糖尿病管理中的机器学习承诺

糖尿病影响着全世界超过5.3亿成年人,其中1型糖尿病和2型糖尿病的很多病例需要每日胰岛素治疗。 几十年来,胰岛素剂量依赖于基于规则的算法 — — 通常使用固定的碳水化合物--to----------------------------,这些算法无法捕捉出血糖调控的动态多因素性。 机器学习提供了一个范式转变:而不是静态的heuristic,算法可以学习个体病人数据,不断调整,并真正提供个性化的胰岛素建议。 这篇文章探讨了机器学习如何被利用来优化胰岛素剂量算法、所涉数据类型和模型、真实的世界证据以及前进的道路。

为何传统的胰岛素多辛瀑布短片

常规胰岛素管理,即使有现代胰岛素泵和连续的葡萄糖监测器(CGM),仍然依赖于人工输入和预先规划的规则。 患者必须估计碳水化合物摄入量,预测运动,并计入压力或疾病 — — 所有这些因素都能够大大改变胰岛素的敏感性。固定算法无法从过去剂量结果中学习,也无法检测出微妙的时间规律。因此,许多患者都经历了持续的葡萄糖可变性、夜行性低血糖症或后天性高血糖。 对现实世界氯氟化物数据的分析发现,即使是使用高级混合闭合系统(CLLOL)的患者,平均也仍然花费不到70%的时间。 核心限制是,人类衍生规则本身就过于简单化了,它们承担线性关系,忽视了激素、物理活性活动和循环节奏的复杂相互作用。 相比之下,机器学习模型可以从多种来源获得最高的频率时间序列数据,找出非线性关系,并调整了可能存在的明确的建议。

胰岛素药用动力学在多辛错误中的作用

传统剂量的另一个缺点是未能说明胰岛素吸收和清除方面的个别差异。 药用动力学参数因注射地点、身体组成、甚至环境温度而大相径庭。 固定算法通常假定一个标准的胰岛素动作特征,导致胰岛素剂量堆叠,并随之出现低血糖。 机器学习模型可以从泵和CGM数据中学习每个患者独特的吸收曲线,从而能够更精确地进行血栓和玄武调节。

机器学习模式如何改进胰岛素建议

胰岛素剂量的机器学习方法可以大致分为三类:用于预测的受监督学习、用于决策的强化学习以及两者结合的混合模型。 每个类别都涉及胰岛素提供挑战的具体方面。

葡萄糖预测监督学习

监督模型在历史数据方面——CGM的踪迹、胰岛素剂量、膳食日志和活动记录——进行了培训,以预测未来的葡萄糖水平。常见的架构包括梯度-被植入树(XGBoost, LightGBM),神经网络(RNN),以及长期短期记忆网络(LSTM)等。 这些模型可以高精度地预测葡萄糖提前30-120分钟,从而能够先发制人地调整胰岛素。例如,在中的一项2023年研究Diabetes Technology & amp;治疗学 显示,一个基于LSTM-X的预测器在融入闭合一闭合系统时,与标准线性预测算法相比,将假热事件减少38%。 监督模型的关键优势在于它们能够捕捉到复杂的时间依赖性,例如,锻炼对葡萄糖水平的延迟效应,而线性模型不能代表这种作用。

自主自主型强化学习

强化学习(RL)通过在模拟环境中的试验和错误学习最佳剂量政策,进一步预测了一步。当葡萄糖留在目标范围内和对出行的惩罚时,模型会得到奖励。在许多循环中,它学会选择胰岛素剂量,以最大限度地扩大长期甘油稳定性。RL剂已被证明比传统的硅化酶(protional-integral-derivative)控制器强,目前正在早期的临床试验中测试。一个显著的例子是斯坦福开发的“多西”算法,它利用深入的QQ学习来将巴沙尔和波斯胰岛素的分泌化。RL方法特别强大,因为它能够处理延迟的奖励——在剂量后数小时发生的低葡萄糖事件仍可归因于该剂量并受到适当惩罚。然而,培训RL剂需要一种现实的模拟器,通常从大型的病人数据集中建立起来,以确保在人类部署之前的安全探索。

混合模型和组合方法

许多生产系统将受监督的预测与基于规则的安全限制相结合。例如,LSTM和XGBoost模型的组合可以预测葡萄糖,而单独的RL模块则建议剂量,但最终输出被保守的安全层过滤,如果剂量超过预先确定的阈值,则无法交付。这种方法平衡了个性化和病人安全,这是监管批准的关键要求。另一种混合方法使用巴伊西亚优化调制每个个体的算法参数,有效地将人口水平的知识和个人化适应结合起来。

