diabetic-technology-and-medication
人工泛螺系统校正:尽量减少用户负担的技术
Table of Contents
糖尿病技术的隐藏工作量
人工胰岛素系统(APS),也称闭眼胰岛素提供系统,是近几十年糖尿病护理中最显著的进步之一。这些系统结合了连续的葡萄糖监测器(CGM),胰岛素泵,以及一个控制算法,可以自动进行胰岛素提供,目的是在目标范围内保持血糖水平,同时尽量减少用户干预。然而,由于持续要求:校正,完全自动化的希望仍然部分地未实现。校正是将传感器的生信号与典型的指棒测试获得的参考血糖值相匹配的过程。虽然APS技术已经相当成熟,但校正负担继续影响用户的经验、坚持性和甘化结果。 本条探讨了人工泛美系统校正的挑战,并审查了旨在减少或消除用户负担的现有和新兴技术。
闭环系统中的校正事项为何
持续的葡萄糖监测器并不直接测量血糖。 相反,它们通过产生电流的酶反应测量了间质液中的葡萄糖浓度。这种电流通过校正算法被转化为葡萄糖读取。 原始信号与实际血糖之间的关系不是静止的;它会随着时间的变化而变化,因为感官老化、膜被污染、代谢转移和环境因素。 没有定期的再调整、精度下降,可能导致胰岛素剂量不正确和危险的缺血或高血症。
在人工胰腺系统中,控制算法依靠CGM数据实时决定胰岛素的提供。如果传感器不准确,算法会基于有缺陷的输入来提供胰岛素,这会产生严重后果。因此校准不仅仅是一种方便——它是一个安全的关键功能,可以确保闭环在可接受的风险界限内运行。但是,要求用户每天进行多次指尖测试,这再次引入了APS设计来消除的人工步骤,破坏了用户的经验并创造了负担和不守守规的循环。
传统校准议定书
多年来,商业CGM系统每天需要两次指棒校正,在特定时间(如:醒来后和进餐前)进行;有些系统规定在葡萄糖迅速变化或感官信心低时进行额外校正,这给用户带来沉重负担,特别是在睡眠、锻炼或生病期间;研究表明,校正坚持度随时间推移而下降,校正缺失与感官精度恶化直接相关;对于儿科用户来说,负担往往落在护理者身上,加重了压力并给学校带来挑战。
量化负担: 校正成本
校正的负担不仅仅是一种感觉;它可以跨多个维度衡量。 首先,实际负担:每个指尖都需要洗手、刺指尖、采集血液样本并应用到测试带。 这需要1到2分钟的测试,但也会打断活动,在社会或专业环境中会尴尬。 对于每天4到6个指尖的用户来说,这相当于每天10到20分钟的专用校正时间,不包括重复的针棒的情感负荷。
其次,心理负担:指尖测试很痛苦,并产生焦虑,特别是对于有针恐惧症或敏感指尖的人来说。 不断提醒疾病状态会导致糖尿病燃烧。 第三,认知负担:使用者必须记住在特定时间校正,围绕餐点时间和运动以及解释结果。 这种认知负荷对于管理多种健康状况、轮班工人或有工作要求的人来说尤其沉重。
第四,经济负担:指棒条和长颈鹿是消耗品,成本持续不变。 即使有保险,自付费用也可能是巨大的。 当校准负担导致测试跳过和传感器不准确时,用户可能会在葡萄糖控制方面经历更多的可变性,从而增加并发症的风险和总体医疗费用。
对APS的通过和结果的影响
尽管自动胰岛素的提供有明显的好处,但许多糖尿病患者要么推迟采用APS,要么因为校正负担而放弃技术. 发表于 Diabetes Technology & amp; Therapeutics[ 的研究显示,校正频率较低的用户的距离较高,且具有更好的甘化效果,这并非因为校正效果有害,而是因为校正效果较高的患者往往处理感官问题或高可变性,因果关系尚不清楚,但协会认为,降低校正负担既能提高用户的满意度,也能提高临床结果.
