosti o doméne v ktorej sú nasadené. V takom prípade sa dostávame do oblasti umelej inteligencie s názvom strojové učenie. Takéto CDSS systémy používajú zložité matematické a štatistické postupy na poskytnutej vzorke dát a pokúšajú sa z nich získať (často označené pojmom „dolovať“) nové informácie a súvislosti, alebo rovno vytvoriť vierohodný matematický model týchto dát. Medzi časté metódy týchto CDSS systémov patria napríklad neurónové siete, genetické algoritmy, support vector machines (SVM), analýza časových radov, rozhodovacie stromy a mnoho ďalších.

 

Analytické prístupy pri spracovaní rozhodovacích procesov

            Existujú dva základné prístupy pri tvorbe CDSS vzhľadom na to, akým spôsobom odvodzujú nové informácie. Ide o symbolový (znalostné systémy) a subsymbolový (strojové učenie) prístup. V tejto časti sa zameriame na prvý z nich, teda na znalostné systémy.

            Veľkou výhodou symbolového prístupu je fakt, že znalosti sú reprezentované symbolmi, rovnako ako výsledok inferencie (vyvodzovania). To znamená, že sa tieto znalosti dajú pomerne zrozumiteľne interpretovať ľudským pozorovateľom, teda sú čitateľné. Navyše, tento prístup nám umožňuje zdôvodniť výsledky inferencie a sledovať aj jednotlivé kroky, čo môže mať obrovský význam napríklad pre lekára. Znalostný CDSS systém teda okrem podporného návrhu lekárovi môže aj povedať, ako sa k nemu dostal, čo môže mať pre lekára rovnako veľký význam ako samotný výsledok CDSS.

            Tým, ako sú znalosti v báze znalostí zapísané a ako z nich vyvodiť nové sa venuje reprezentácia znalostí, časť umelej inteligencie. Znalostný CDSS systém sa teda skladá hlavne z bázy znalostí a inferenčného (vyvodzovacieho) mechanizmu. Existuje viacero prístupov ku obom týmto častiam, medzi najčastejšie patria predikátová logika, ontológie, bayesovské siete, produkčné systémy.

            Báza znalostí sa tiež dá rozdeliť na dve časti. Jednou je báza faktov, teda tvrdení ktoré považujeme za pravdivé (teda napríklad pozorované hodnoty meraní) a bázu znalostí, ktorá teraz obsahuje už len súvislosti medzi faktami (napríklad „ak svieti mesiac, je noc“).

            Inferenčný mechanizmus slúži na odvodzovanie nových tvrdení z bázy znalostí. Je závislý od reprezentácie bázy znalostí, nie každý mechanizmus sa dá použiť s každou reprezentáciou znalostí.

            V ďalšom uvažujme reprezentáciu výrokovou logikou. Základným vyvodzovacím pravidlom výrokovej logiky je pravidlo Modus ponens. Toto pravidlo hovorí, že ak z výroku A vyplýva výrok B (v zápise výrokovej logiky A=>B), a A platí (zistili sme to napríklad meraním) môžeme považovať za pravdivý aj výrok B. Inferenciou sme z bázy znalostí {A=>B; A} odvodili platnosť B čo je nová informácia, ktorú sme pred tým nevedeli.

            Zložitejším inferenčným mechanizmom vo výrokovej logike je dopredné reťazenie alebo spätné reťazenie. Dopredné reťazenie spočíva v postupnom odvodzovaní všetkých znalostí, ktoré sú odvoditeľné z bázy znalostí (napríklad pravidlom modus ponens). Vo chvíli, kedy nie je možné odvodiť žiadne nové znalosti, môžeme zistiť, či báza znalostí obsahuje výrok, ktorého pravdivosť by sme chceli overiť. Nevýhodou tohto prístupu je generovanie veľkého množstva často zbytočných vyvodení, čo pri väčších systémoch, ktorými CDSS rozhodne sú, môže znamenať stratu času a efektivity. Spätným reťazením vieme overiť, či je náš dotaz (výrok, ktorého pravdivosť chceme zistiť) odvoditeľný alebo nie zo súčasnej bázy znalostí. Spätné reťazenie teda hľadá odpoveď na konkrétny dotaz už od začiatku, čo je oveľa efektívnejšie (ak vieme, čo sa chceme opýtať).

