数字健康和感应技术的进步从根本上改变了慢性病的管理方式,糖尿病是这一转变的先锋。 人工胰腺(一种自动化胰岛素提供系统)代表着一大跃进。 然而,一个尺寸并不适合所有。 为了这些系统在全世界糖尿病人口众多的情况下充分发挥潜力,个性化并不是可选的,它是必不可少的。 从患者日常生活中产生的数百万个数据点中提取的大数据提供了针对每个人独特的生物学、行为和环境进行治疗的原材料。

什么是人工潘克瑞斯?

人工胰腺-临床上称为混合闭锁-闭锁系统-将连续的葡萄糖监测器(CGM)、胰岛素泵和一种控制算法用于使胰岛素的提供自动化。CGM每几分钟就测量一次间质葡萄糖水平;算法对这些读数进行解释并指示泵实时调整胰岛素输入率。这个循环减少了用户不断人工干预的需要,降低了超高解析和低解析事件。当前的商业系统包括Medtronic's Mine 780G、Tandem's Control-IQ、Insulet's Omnipod 5和最近批准的FDA-Let Bionic Pancres, 每种系统都有不同程度的自动化。虽然这些系统大大改善了许多用户的产能,但这些系统都建立在一般算法上,可能不会考虑到人类生理的广泛。

最初来自国家糖尿病和消化和肾病研究所的研究表明,闭眼系统可以将时间延长10到15个百分点。 但同一研究注意到,个体反应,特别是不同年龄组和不同族裔背景的反应有很大差异。 对30项试验的2023元分析进一步证实,虽然平均改善幅度很大,但个人福利范围从5%到25%的时间-距离收益不等。 这一差距凸显了数据驱动个人化的必要性。

为何不同人群的个性化问题

糖尿病对所有人的影响并不相同。胰岛素敏感度、抗调控激素反应、用餐模式和日常活性水平差异很大。儿童和青少年经常发生激素波动;老年人可能减少了肾功能,改变了胰岛素清除;孕妇在三月内面临不断变化的胰岛素需求。 种族因素也起到了作用 — — 研究表明,非洲、西班牙和亚洲后裔的胰岛素敏感度和后期葡萄糖反应往往与高加索人相比不同。 以同质临床试验组数据为基础的通用算法可能不利于该群体以外的人。 例如,在 2022年的一项研究中,Diabetes Technology & Themacheuties 发现,使用同一种闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭闭

诸如轮班工作、饮食习惯、锻炼常规、压力模式等生活方式因素与葡萄糖动态密切相关。 南亚部分地区常见的植物为主的饮食可能会造成与高脂西方饮食不同的葡萄糖外出。 人工胰腺系统不会考虑到这些细微差别,从而产生不良治疗,甚至更糟糕,造成危险的低位或高位。 个体化对于持续监测机会有限的人群来说,更为迫切,因为在那里,算法必须依赖稀薄的数据。

大数据:个性化引擎

糖尿病大数据是指由连续的葡萄糖监测器、胰岛素泵、活性跟踪器、电子健康记录、基因组测序和病人报告的投入产生的大规模高频数据集。 这些数据流不仅体积巨大,而且类型和速度也各不相同。 分析这些数据会集体解开传统临床方法所无法识别的规律。 在人工胰腺疗法中,大数据可以使一个大小算法向适应系统过渡,这些系统与每个用户一起学习和进化。

大数据来源

主要数据来源包括:

  • 连续葡萄糖监测器(CGM)读取:[ 每5–15分钟,每天产生大约96–288个葡萄糖值,同时提供变化率信息和趋势箭头.
  • 胰岛素泵历史:[ 活塞率,波卢斯体积,碳水化合物条目,并修正剂量,时间标出,经常捕捉用户所发动的覆接.
  • 电子健康记录:诊断码,实验室值(HbA1c,C-peptide,克赖丁宁),药物史,高血压或甲状腺功能低位等共生.
  • 基因和蛋白质数据:[] 单核苷酸多态性影响胰岛素受体敏感(如]TCF7L2变体),药物代谢,以及HLA-DR4等自体免疫分泌标记.
  • 可穿戴设备数据:[]心率,睡眠阶段,步数,皮肤温度,以及智能表或健身带的电极活性.
  • 病情报告数据:[] 食用相片,压力记录,月经周期信息,以及通过移动应用收集的主观症状记录. Voice Member 关于情绪或食物的备忘正在作为新的数据类型出现.