ClinDiabetes的一项研究发现,校正负担是终止混合闭路系统第二多被引用的原因,仅次于皮肤对胶体的反应。 用户将这一要求描述为"非正常的"——只为了面对新的日常需求而采用一个系统来减少糖尿病管理工作量,这些结论突出了尽量减少校正用户负担以最大限度地扩大APS技术对公共健康的影响的至关重要性。
尽量减少校准负担的技术
为应对这些挑战,研究人员和设备制造商开发了一系列旨在减少或消除用户操作校正需要的创新。 这些技术跨越硬件改进、软件算法、系统架构和全新的传感器范式。
工厂分解传感器
降低用户负担的最直接方法是完全取消用户校正。工厂校正传感器的制造采用了预设校正参数,这些参数仍然适用于传感器的整个磨损时间。这些传感器在生产期间使用先进的质量控制以确保信号的一致性和准确性。例如,Dexcom的G6和G7传感器家族是工厂校正的,大多数用户不需要任何指尖棒校正。这是用户经验的一大进步。临床研究表明,G7实现了大约8.7–9.1%的MAD(相对绝对差),这与需要每周校正的系统是竞争的。
工厂校正可以从用户身上去除主要负担,但它对传感器制造和传感器化学造成了强烈的限制. 传感器之间的可变性必须被最小化,校正算法必须足够坚固,足以处理传感器在磨损期的漂移. 随着时间的推移,一些传感器如果系统检测出异常,可能仍然需要偶尔进行指尖检查,但这些是例外而非规则.
使用机器学习自动校正
对于仍然需要校正的系统或者更喜欢用户校正传感器灵活性的用户,机器学习算法可以降低校正的频率和认知负荷,这些算法学习了原始传感器信号和参考糖值之间的关系,适应敏感度漂移,滞后时间,噪音模式等传感器特有的特征. 通过分析历史数据,算法可以预测何时需要校正,甚至可以提出将出错最小化的最佳时机.
鲍里斯·科瓦乔夫博士和他的团队在弗吉尼亚大学为APS开发了统一的安全系统,借助机器学习,用更少的指棒来处理校正,他们的方法使用巴耶斯框架,根据传感器数据和偶尔的参考测量数据实时更新校正参数,在临床试验中,系统维持了每天只有一门校正的糖安全控制,而标准为每天四门.
更先进的执行使用自监督的学习,即算法通过分析多传感器之间的信号一致性或者通过胰岛素分送数据的交叉参照来检测校正错误,而无需明确标记. 例如,如果传感器报告葡萄糖迅速上升而胰岛素泵正积极增加分送,则算法可以推断传感器读取可能错误并相应调整校正,这些技术可以在稳定的条件下将校正间隔延长到24–48小时或更长.
传感器聚合:合并数据流
感应聚变是一种将来自多传感器的信息结合起来,对当前葡萄糖水平产生更准确可靠的估计的技术. 在APS中,这通常是指将来自同传感器内多电极的数据相接,将放置在不同地点的两个不同传感器的数据相接,或者将CGM数据与其他生理信号相接,如心率,皮肤导等,或者相克测量等.
多电极传感器,如Senseonics Eversense可植入系统所使用的传感器,在间歇空间的多深度测量葡萄糖,这使得算法能够校正局部组织反应和运动文物. Eversense系统需要初始校正期,但随后操作时指尖棒要求显著降低,最长可达90天. 来自多电极的数据聚合也能够实现实时断层检测:如果一个电极产生出值读取,系统可以自动排除并依赖所剩电极,避免不必要的用户校正请求.