            Výroková logika ale nie je príliš vhodná pre reprezentáciu zložitých báz znalostí, jej prostriedky sú príliš jednoduché aby zachytili komplexné domény. Výroková logika dokáže reprezentovať znalosti len pomocou faktov, to znamená, že všetky musia byť v báze znalostí, ak platia. V takomto jazyku napríklad nevieme zapísať tvrdenie o všetkých indivíduách z nejakej množiny, ktorá je nekonečná. Napríklad tvrdenie „všetky párne čísla sú deliteľné dvomi“ môžeme vo výrokovej logike zapísať len „2 je párne“, „4 je párne“, „6 je párne“..., pričom nekonečnú množinu sa nám nikdy nepodarí vymenovať celú. Z tohto dôvodu sa používa predikátová logika, ktorej hlavným prínosom sú predikáty (vyjadrenie relácie medzi indivíduami). Predošlé tvrdenie by sme pre ukážku v predikátovej logike vyjadrili napríklad takto: parne(X) => delitelne2(X), pričom parne() a delitelne() sú predikáty a X vyjadruje premennú. Pre úplnosť, v doméne matematiky platí všeobecnejšia forma tohto pravidla parne(X) <=> delitelne2(X).

            Tým, že sme zvýšili zložitosť použitej reprezentácie znalostí sme zvýšili jej vyjadrovaciu schopnosť, ale zároveň musíme použiť komplikovanejšie inferenčné mechanizmy. Pre predikátovú logiku napríklad rezolvenciu, ale dajú sa použiť aj zmenené verzie spätného a dopredného reťazenia.

            Ontológie predstavujú reprezentáciu nejakej domény. Majú charakter hierarchického usporiadania, používajú sa na reprezentáciu pojmov (konceptov) napríklad v rámci  nejakej odbornej terminológie, a vzťahov medzi jednotlivými pojmami. Ilustračným príkladom môže byť súčasne používaná klasifikácia živočíchov, alebo medicínska SNOMED. Základným vzťahom medzi konceptmi je subsumpcia, teda „byť podkonceptom“. Ontológie bývajú vyjadrené vo formalizme deskripčnej logiky, ktorý poskytuje syntax a sémantiku, ktorá je počítačovo spracovateľná a umožňuje inferenciu. Jedným z inferenčných mechanizmov pre deskripčnú logiku je napríklad Tablový algoritmus.

            Bayesovské siete predstavujú pravdepodobnostný prístup ku reprezentácií znalostí. Jedná sa o grafovú reprezentáciu, teda množinu vrcholov a hrán. Vrcholy reprezentujú náhodné premenné a hrany vzťah medzi nimi. Tento orientovaný vzťah vyjadruje, že jedna premenná priamo ovplyvňuje druhú. Okrem toho je súčasťou bayesovskej siete aj množina podmienených pravdepodobností  medzi premennými, ktoré sa priamo ovplyvňujú, a množina nepodmienených pravdepodobností pre premenné, ktoré nie sú ovplyvnené žiadnou inou. Takýmto spôsobom sa dajú dobre reprezentovať kauzálne vzťahy medzi premennými, teda napríklad medzi chorobou a jej symptómami.  Inferencia v bayesovských sieťach spočíva v odvodení pravdepodobnosti nejakej udalosti, ktorá nás zaujíma. Táto pravdepodobnosť sa dá vypočítať aj presným vyčíslením, na to by sme ale potrebovali úplnú vzájomnú pravdepodobnosť všetkých náhodných premenných siete, ktorú zvyčajne nemáme. Inferencia sa preto uskutočňuje pomocou bayesovho pravidla, ktoré predstavuje "trade-off" medzi presnosťou výsledku a komplexnosťou siete. Za cenu menšej presnosti môžeme skonštruovať jednoduchšiu sieť a hlavne, nepotrebujeme zistiť všetky vzájomné pravdepodobnosti medzi premennými, ktoré často ani zistiť nevieme v zložitých doménach, ako je napríklad diagnostika ochorení. Okrem bayesovho pravidla sa dá z bayesovskej siete vyvodzovať vzorkovaním ("rejection sampling", "direct sampling"), ktoré spočíva v umelom generovaní atomických udalostí sieťou s pravdepodobnosťami, ktoré vyplývajú z podmienených pravdepodobností medzi premennými a potom spočítanie pravdepodobnosti výskytu konkrétnej skúmanej udalosti z týchto vygenerovaných dát.