关键数据来源及其在示范培训中的作用

任何机器学习系统的成功取决于数据的质量、颗粒性和多样性。 对于胰岛素剂量,以下数据流影响最大:

  • 持续的葡萄糖监测(CGM)读数: 通常每5至15分钟取样一次,提供丰富的葡萄糖值时序. 模型至少需要2至4周的CGM数据来捕捉单个的环状节奏和食用反应. 一些先进的模型还使用原始的感应信号(如间质葡萄糖流)来进行更快的预测.
  • 胰岛素泵记录: 玄武素率、硼量和投放时间的详细记录。这些记录可以让模型了解快速起动胰岛素类似物(如胰岛素活性)的药用动力学(如:胰岛素活性(spart)),包括胰岛素活性(insulin-on-board)计算,作为特性可以防止剂量堆放。
  • 食物数据:[ 碳水化合物计数(理想的是时间和宏观营养成分) 一些先进的系统也使用食物相片或条码扫描来估计甘油负荷. 脂肪和蛋白质含量可以显著地延迟葡萄糖吸收,包含这些宏观营养素的模型显示出了改进后肉类预测.
  • 物理活性:[ 步数,心率,和从可穿行的运动类型. 锻炼会提高胰岛素的敏感性并会延迟产生下垂;模型必须在不同的强度和持续时间中学习这些效果. 持续的心率监测可以作为生理和情感压力的代名词.
  • 压力和睡眠度量:[ Cortisol水平(通过生物标记),睡眠持续时间和自我报告的压力分数。生理和心理压力都通过反调控激素来提高血糖。 睡眠剥夺也降低了胰岛素的敏感性,使其成为一夜之间预测的关键特征。
  • 中枢周期相: 激素波动对月经个体胰岛素敏感度有重大影响;包括此数据在内的一些研究中模型精度提高了12%. 预想模型中,占周期相的可主动调整玄武质率.

合成数据增强——产生现实的病人痕迹——也被用于扩大培训集,提高模型的坚固性,特别是对于严重低血糖等罕见事件. 基因对抗网络(GANs)等技术可以产生高的---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

机器学习的好处 驱动算法

机器学习如能正确实施,则比传统方法有实际的改进:

  • 规模化:算术可以学习数千个病人日的数据,但可以适应每个人独特的生理学和生活方式。 静态规则不可能做到这一点。
  • 降低低糖性贫血:[ 预测模型可以在低糖出事前暂停胰岛素的分泌,在临床研究中将夜行性低糖性贫血降低50-70%。 例如,Tandem t:slim X2中的预测性低糖性悬浮特征在6-个月试验中将严重低糖性事件降低63%。
  • 时间的改进: 多重试验报告,在目标葡萄糖范围(70-180毫克/日升)中花费的时间比标准疗法增加10-20%。 一些ML-动力闭塞系统在实际世界的使用中实现了80%以上的时间的(in-)距离。
  • 下HbA1c:改进了日常控制,转化为更好的长期甘油标记. 对自动胰岛素输送系统(包括基于ML-的)的元分析发现,HbA1c平均减少0.5–0.8 % , 这在临床上对减少微血管并发症风险有意义.
  • 减少决定疲劳: 患者不再需要不断计算出剂量;算法处理玄武岩调整并推荐出波卢斯量,提高生活质量和坚持度. ML ⁇ Underable Phops用户调查报告糖尿病相关危难分数明显降低.

世界实际实施和临床证据

商业和研究系统已经证明机器学习可以安全地部署在家庭环境中。 Medtronic 780G系统使用基于历史数据的适应算法,优化玄武岩率和自修正波斯。其智能守护技术根据CGM趋势自动调整胰岛素的提供,而真实世界的研究表明时间的中位值超过75%。同样,Control-IQ采用了一个在临床试验中大数据集上训练的预测低 ⁇ 糖悬浮功能。 这两个系统都得到了FDA的审核,并且已被全世界成千上万的病人使用。

更先进的ML-native系统正在后期发展。 比如,Beta Bionics iLET使用一种不需要碳水化合物计数的强化学习剂——它学习了长期用餐模式。iLET的“lern-and-adapt”算法根据前一天的葡萄糖结果调整了玄武质率。 2023年对iLET的随机试验表明,对标准的强化胰岛素疗法的不放纵力,使用负担明显减轻,以及改进时间-in-range的趋势。 剑桥大学的CamAPS FX系统使用适应性模型预测控制算法,每天学习患者胰岛素敏感参数,并且已经证明它对非常年轻的儿童和孕妇有效。

另一个显著的例子是OpenAPS社区,用户已经建立了开放源代码ML模型来优化自己的封闭式LOOP系统。 虽然FDA ,但这些基层努力已经产生了宝贵的真实的世界数据,为商业发展提供了信息。#WeAre Notwaiting运动通过促进数据共享和协作算法设计,加速了创新。