心率、温度和活动等体温传感器日益融入APS生态系统。 通过将葡萄糖趋势——运动期间迅速上升而餐后逐渐上升——的背景化,算法可以更好地区分传感器漂移和真正的生物变化。 剑桥大学的研究人员证明,在模拟闭路系统中,可穿戴加速计数据的加成将校正误差降低了18%。 这种背景结合可以提高校正的强度,而不需要额外的指尖。
预测校正时间安排
即使仍然需要校正,现代系统也可以在最小化干扰时将校正提示排出. 预测校正算法而不是固定的两次日时时刻表,分析用户的历史规律,以识别相对甘油稳定性的窗口. 例如,如果用户在清晨始终保持稳定的葡萄糖水平,那么系统可以在当时而不是睡眠中凌晨两点准时校正,这样可以降低校正被误入校正的可能性和快速取出葡萄糖时校正的诱惑,从而降低精度.
Tandem Control-IQ系统虽然最初需要定期校正,但通过纳入"授权校正"的方法来让用户校正频率降低:系统跟踪累积校正自信心,只有在出错幅度超过阈值时才请求指棒. 根据Tandem Diabetes Care报告的实际情况数据,这种在即用户方法比固定时间表降低平均校正频率约40%.
可栽培和长生传感器
传感器寿命直接影响校准负担。 传统的CGM传感器持续了7-14天,需要频繁更换和校准每个新传感器。 Eversense E3等可移植传感器提供了180天的磨损期。 由于传感器被小切口置于下位,初始校准负担较高(第一天是指尖棒系列),但一旦传感器稳定,校准频率会降至每7-14天一次。 对于许多用户来说,六个月的总体负担会大幅地减少。
即使在不可植入传感器类别中,制造商也在推动延长磨损时间. Dexcom G7提供10天的磨损,未来世代的目标是14天或14天以上;每一天延长磨损时间都会减少传感器起动的次数和相关校正步骤;此外,延长传感器寿命会减少糖尿病供应的浪费和环境影响。
云基人口校准
一个新兴的概念是使用人口级数据来校正单个传感器。在一个连云接源的APS中,可以将数千个传感器的匿名数据相加,以构建传感器响应特性的"数字双". 当插入一个新的传感器时,系统首先根据人口平均值进行校正参数,然后用用户提供的最小的参考读取量(比如在第一天使用一指尖棒)来完善它们。 这个方法由AndroidAPS开源社区和商业实体探索,可以将最初的校正负担从几个指尖棒减少到一个。
此外,在大规模数据集上训练的机器学习模型可以根据其早期信号模式来预测传感器的漂移轨迹。 如果模型预测某个传感器会在第5天前向不准确的方向漂移,那么系统就可以在第4天主动安排一个校正窗口,而不是等待漂移超过阈值。 这种预测方法将校正从被动维护任务转变为主动优化。
以用户为中心的设计:简化校正工作流程
除了基本技术,校正方式对用户来说是巨大的。历史上,校正提示是破坏性的响亮警报、侵入性通知和僵硬的时间窗口。现代系统采用了更以用户为中心的设计理念。校正请求在设备锁屏上显示,可以推迟一段时间,并与其他通知一起分批以减少中断。一些系统,如Medtronic 780G,允许用户直接校正泵,而不需要访问电话应用软件,精简工作流程。
视觉障碍或肢体残疾的用户也探索了语音校正和无手工作流程。 FDA最近清理了一个系统,该系统使用语音指令通过校正引导用户,减少了那些在运动任务上挣扎的人的认知和身体负担。 这些用户界面创新通过尽可能地使必要的人工步骤无摩擦,来补充算法改进。
临床结果:降低校正负担是否改善了葡萄糖控制?
最终的问题是降低校准负担是否会产生更好的临床结果。 证据令人鼓舞。 对工厂校准传感器与用户校准传感器的比较研究的元分析发现,工厂校准传感器具有相当的精度(MARD 8.6%对9.1%),但用户满意度和传感器穿戴时间(平均穿戴时间为15% ) , 而长时间穿戴导致开放-放行模式下的时间减少,这直接转化为改进的距离和较低的HbA1c。
在混合闭路试验中,平均每天校正次数少于一次的用户实现了72%的时程,而每天校正次数超过两次的用户则达到了64%。 虽然这种关联性可能部分反映出更稳定的用户需要更少的校正,但也表明,消除这一负担可以让用户与系统更一致地参与。
管制和安全考虑
降低校准负担不得损害安全性. FDA和其他监管机构要求CGM系统在初始磨损期和传感器寿命期间都符合特定准确性标准. 工厂校准系统必须证明在保持其准确性时没有用户干预,包括快速糖变化,高高度等挑战性情景,或在运动期间. 无校准系统的监管路径涉及广泛的临床研究,并经常进行参考测量,以证明用户校准系统不受伤害.