Dolovanie dát a procesov

            CDSS systém môže byť reprezentovaný aj subsymbolovo. Na rozdiel od symbolovej reprezentácie to znamená, že znalosti ktoré sú v tomto systéme nie sú zapísané pomocou symbolov, ktoré by ľudský operátor vedel ľahko interpretovať. Často ide napríklad o matice čísel, ktoré pre pozorovateľa nedávajú žiadny zmysel a väčšinou tieto vnútorné parametre systému nenapovedia nič o jeho činnosti. Od takéhoto CDSS systému teda môžeme očakávať len výsledné tvrdenia, nie zrozumiteľné vysvetlenie ako sa k nim dopočítal, ako to dokážu znalostné systémy.

           Použitie tohto prístupu často vyplýva z dát, ktoré chceme analyzovať. Veľa druhov dát (napríklad meranie ECG, RTG obraz a pod.) nevieme dobre reprezentovať symbolmi v zmysle znalostných systémov, a keď áno tak väčšinou za cenu straty informácie. Väčšina metód ktoré tieto CDSS systémy používajú pochádza z oblasti umelej inteligencie, ktorá sa volá strojové učenie. Pod pojmom dátový záznam alebo bod je v ďaľšom myslený n-rozmerný číselný vektor, ktorý reprezentuje hodnoty jednotlivých dátových atribútov.

            Strojové učenie nám umožňuje z dát získať vzory, skryté súvislosti alebo vierohodný matematický model, ktoré potom môžeme ďalej použiť. Základné rozdelenie metód strojového učenia je na učenie s učiteľom ("supervised learning") a bez učiteľa ("unsupervised learning").

            Pri učení s učiteľom chceme natrénovať matematický model na trénovacej vzorke dát tak, aby pre vstupné hodnoty (atribúty) dátových záznamov vedel odpovedať výstupnou hodnotou s čo najmenšou chybou. Počas trénovania modelu postupne dávame jeden záznam za druhým a sledujeme jeho odpovede. Ak urobí chybu tak mu povieme správnu odpoveď a model si upraví vnútorné parametre tak, aby nabudúce na tento dátový záznam odpovedal presnejšie. To je dôvod, prečo sa táto skupina metód volá učenie s učiteľom, pretože počas trénovania poskytujeme modelu správne odpovede na vzorke trénovacích dát a model sa ich „učí“. Potom po nasadení do prevádzky model už dostáva len dáta bez odpovedí, ale ak sme vybrali reprezentatívnu trénovaciu množinu a v dátach existuje súvislosť medzi vstupnou a výstupnou hodnotou, model sa ju môže naučiť a odpovedať vierohodne aj na nových dátach, ktoré počas trénovania nemal k dispozícií. Metódy učenia s učiteľom ale vyžadujú dáta, ktoré vieme stručne popísať (anotácia dát) – teda určiť výstupnú hodnotu pre dátový bod v závislosti na tom, čo sledujeme. Príkladom môže byť ľudský expert pozerajúci sa na jednotlivé elektrické potenciály z oblasti srdca na EKG a vie určiť, ktorý je normálny a ktorý vykazuje patológiu. Nie každé dáta ktoré vieme zbierať vieme zároveň takto popísať pre trénovanie s učiteľom.

            Metódy učenia s učiteľom sa zaoberajú dvomi úlohami – regresiou a klasifikáciou. Regresia je úloha, pri ktorej sa model snaží odhadnúť spojitú výstupnú hodnotu pre vstupné dáta, napríklad sme trénovali model, ktorý na základe niekoľkých informácií o dome – napr. rozloha, počet izieb, vzdialenosť od centra, odhadne jeho hodnotu. Klasifikácia je úloha strojového učenia, pri ktorej natrénovaný model triedi vstupné dáta do konečného počtu tried, teda napríklad EKG krivku elektrického potenciálu srdca na „normálna“ a „abnormálna“.

            Pri učení bez učiteľa trénovanému modelu neposkytujeme správnu odpoveď, aby si upravil vnútorné parametre a odpovedal lepšie nabudúce. Väčšinou sa týmto spôsobom chceme dozvedieť niečo o štruktúre, topológií alebo distribúcií dát v dátovom priestore.

