闭环胰岛素的提供的演变

几十年来,人们一直试图复制健康胰腺的生理功能,这推动了糖尿病技术的发展。 早期胰岛素泵和连续葡萄糖监测器(CGM)都改善了对甘油的管理,但人工胰腺 — — 也被称为闭锁-闭锁系统 — — 体现了感知、计算和自动提供的真正结合。 最近的研究将注意力转向将现实世界生活方式数据纳入这些算法,目的是不仅对胰岛素进行调整,而且对日常生活做出反应性调整,并做出预测和适应性调整。

最初的闭锁-闭锁系统完全依靠葡萄糖读数来调节玄武素和硼胰岛素,但是它们无法预见运动、用餐、压力或睡眠对血糖水平的深刻影响。 下一代人工胰腺技术试图通过从可穿戴物、食物日志甚至生理传感器中吸收数据来弥补这一差距,从而形成一个更加整体和反应更灵敏的控制循环。 这一演化标志着从纯葡萄糖驱动算法到生活方式知情决策引擎的关键性变化。

人工泛晶函数

其核心是人工胰腺系统由三个整合成的组成部分:连续的葡萄糖监测器(CGM)每几分钟测量间质葡萄糖,提供快速活性胰岛素的胰岛素泵,以及计算出相应胰岛素剂量的控制算法. 该算法通常基于成比例-内质-衍生(PID)或模型-预测控制(MPC)框架,决定何时和多分胰岛素以在目标范围内维持葡萄糖.

早期的闭锁式系统要求用户手动宣布膳食或调整锻炼的临时玄武道率 — — 这一限制降低了自主性。 现代研究包含了机器学习和预测分析,以自动做出这些决定。 通过处理生活方式数据流,算法可以在糖外游之前预测出葡萄糖,从而能够先发制人地进行胰岛素调整,从而模仿健康的胰岛素对广泛投入的反应能力。

控制架构和数据聚合

两种主要的算法方法主导了这个领域. MPC使用葡萄糖-胰岛素动力学的数学模型预测出未来的葡萄糖水平并优化在滚动地平线上的胰岛素提供. PID控制器对当前葡萄糖错误,其整体(累积过去错误)和衍生物(变化率)做出相适应的反应. MPC可以将食用碳水化合物估计和心率信号结合,以完善其预测,而PID则可以根据检测到的物理活性来调整其收益.

数据聚变技术结合了多种传感器流——CGM,加速计,心率监测器,皮肤温度,甚至皮肤导电性——进入一个单一的状态估计。 这种用户代谢环境的融合图使得算法能够区分一个静态日和一个剧烈体力劳动日,从而相应调整胰岛素敏感度。

生命类型数据的关键作用

甘油调节不仅仅是胰岛素和葡萄糖的功能;它与日常行为密切相关。 体育活动会增加胰岛素敏感度达数小时,有时在手术后达12-24小时,如果胰岛素剂量不计入“锻炼记忆 ” , 则会冒晚期低血糖的风险。 食物,特别是脂肪和蛋白质含量高的药物,胃空出缓慢,并且可能延迟产生高血糖,如果只依靠碳水化合物计算,标准算法可能会错过。 压力引发皮质素和肾上腺素释放,提高血糖,而睡眠剥夺则会损害胰岛素敏感度并改变反调控激素反应。

综合生活方式数据可以让人工胰腺将这些因素不视为异常因素,而是可预见变量。 系统可以学习用户的典型模式 — — 咖啡、午餐休息、每周健身课 — — 并先发制人地调整玄武岩率或阈值。 这种从被动控制向主动控制转变是生活方式数据驱动自动化的基础承诺。

为什么传统的算法短

即使是最先进的葡萄糖闭锁-发光系统,也与不事先通知的膳食和计划外的锻炼相搏。 没有生活方式数据,控制者只能在葡萄糖起起伏后反应,导致后期高血糖或运动引起的低血糖。 相比之下,手动输入会给用户带来负担,容易出错。 阅读智能观察的步数、心率变化和伽利活性皮肤反应的系统可以推断用户即将或正在受心理压力并主动调整胰岛素的投放。 临床研究表明,这种抑制控制比常规闭锁-发光系统大大缩短了在低血糖和高血糖上所花的时间。