数据整合和分析

光是原始数据就无用,没有复杂的分析。机器学习算法在历史数据集上接受了培训,以预测未来的葡萄糖水平,识别出低血糖和高血糖的规律,并优化胰岛素剂量参数。例如,[a 2021年研究[Diabetes Care]利用数千个人对CGM数据的深入学习,以预测晚间伪化的精度超过90%,从而能够先发制人调整。同样的方法可以用来将患者分组为生理分组,并设计每个集群的算法变异。 最近,强化的学习模型已经通过模拟病人数据培训,以在几天内优化胰岛素的提供,适应餐时或活度的变化。

不同来源的融合同样至关重要。 通过将基因组学数据与CGM模式相结合,研究人员可以确定某些患者为何在蛋白质丰富的膳食后出现后出现突起而其他人则不会出现。 2024年的一项研究表明,具有特定PPARG[多态性的患者对饮食脂肪的食后糖反应率更高15%,因此算法可以相应调整胰岛素上下预测。 没有支持安全实时数据聚变的海量数据基础设施,这种深入度是不可能的。

大数据启用的个性化策略

定制的巴斯率和博卢斯模式

传统的人工胰腺系统为巴萨胰岛素的提供提供了一到两个固定的剖面。 有了大数据分析,系统可以学习个人的循环节律、黎明现象的严重性和依赖活性胰岛素的敏感性。 使用几周后,算法不仅对典型的24小时周期,而且对一周的特定天数(比如,静态工作日比活跃周末的较高玄武岩)进行了微巴萨率的改进。 博卢斯计算器也具有类似的个性化:胰岛素与碳比和校正因子根据现实世界的结果不断更新,而不是依赖静态的临床结果。 使用过去的膳食数据对适应性血球算法的试点研究将月后游览平均比固定设置减少12%。

人口 -- -- 具体数字的变式

药物和器械公司现在可以开发适合人口群体的算法变体。 比如,儿科人工胰腺算法可能包含更严格的葡萄糖目标,同时使用积极的预测性低葡萄糖暂停来防范由运动引起的低血糖。 老年算法可能优先考虑预防严重的低血糖症,而不是严格控制,反映出与低血糖有关的下降和认知障碍的较高风险。 美国糖尿病协会的[]护理标准越来越认识到这些区别,尽管执行滞后于证据。 在怀孕时,算法必须说明妊娠期后胰岛素抗药性迅速变化;现在正在使用数千名患有一型糖尿病的孕妇的大量数据来培训三酯专用模型。

预测警报和自动调整

大数据可以使预测性特征超越反应性修正。 通过分析CGM趋势以及餐后通知、活动日志和历史数据,系统可以先发制人地增加或减少胰岛素的提供。例如,如果用户通常在晚宴后行走,算法可以自动将后脑波减少20%,而不需要人工输入。 在不同的人群中,膳食成分和时间差异很大 — — 比如斋月斋戒、感恩节等社区宴会,或者轮流轮班工作 — — 这些适应性特征降低了认知负担,改善了安全。 对控制-IQ系统的2023年现实世界研究表明,允许活动模式的用户经历了40%的锻炼假热事件,但只有在系统了解了他们的个人活动模式之后一段时间内才会发生。

纳入行为和环境因素

压力、睡眠缺失、疾病甚至天气都能够从根本上改变葡萄糖代谢。 整合天气API、日历事件和可穿戴生物信号的大数据平台能够动态地调整胰岛素算法。 对于在紧张时期患上"白衣高血糖"的1型糖尿病的人,系统可以学习在高压时期提高胰岛素的敏感性。 同样,对于生活在炎热气候中的个人,胰岛素吸收速度可能加快,算法可以通过改变输入模式来补偿。 地理定位数据的整合还可以帮助预测用户在室内或室外移动时的环境温度变化,从而在实时内胰岛素输送得到进一步的改进。

挑战和考虑

数据隐私和安全

收集数百万个每个病人的亲密健康数据点引起了对同意、匿名和违约风险的合理关注。 许多用户对与第三方分析公司共享数据感到不适,特别是如果这些公司不受医疗隐私条例的约束。 为了建立信任,公司必须采用透明的数据治理政策,使用差异隐私等去识别技术,并遵守HIPAA和GDPR等框架。 FDA的医疗设备网络安全指南提供了一个起点,但需要更广泛的行业标准来确保患者数据不被利用来进行与治疗改进无关的商业目的。