            Jednou z úloh strojového učenia bez učiteľa je napríklad zhlukovanie, pri ktorom sa algoritmus pokúša dáta rozdeliť do skupín na základe toho, ako sú si jednotlivé dátové záznamy podobné na základe vybranej miery podobnosti.

            Inou úlohou je extrakcia príznakov, pri ktorej sa algoritmus snaží nájsť najinformatívnejšie atribúty dát. Často je nasledovaná redukciou dimenzionality, keď odhalíme najinformatívnejšie atribúty tak sa môžeme rozhodnúť tých menej podstatných zbaviť, za cenu malej straty informácie ale s cieľom získať jednoduchšiu reprezentáciu dát a výpočtový model. 

            Neurónové siete sú jednou konkrétnou metódou strojového učenia. Ide o zjednodušené napodobenie činnosti biologického nervového systému. Neurónové siete sa skladajú zo základných jednotiek, neurónov, ktoré môžu byť organizované vo vrstvách alebo v iných topológiach. Medzi umelými neurónmi sú váhované spojenia (ohodnotené číslom). Neurónová sieť má vstupné a výstupné body, používa sa najmä pri učení s učiteľom. Každý neurón siete sa skladá z niekoľkých častí – má váhy prichádzajúcich spojení, sumačnú jednotku, aktivačnú funkciu. Výpočet sieťou prebieha organizovaným spôsobom, ktorý je daný topológiou alebo algoritmom učenia. Existuje viac používaných druhov sietí, sú to napríklad dopredné siete (jednovrstvové, viacvrstvové), rekurentné siete, RBF (Radial basis function) siete, SOM (self-organizing maps).

Etické a právne otázky v súvislosti s CDSS

            Právne a etické otázky v súvislosti s používaním telemedicínskych a eHealth riešení upravuje v Slovenskej republike najmä zákon č. 153/2013 Z.z. o Národnom zdravotníckom informačnom systéme (NZIS), ako aj zákon o ochrane osobných údajov. Zákon č. 153/2013 Z.z. vymedzuje NZIS, údajovú základňu, postup pri sprístupňovaní údajov, národné administratívne zdravotné registre, štandardy zdravotníckej informatiky, zdravotnícku štatistiku, proces vydávania elektronických preukazov a ďalšie súčasti a služby. Celoplošné nasadenie eHealth služieb a aplikácií je z právneho hľadiska naplánované od roku 2016.

Kontinuálne monitorovanie ľudí s diabetom:

Predmet výskumu

V skratke:

       Zber dát

       Informačný systém pre správu dát

        Generovanie reportov

        Generovanie pred-spracovaných dát pre ďalšie výskumné účely

       Kybernetické modely

        Krátkodobá predikcia vývoja glykémie pomocou individualizovaného modelu

        Modely vhodné pre simulačné experimenty pre vzdelávanie ľudí s diabetom

        Meodely pre návrh riadiacich algoritmov

       Automatizované dávkovanie inzulínu. Platí pre T1DM. Návrh algoritmov riadenia pre automatizovaný systém podávania inzulínu - systém známy ako umelý pankreas.

Opis predmetu výskumu

Zber dát

Primárnym cieľom kontinuálneho monitorovania ľudí s diabetom, ako výskumnej činnosti, je zber dát.

Predmetné dáta zahŕňajú údaje sledované v rámci štandardného self-moitoringu ľudí s diabetom a dáta získané pomocou systému pre kontinuálne monitorovanie glykémie. Pri štandardnom self-monitoringu sa zaznamenávajú údaje o glykémii namerané pomocou glukomera, údaje o liekoch pre kompenzáciu diabetu (perorálne antidiabetiká, inzulín a pod.)  údaje o stravovaní a iné údaje súvisiace s kompenzáciou diabetu. Systém pre kontinuálne monitorovanie glykémie umožňuje získavať informáciu o glykémii priebežne 24 hodín denne. Pri perióde vzorkovania 5 minút to predstavuje 288 meraní za deň. Počet meraní glukomerom je obyčajne 3 až 8 za deň.

Informačný systém

Predmetom výskumu je informačný systém pre zbieranie a správu predmetných dát. Informačný systém musí zohľadňovať špecifiká predmetných dát.