生活方式数据的类型及其影响

研究人员确定了目前被整合入人工胰腺原型的几种生活方式数据类别。 每种类型都提供了独特的预测力,在传感器准确性、用户合规性和算法解释方面提出了不同的挑战。

  • 物理活性数据:相机测量,步数,心率,运动规律帮助估计能量消耗和运动强度,这个数据允许算法在运动期间和之后减少胰岛素的分泌,防止了下血清,同时仍然能满足玄武岩需要.
  • 与食物相关的数据:通过移动应用甚至食品的自动化成像来计算碳水化合物可以提供一顿饭的宏观营养成分。 然而,脂肪和蛋白质的甘油效应更难建模,因此系统开始将混合-食物成分输入来延迟或延长胰岛素的提供。
  • 压力和情绪状态:可穿戴的传感器测量皮肤导能,心率可变性,睡眠质量可以发出急性或慢性应激信号. 算术然后可以暂时提高葡萄糖靶向或增强胰岛素敏感度来缓解由压力引起的高血糖.
  • 睡眠度量 :持续时间,质量,和相(REM vs. sept sleep)影响胰岛素敏感度和反调控激素释放. 检测不良睡眠的系统可以调整一夜的玄武质率来防止黎明现象或延长夜行性高血糖.
  • 脑循环和激素变异:研究日益表明胰岛素敏感度在整个月经周期和更年期期间会起起起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起伏起

这些数据流常常被合并成个性化模型,并不断利用机器学习进行更新。 比如,一个系统可能知道,特定用户在开始晨通勤(心理压力)时,总会经历30毫克/德升葡萄糖升高并相应调整晨出玄武岩的速率。 随着时间的推移,人工胰腺构建了用户对各种生命事件的新陈代谢反应的数码双胞胎。

数据驱动自动化的好处

将生活方式数据纳入系统的主要好处是改善了甘油反应结果,同时又不增加用户的认知负荷。 通过将先前手工决策自动化(即食用宣布、进行预处理、压力调控),该系统使个人摆脱了持续的警惕。 临床试验已经显示出了几种可衡量的优势。

  • 在锻炼期间和后减少低血糖:使用心率和加速计数据的系统可以在中度活性期间将玄武素胰岛素降低至50%,在一些研究中将与锻炼相关的低血糖风险降低70%以上.
  • 更紧的后期控制[:根据餐量大小和成分进行预测性剂量,结合早发现葡萄糖起伏,比标准的自动化胰岛素投放时间提高10~15个百分点.
  • 更好的一夜稳定:融入睡眠质量和应力标记有助于防止黎明现象并减少夜行性低血糖,改善晨食糖读取.
  • 生活质量的提高:用户报告糖尿病困扰减少,警报减少,对系统应付日常变化的能力的信心也增加。 自动化减少了经常检查血糖和即兴矫正的需要。
  • 增强适应性:随着算法学习用户的规律,它可以自动地适应常规的变化——如新的工作时间表、跨时区旅行或体能活动的季节性变化。

目前的研究和临床试验

许多研究团体和公司正在积极调查基于生活方式的人工胰腺系统。 国家糖尿病和消化和肾病研究所(NIDDK) 资助了探索不同数据整合策略的多中心试验。 一个值得注意的项目,即国际糖尿病闭锁-Loop试验,正在测试基于MPC的系统,该系统使用心率和步数,从消费智能表到自动化运动管理。

弗吉尼亚大学和哈佛大学的Joslin糖尿病中心也做出了开创性的努力,其中“聪明”的人工胰腺通过可穿戴相机对食物进行检测,并估算出碳水化合物、脂肪和蛋白质。 系统随后计算出一个延伸的波卢来应对高脂膳食的延迟糖原影响。 在 Diabetes Care 中发表的早期结果显示,与标准的封闭-放行系统相比,用户在范围上花费了12%的时间,而没有餐后成像。

在商业方面,美德通克的迷你米德780G系统已经提供了一种基本的自动胰岛素调整形式,但仍需发布餐饮通知。 与此同时,Tidepool Loop项目(一个开放源代码)正在被推广到一个商业产品,从而能够整合更多的生活方式数据流。 美国食品和药物管理局(FDA)[ 发布了评估此类系统的指南,鼓励制造商在设计中纳入用户报告和传感器衍生的生活方式数据。