一种获得牵引力的方法是“有条件校正无”标签。 比如,Dexcom G6被认为是大多数用户的无校正,但警告说,如果出现症状 — — 感官不匹配,一些病人可能需要校正。 这平衡了安全性和用户自主性。 今后,我们可能会将生物鉴别认证(比如,只有在传感器信心低于风险阈值时才要求校正)视为一种规范标准,允许系统在保持安全网的同时,同时可以同时运行无校正无95-98 % 。
未来方向:实现完全自主校正
长期目标是完全取消用户的校正。 几个平行的研究流指向着这一未来。
非侵入式光学传感器
光学传感器基于Raman分光镜、光声探测或热分光镜可以测量出皮肤中的葡萄糖,而无需插入针头,从而避免了完全需要校准的污损和漂移。 类似DiaMonTech[这样的公司已经演示出精确接近入侵性CGM的原型非入侵传感器。 如果这些技术成熟,校正就可以成为一次性的工厂过程,没有用户的参与。
通过人工智能和人口模型校正
AI模型包含全球趋势、天气数据、餐日志和遗传学,可以准确预测单个传感器漂移模式,以至于参考指尖变得没有必要。 相反,该算法使用用户自身的历史数据以及人口模型进行自我校正。 这已经在弗吉尼亚大学的DiAS系统等研究系统中进行了测试,校正算法仅使用传感器数据和胰岛素输送历史进行自我更新,实现了9.5%的MAD值,而没有任何指尖指尖参考。
双激素和多传感器系统
包括克卢卡贡或其他激素在内的系统会增加冗余的信息通道。 在双激素系统中,控制算法有两个独立的反馈来源(克卢卡贡的克卢克素和克卢卡贡的行为反应),这使得它能够更可靠地检测出校准错误。 同样,同时穿戴两个克卢卡贡传感器(如手臂上和腹部上)会产生冗余,使系统能够比较读取并拒绝一个失败的传感器。 这种“多数投票”方法可以将校准需求降低50-80 % , 并且已经在一些研究平台中使用了。
弱势人口用户-定向校准
儿童、孕妇和老年人有不同的葡萄糖生理学,可能需要量身定做的方法。 未来的系统可以根据用户简介、长期数据甚至遗传标记来调整校准频率和协议。 例如,孕妇的葡萄糖变化更快,可能需要更频繁的校准,但系统可以在方便的时候安排这些变化,并使用语音指导程序来尽量减少负担。 对于有分泌问题的老年人来说,手势校准(例如,利用传感器来触发校准周期)可以完全取代指棒。
结论
校准负担一直是广泛采用和持续使用人工胰腺系统的一个长期障碍。 但创新的轨迹是明确的:传感器每年变得更加准确,算法更加智能,用户界面更加宽放。 工厂校准传感器、机器学习自动校准、传感器聚变和云体人口模型正在汇聚,以创造一个用户看不见的未来,完全由系统在极少或没有用户参与的情况下进行校准。对于糖尿病患者来说,这种演化会减少日常负担,并带来真正自动化的胰腺的希望,一个能够以同等尺度提供安全、高效和生活质量的胰腺。 前进的道路在于继续完善这些技术,在不同的人群中验证这些技术,并确保减轻负担的好处能够惠及每个用户,而不论年龄、地理或技术经验如何。 人工的胰腺素将无法在不校准的情况下充分发挥潜力,但当它能够做到实用、安全和直观时,人人都能做到这一点。