Replica Health simplifie la gestion du diabète de type 1 grâce à l'IA conversationnelle

Santé des startups

Suivre

Santé des startups

--

Écouter

Partager

Imaginez-vous marcher sur une corde raide, en équilibre prudent entre deux gratte-ciel imposants. Vous franchissez chaque étape avec précision et concentration sans faille. Imaginez maintenant faire la même chose les yeux bandés, incapable de voir où vous allez. Tout ce sur quoi vous pouvez compter, ce sont les nombreuses voix qui crient des directions contradictoires. C'est ce que l'on ressent lorsqu'on est diabétique de type 1 et que l'on porte des glucomètres en continu (CGM) et des pompes à insuline. Vous êtes constamment bombardé de données, mais vous manquez d’informations exploitables.

Alors que vous vous tenez au sommet du fil vertigineux, vous recevez un torrent de chiffres, de graphiques et d'alarmes provenant d'appareils qui vous aident à contrôler votre glycémie. Mesures de glucose, courbes de tendance, doses d'insuline, apports en glucides : c'est comme se noyer dans un océan de chiffres, chacun représentant votre santé. Soudain, vous réalisez que malgré toute la technologie impressionnante à votre disposition, il vous manque toujours la clarté et les informations dont vous avez désespérément besoin.

Entrez Replica Health, un assistant personnel avisé qui analyse toutes ces données en votre nom et vous donne des réponses dans un anglais simple.

Comme tant de fondateurs sur le marché du diabète, le désir d’innover de Sam Royston venait d’un lieu personnel. Il a reçu un diagnostic de diabète de type 1 à l'âge de 10 ans, puis a bâti une carrière d'expert en apprentissage automatique et en science des données. Année après année, au fur et à mesure qu’il approfondissait ses connaissances, il cherchait des moyens de mieux gérer sa condition.

Au cours de ses études supérieures au Courant Institute de NYU en 2016, Sam a commencé à travailler directement sur le diabète de type 1. Son travail était centré sur la prévision des niveaux de glycémie et le développement de nouveaux algorithmes pour améliorer ces prédictions. Il a également cherché à exploiter de nouvelles sources de données pour améliorer la précision des prévisions de glycémie. Ces recherches antérieures ont constitué le point de départ de la technologie Replica.

Puis, en 2017, Sam a contribué au lancement d'une plateforme de détection d'anomalies appelée VoteShield, qui utilise le ML pour donner un sens aux ensembles de données civiques. Ce travail a amené sa réflexion à un nouveau niveau et lui a présenté d’autres collaborateurs partageant une passion similaire pour le DT1.

Sam s'est rendu compte que même si la prise en charge du diabète s'était améliorée au fil des années, notamment avec l'avènement des CGM, elle manquait encore dans plusieurs domaines critiques. Le plus important était la façon dont les personnes qui portaient des pompes à insuline et des CGM créaient des tonnes de données mais avaient du mal à les corréler avec des actions appropriées.

Contrairement aux diabétiques de type 2, les personnes atteintes de diabète de type 1 génèrent une grande quantité de données dans leur vie quotidienne, car leur glycémie et leur dosage d'insuline sont constamment surveillés. Cependant, les données de la pompe à insuline ont souvent été négligées dans les analyses rétrospectives. La combinaison des données sur le dosage de l’insuline et sur la glycémie recèle un immense potentiel pour comprendre le profil de libération des glucides de divers aliments, les effets de diverses activités et d’autres questions métaboliques.

Le logiciel de suivi des aliments existant ne disposait pas de l’analyse longitudinale essentielle nécessaire pour comprendre l’impact total d’un repas au fil du temps. Une bonne compréhension du profil de libération des glucides exigeait des informations plus approfondies sur la composante temporelle et dynamique des données de chaque individu. Et ces applications basées sur des images, même avec une analyse volumétrique, ne pouvaient fournir que des informations limitées, souvent réduites à des valeurs scalaires comme le nombre de glucides contenus dans un repas particulier.

Sam et son collaborateur Brad Jacobson sont arrivés à la conclusion que la clé d'une meilleure gestion du diabète de type 1 était de développer une méthode intégrant toutes les données temporelles disponibles, permettant une compréhension globale des réponses métaboliques à divers repas, activités et événements de la vie. De plus, ils devaient créer une solution simple et intuitive, permettant aux personnes atteintes de diabète de type 1 d’avoir un aperçu de leur état et de leurs changements métaboliques sans avoir à passer constamment leur temps à saisir des données ou à se repérer sur des plateformes techniques et déroutantes.