挑战和道德考虑

尽管有这一承诺,但生活方式驱动的人工胰腺系统成为主流之前,仍然存在若干障碍。 数据隐私和安全是最重要的:收集心率、全球定位系统位置、睡眠模式和饮食摄入量的系统创造了高度敏感的健康状况。 未经授权的获取可能导致保险人或雇主的歧视,甚至恶意操纵胰岛素的提供。 强大的加密、尽可能的本地处理以及透明的数据治理至关重要。

算术准确性和安全性[也带来了挑战. 接受过一个人群训练的机器学习模型可能不会被一般地归纳到生活方式、遗传背景或共性不同的个人身上。 来自压力传感器或误算的餐食估计的假阳性会引发危险的剂量错误。 监管框架必须演化,以验证随时间变化的适应性算法,需要超越传统设备试验的新型临床证据。

用户的负担和感应疲劳是不能忽视的,虽然目标是减少人力,但有些数据来源——如粮食记录或感应校正——仍然为人工,可能阻碍采用,设计者必须在数据丰富和简单之间取得平衡,此外,对技术不满意或数字知识有限的糖尿病患者可能被抛在后头,从而扩大了现有的健康差距。

”获得和承受能力[也是至关重要的。 当前的闭路系统成本昂贵,加上智能手表或闪光糖监测器等高级传感器会增加成本。 支付者和卫生系统需要通过减少并发症和住院治疗来证明长期成本节约,以证明覆盖是合理的。

未来方向和创新

研究正在加速走向一个完全自主、适应生活方式的人工胰腺。 几代创新正在显现。 新的新发明 — — 包括新发明 — — 正在形成。

  • 多激素系统:将克卢卡贡或克拉姆林特化加入胰岛素泵可以进一步平滑地进行克卢克素外出. 生命式数据可以指导这些次生激素的分时和剂量——例如,当身体自然地减少克卢克贡出产时,活体会减少克卢克贡的分出.
  • 可换取的传感器聚变[:未来系统很可能结合CGM,光学心率传感器,三轴加速计,皮肤温度传感器,甚至汗水生物标记分析器,形成一个与泵算法相通的单一补丁. Google Inference and Dexcom等公司正在开发这样的集成传感器.
  • 基于AI推论:为了保护电池生命和保护隐私,在线机器学习模型会在当地处理生活方式数据,而不是发送到云中,这可以降低延迟和安全风险,同时即使在失去连接时也能进行实时的适应.
  • 个人化数字双胞胎:使用用户的历史葡萄糖、胰岛素和生活方式数据,可以创造个人新陈代谢的数码双胞胎,并进行一夜模拟。 人工胰腺在应用前可以在硅酸盐时“测试”不同的剂量策略,从而实现更安全和更有效的控制。
  • 行为上做个性化的活泼和辅导[:除了剂量自动化之外,该系统还可以提供个性化的建议——比如建议在使用前小吃或提醒用户注意水合水——基于同样的生活方式数据,这把人工胰脏从纯医疗设备转移到整体的保健助理。

随着这些创新的成熟,人工胰腺很可能成为糖尿病护理的标准成分,这与胰岛素泵和CGM一样,今天的情况也不同了。 关键的不同点在于它如何无缝地融入用户的生活而不要求关注或人工输入。

结论

以生活方式数据为基础的胰岛素剂量调整自动化代表了糖尿病管理模式的转变。 人工胰岛素超越了只使用葡萄糖的反馈循环,并包含了丰富的环境信息 — — 物理活动、饮食、睡眠和压力 — — 能够提供个性化、主动性和最小的侵入性护理。 尽管数据隐私、算法稳健性和无障碍性方面的挑战依然存在,但研究界正在稳步取得进展。 临床试验继续证明,生活方式知情系统可以改善时间范围并减轻糖尿病自我管理的负担。 对于1型糖尿病患者,最终,这种技术可以改变日常生活,使他们可以自由地专注于生活而不是不断的计算。 继续投资于传感器开发、机器学习和用户输入设计,将使我们更接近于一个真正自主的人工胰岛素,它与人类生活方式和谐地工作。

进一步阅读,可参看美国糖尿病协会期刊 最新试验结果,或查阅 JDRF的人工胰脏页[ 以病人为导向的信息。