算术上的偏见与公平

如果培训数据集以白人、富人、技术熟练人群为主,那么所产生的算法对少数民族、低收入群体和农村地区人来说将不太准确。 2022年的一项分析发现,由于光学传感器的限制,CGM的精确度本身可以因皮肤色调而变化,进一步加深了偏见。为了解决这个问题,管理机构和研究人员必须授权不同的试用,并要求在人口阶层进行业绩分析。FDA已经开始要求进行关键试验的多样化计划,但执行仍然不一致。 开放源代码算法的开发与联合学习——只要有数据存在,只有模型更新——可以帮助个人化,而无需集中敏感数据。 OpenAPS等倡议已经表明,人群源算法可以对某些人群进行商业计算。

互操作性和标准化

人工胰腺生态系统涉及来自不同制造商的多台设备,通常使用专有数据格式。 真正的个性化需要泵、CGM、活动跟踪器和电子健康记录之间的无缝数据交换。 缺乏通用标准(如医疗数据FHIR)仍然是一个障碍。 潮池环球项目等举措旨在创建一个可互操作的开源平台,但广泛的采用仍然要等多年。 没有互操作性,大数据努力就被分道扬镳,限制了培训跨设备品牌和护理环境的强健模型的能力。

监管批准和临床鉴定

实时演化的个性化算法对监管者构成挑战:如何验证一个基于每个用户数据改变其行为的设备? FDA已经在其市场前批准中度风险设备的路径下批准了适应性算法,但所需要的证据是实质性的。 使用来自上千用户的活性化数据进行市场后监控对于确保个性化不会带来新的安全风险至关重要。 FDA的突破设备计划加快了对几个适应性系统的批准,但对于不同人群的长期结果仍然没有得到足够的研究。

未来方向

AI和实时适应

下一代人工胰腺系统可能包含强化学习,这是AI的一个分支,在应用前,算法通过模拟环境中的试验和错误来学习最佳动作。这些系统可以在用户切换到新饮食或开始新运动的几天内进行适应。 结合用语音输入或相片解释餐后描述的自然语言处理,系统可以以最小的用户努力来预测甘油影响。 Generative AI也在探索创建个性化的教育性衬衫,比如“下午3点之后,你的下午阅读量往往会上升,咖啡会考虑将你的波卢减少10% ” 。

扩大服务不足人口获取服务的机会

要实现人人能够实现大数据驱动的个人化,必须解决承受能力和获取机会问题。 远程保健平台可以将封闭式移动系统带入农村或低资源环境,但在许多国家,CGM和泵的成本仍然令人望而却步。 国际合作,如 JDRF全球一型糖尿病指数[,正在绘制差距图并倡导公平技术分布。 低收入地区提供翻新设备或补贴一次性传感器的方案正在增加,但针对富裕人群的大型数据模型可能不会直接转化为具有不同饮食模式、气候和感染负担的环境。

与其他健康数据相结合

人工胰腺系统将越来越多地与更广泛的健康生态系统连接 — — 电子健康记录、药房数据,甚至食品不安全或住房稳定等健康信息的社会决定因素。 通过结合临床和社会数据,算法可以提出更多符合环境的建议,例如为面临财政障碍的患者提出成本较低的胰岛素模拟。 数字双子技术 — — 一种用实时数据不断更新的患者代谢系统的虚拟复制品 — — 可使临床医生在将治疗变化应用于实际患者之前测试,减少试症和误诊调整。

患者-儿童设计和共同决策

个性化不仅仅涉及算法;而是赋予病人权力。 未来系统应该允许用户设定自己的偏好 — — 比如,目标范围为100-140毫克/德克/德克/德克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克/克

结论

人工胰腺已不再是一个未来的概念;它是一种得到全世界成千上万人认可的疗法。 然而,通用自动化和真正个性化之间的差距仍然很大。大数据提供了各种工具,通过提供针对每个人的生物学、行为和环境的颗粒、长期和多来源的治疗信息来缩小这一差距。 克服围绕隐私、偏见和获取方面的挑战需要临床医生、工程师、监管者和病人社区做出一致努力。 随着这些障碍的解决,大数据将从一个一刀切的装置转变为一个活的学习系统,适应每个用户 — — 不论他们的年龄、种族或生活方式 — — 并帮助他们在减少日常负担的情况下取得更好的健康结果。