Úlohy informačného systému:

       Spracovanie dát pre generovanie reportov. Potrebné sú dva typy reportov.

        Report určený pre diabetika, od ktorého boli zbierané dáta. Základnou úlohou reportu je umožniť prehliadanie zozbieraných dát v jednoduchej forme. Report obsahuje jednoduché grafy a základné štatistiky nad dátami a ďalšie informácie, napr. komentáre od lekára a podobne. Podobné reporty umožňuje generovať softvér pre manažment diabetu poskytovaný výrobcami zariadení (napr. glukomerov) pre diabetikov.

        Report určený pre lekára. Umožňuje podrobnejší prehľad o priebežných výsledkoch liečby. Obsahuje informácie nápomocné pri nastavovaní liečby a pri rozhodovaní o zmenách v liečbe.

       Spracovanie dát pre nadväzujúce výskumné úlohy. Informačný systém slúži pre generovanie súborov dát, ktoré je možné ďalej použiť pri výskumnej činnosti. To zahŕňa nástroje pre výber dát a voľbu výstupného formátu súboru dát pričom výber je dostatočne prispôsobiteľný a výsledný súbor možno ďalej spracovať napr. pomocou špecializovaného softvéru.

 

Modelovanie diabetu (kybernetické modely)

Predmetné dáta sú základným predpokladom pre výskum a vývoj kybernetických (matematických) modelov opisujúcich procesy súvisiace s diabetom.

Účelom týchto modelov môže byť:

       Krátkodobá predikcia aktuálneho vývoja glykémie

       Simulácia vývoja glykémie pre rôzne scenáre

       Využitie modelu metódami pre návrh automatického riadenia pri vývoji algoritmu pre automatizované dávkovanie inzulínu. Takýto algoritmus ne nevyhnutnou súčasťou takzvaného umelého pankreasu čo je označenie pre súbor technických prostriedkov pre automatizované riadenie dávkovania inzulínu.

Krátkodobá predikcia vývoja glykémie nachádza uplatnenie pri včasnom upozornení človeka s diabetom na rôzne situácie. Napríklad predikcia poklesu glykémie pod hranicu hypoglykémie umožní reagovať na túto situáciu v predstihu a môže tak prispieť k predchádzaniu hypoglykémii. Samozrejme platí to aj pre prekročenie hranice zvýšenej glykémie. Dôležité sú aj včasné upozornenie na prekročenie rýchlosti zmeny glykémie. Model pre krátkodobú predikciu môže byť súčasťou poradného systému pre výpočet napr. dávky prandiálneho inzulínu. Poradný systém umožní pohodlne zohľadniť všetky faktory dôležité pre výpočet dávky inzulínu. Pritom sa použijú zaznamenané údaje (história) a vďaka modelu aj predikcia. Poradný systém tiež môže na základne kontinuálneho monitoringu poskytnúť viac informácií vo vhodnej forme, ktoré inak nie sú diabetikovi ľahko dostupné a ten sa môže lepšie rozhodnúť v danej situácii.

Simulačné experimenty je možné využiť pre vzdelávanie ľudí s diabetom. Základom simulačných experimentov je simulátor diabetického pacienta. Súčasťou simulátora je kybernetický model.

Na základe predmetných dát je možné overiť a vyhodnotiť model, ktorý sa používa ako simulátor diabetického pacienta. Potrebné je vyhodnotiť kvalitu simulátora, mieru do akej zodpovedajú simulované dáta reálne nameraným dátam a podobne. Predmetné dáta môžu byť aj zdrojom pre generovanie scenárov pre simulačné experimenty tak aby sa tieto scenáre čo najviac približovali reálnym situáciám.

Simulátory diabetického pacienta väčšinou zodpovedajú priemernému pacientovi. Nastavenie simulátora tak aby lepšie zodpovedal konkrétnej osobe spravidla nie je možné bez laboratórnych meraní v nemocničnom prostredí, ktoré sú dostupné len výnimočne. Preto je potrebné hľadať modely, ktorých vlastnosti a parametre je možné interpretovať v súvislosti so skutočnými fyziologickými parametrami používanými pri rozhodovaní o liečbe a zároveň je možné tieto modely navrhnúť najmä na základe ľahko dostupných dát akými sú uvedené predmetné dáta.