挑战和限制

尽管有这一承诺,但必须克服若干障碍,才能使ML-L-驱动的兴奋剂普遍使用。

数据隐私和安全

健康数据非常敏感。 接受过病人数据培训的模型必须遵守HIPAA(美国)和GDPR(欧洲)等法规。 联邦学习 — — 在当地对模型进行设备培训,只共享汇总更新 — — 是保护隐私的有希望的方法,同时仍在学习人口层面的洞察力。但是,联邦学习引入了通信间接费用和模型中毒攻击的可能性。 差异性隐私技术可以在梯度上添加噪音以保护单个数据点,但可能会降低模型的准确性,需要仔细调整。

模型通缩和校正漂流

接受过对某人群的训练的模型可能因为饮食、遗传学或局部胰岛素配方的不同而表现不佳。 此外,感官精度随着时间推移而下降;模型必须坚固到高音输入。 “分化转移”现象在糖尿病中尤其成问题,因为病人的生理学可以逐渐改变(例如由于老化、怀孕或疾病发展 ) 。 在线学习算法可以随着新数据的到来而逐步更新模型参数,从而帮助保持性能。

条例

基于ML-的医学设备需要严格的验证。 FDA的“软件作为医疗设备”框架要求不同人群的安全性和有效性证据。 解释性AI也是一个监管重点 — — 临床医生和病人需要了解为什么推荐剂量。 黑盒模型不太可能获得批准。 SHAP(SHapley Additive ex Planations)或LIME(当地解释性模型 ) 等技术可以提供特征重要性分数,但又增加了计算成本。 FDA还发布了医疗设备开发“良好机器学习实践”指南。

与临床工作流程的结合

大多数内分泌学家没有受过解释ML输出的培训. 与电子健康记录(EHR)和决策支持工具的无缝结合至关重要. 此外,卫生系统必须偿还AI-AGE指导疗法的费用 — — 这一挑战正在通过新的CPT编码来缓慢地通过远程病人监测来解决. 在美国,医疗护理和amp中心(CMS),医疗救助服务(CMS)已经扩大了CGM和胰岛素泵的覆盖范围,但是AI算法本身的偿还还不清楚.

用户信任和通过

即使算法被验证,病人和临床医生也可能不愿放弃控制。 需要开展关于ML系统的好处和局限性的教育。 通过参与性研究让病人参与算法设计可以建立信任,确保系统满足现实世界的需求。

未来方向和下一个 等值算法

下一波创新将侧重于:

  • 多式数据聚变:将CGM与可穿戴(智能表,连续心率显示器)甚至环境传感器(如温度,花粉计数)相组合,以捕捉出外出应激素. 例如,将花粉数据集成,可以帮助预测过敏病人的发炎-由高血糖引起的高血糖症.
  • 数码双胞胎: 创建个人的患者代谢水平计算模型,在部署前可用于测试硅酸盐中的ML算法。 数码双胞胎融合了葡萄糖-胰岛素动力学的生理模型,可以模拟上千种情景来验证安全性。
  • 学习的元数据 学习方法的算法 — — 快速适应只有几天数据的新患者,这个概念被称为“少快学习 ” 。 学习方法,如模型“不可知的元数据学习 ” ( MAML), 可以初始化模型的参数,这样每个新患者只需要微调。
  • 与2型糖尿病的人工胰腺结合: 大多数研究都集中在1型糖尿病;将ML-驱动的闭塞-Loop系统扩展至胰岛素-需要2型患者,可以大大改善更多人群的治疗结果。 复杂程度的增加是由于β-细胞的剩余功能、胰岛素抗药性以及多发性,但早期的简化算法试验显示有希望。
  • 临床决策支持解释性AI:[ 开发不仅推荐剂量而且提供理由的模型(例如“由于预测未来30分钟内锻炼而减少剂量”)会增强临床医生的信任并促成共同决策.

结论

机器学习正在将胰岛素疗法从一个大小的“完全”方法转变为一种动态的、个性化的治疗,以满足每个病人的实时需要。通过利用个人数据的全部丰富性——糖道趋势、膳食模式、活动、睡眠和压力——这些算法可以减轻糖尿病管理的负担,同时改善糖道结果。广泛采用这种方法需要数据科学家、临床医生、监管机构和病人之间继续合作。由于仔细验证和注重安全,机器学习优化胰岛素剂量有可能成为护理标准,为数百万糖尿病患者提供未来较少的并发症和更大的自由。关于进一步阅读,见[ FDA关于SAMD的指导,23 LSTM在糖尿病技术与amp的研究;Therapeutics,和Betabonices iLET iLess。