人工智能革新糖尿病管理：从数据科学到临床实践 | 2024 ADA

*仅供医学专业人士阅读参考

糖尿病数据科学的未来会是什么样？

随着人工智能（Artificial Intelligence，AI）技术的飞速发展，其在医疗保健领域的应用正逐步改变传统的疾病管理模式。特别是在糖尿病这一慢性疾病的管理上，AI将如何应用于医疗保健？AI的介入又会为患者带来什么样的医疗体验？

在第84届美国糖尿病协会（ADA）年会上，来自美国弗吉尼亚大学糖尿病技术中心的Boris Kovatchev教授做了题为“人工智能在医疗保健中的应用及其对糖尿病数据科学的影响”的报告，本文将整理此次讲座内容，以飨读者。

AI：模拟人类智能的神经网络技术

AI是一种赋予计算机思考和学习能力的技术，通过模拟人类智能解决问题和理解语言，机器学习（Machine Learning，ML）是AI的重要组成部分，其中，使用了深度神经网络模型的机器学习算法称之为深度学习（Deep Learning，DL）。

在模拟人的神经系统过程中，人工神经元通过将输入变量与权重进行加权求和，再通过激活函数进行非线性变换，从而产生输出。激活函数如Sigmoid函数在神经网络中起到了重要的作用，使得神经网络能够处理复杂的非线性问题。深度学习具有多个层级，不同的人工神经元通过排列组合形成框架，因此在复杂任务中表现出色。

AI在糖尿病早期诊断与监测中的应用

在医疗保健行为中，AI的应用极大地促进了疾病的早期发现、诊断和治疗，特别是在糖尿病领域。通过生成式AI、大型语言模型、影像识别、风险分层等技术手段，AI为医疗提供了强有力的支持。

其中，生成式AI通过学习训练数据中的模式，进而生成具有相似特征的新内容。近年来有越来越多的生成式AI研究发表，大多数是在美国地区进行的研究。同时，ChatGPT的出现又大幅度推进了生成式AI的发展。近期，《新英格兰医学杂志》发表了一项研究，研究结果显示，GPT-4在五个专业中的四个通过了住院医师考试，显示出中位数分数高于65%的官方通过分数。

糖尿病是一种充分量化的疾病，采用血糖指标即可诊断该疾病，通过数字（如糖化血红蛋白结果）即可对疾病进展进行监测。我们可以在计算机上对人类代谢系统进行建模和模拟，并自动模拟糖尿病患者的代谢系统。在糖尿病数据处理中，连续血糖监测（continuous glucose monitoring，CGM）数据的处理非常关键且具有代表性。Kovatchev教授介绍了基于糖尿病CGM数据的处理方法，主要包括：模式识别、分类和预测；AI驱动的自动胰岛素输送；数据农场和AI增强的临床试验。

●一项研究中，人工智能被用来识别通过CGM数据检测饮食和身体活动模式。该研究从TIDEPOOL数据库中选择了八名个体，均佩戴CGM，数据持续时间为206-655天，同时进行运动和饮食记录。

研究者基于原始或插补数据开发了两个循环神经网络（RNNs），结果发现Long-short-term memory（LSTM）结合1D卷积循环神经网络（1D CNN-RNN），利用插补数据提供了最佳性能。

●另一项研究，采用23,916个日常CGM曲线为训练数据；37,758个曲线为验证数据：另外143,036个曲线为测试数据，将所有可能的日常CGM曲线分类到有限数量的临床显著性簇（CSCs）中。

32个CSCs足以保留任何日常CGM曲线所携带的信息，从血糖目标范围内时间（time in range，TIR）系统的指标来看，CSCs能够清晰地区分血糖控制状态。此外，在1型糖尿病患者中根据CGM的数据进行低血糖的预测也是今年来本领域一项持续且引起广泛关注的工作。

神经网络人工胰腺：AI在糖尿病管理与临床试验创新中的应用

热点的糖尿病AI领域包括神经网络人工胰腺（Neural-net Artificial Pancreas，NAP）。NAP是指通过神经网络来复现任何胰岛素剂量规则的操作，包括自动胰岛素输送（Automatic insulin delivery，AID）算法，NAP可以使人工胰腺的预测效力显著提高。

由Kovatchev教授牵头的NAP临床试验已经获得了I期数据，共有15名1型糖尿病患者参与并完成了该研究，在执行本试验过程中未记录到任何不良事件，在主要终点与传统模型相比非劣效，而NAP的计算需求比通用模型预测控制（Universal Model Predictive Control，UMPC）低6倍。

最后，Kovatchev介绍了通过AI来辅助临床试验“虚拟DCCT研究”，DCCT是糖尿病控制与并发症试验（Diabetes Control and Complications Trial）是一项里程碑式的研究，前后跨越10年的大型临床研究，旨在评估1型糖尿病患者血糖水平控制对糖尿病并发症发生和发展的影响。

在虚拟DCCT研究中，研究者从不同数据源（存档的血糖迹象、DCCT参与者的SMBG曲线和虚拟CGM迹象）中提取信息，并利用机器学习算法来拟合参与者的糖化血红蛋白值和其他血糖相关特征。

该研究发现，通过AI拟合的TIR与实际测得的糖化血红蛋白有非常高的复合性，并可预测糖尿病相关的并发症。该研究提示了采用AI进行虚拟临床试验的可行性。

小结

人工智能应用在医疗领域快速发展，特别是生成式人工智能和大型语言模型在此方面的领先地位。糖尿病作为一种被充分量化的人类疾病，在糖尿病数据科学方面取得了快速进展，包括但不限于事件检测和预测、疾病进展的分类和跟踪、人工智能决策支持系统、人工智能驱动的神经网络自动胰岛素输送以及人工智能增强的临床试验。这些数据科学应用很可能决定着糖尿病研究和临床实践的未来方向。

撰稿专家

审核专家

意犹未尽？没关系！

扫描下方二维码关注“医学界带你看国际大会——2024 ADA”

电子壁报、视频解读、大会资讯、专家带你看这里都有

还有往期精彩内容回顾不容错过！

责任编辑｜冯梓莹

*"医学界"力求所发表内容专业、可靠，但不对内容的准确性做出承诺；请相关各方在采用或以此作为决策依据时另行核查。