人工胰腺系统 — — 也称为闭眼胰岛素输送系统 — — 通过将胰岛素注射后的复杂决策自动化,重新塑造了1型糖尿病管理。 这些系统依赖于连续的葡萄糖监测器、胰岛素泵和复杂的控制算法,以在安全范围内保持血糖水平。 尽管目前的系统已经减少了日常负担,但其性能仍然与它们处理的数据的质量和多样性紧密相联。 大数据分析 — — 对大规模、多相异数据集的系统计算和分析 — — 已经对提高这些算法的准确性、安全性和个人化至关重要。 通过从成千上万的病人、真实世界的用法以及广泛的生理信号、研究人员和临床医生那里可以完善预测模型,预测不良事件并最终改善糖尿病患者的治疗结果。

人工泛螺系统背后的数据生态系统

现代人工胰腺系统产生并和巨大的数据量相互作用。 主要的源头是连续的葡萄糖监测器,它每1至5分钟提供间质葡萄糖读取,每个病人每天产生大约300至1500个数据点。胰岛素泵记录了运送历史,包括玄武岩率、硼量和用户发起的校正。 除了设备特定数据外,电子健康记录(EHRs)还提供了HbA1c值、同位素剖析和药物清单等历史性临床信息。 易织健身跟踪器和智能表增加了另一层,增加了关于身体活动、心率、睡眠模式和压力指标的数据。

这一生态系统体现了大数据的 三V's : 体积、种类和速度。 一次为期六个月的、涉及200名参与者的单一临床试验产生了上千万个数据点。 多样性跨越结构化的数字数据(葡萄糖水平、泵设置 ) 、 半结构化的日志(物质宣布、活性标记)和无结构化的注释(临床观测 ) 。 速度要求实时处理 — — 算术必须在几分钟内分析进取的传感器数据并调整胰岛素的提供。 整合和统一这些相差的数据源仍然是一项重大的技术挑战,但也是解开表现更佳的算法的关键。

将原始数据转换为可操作算法

人工胰腺系统的核心是其控制算法,传统上它基于比例-内向演化(PID)或模型预测控制(MPC ) 。 虽然这些方法有效,但依赖于无法捕捉到每个人新陈代谢全部复杂性的简化生理模型。 大数据分析可以向数据驱动的机器学习 — — 增强方法转变,直接从历史和实时数据中学习个性化模式。

预测型模型技术

预测模型预测出未来葡萄糖水平的分数到前几个小时,从而可以主动调整胰岛素的提供。 机器学习算法,如神经网络(RNN)、长期短期内存(LSTM)网络和梯度增强机,都接受了CGM痕迹、胰岛素提供记录、餐录和活动数据等大数据集的培训。 例如,研究人员已经从一千多名患者的数据上培训了LSTM模型,以提前30分钟以高的敏感性和特异性预测低血糖症。 这些模型可以嵌入到算法中,以便在出现低血糖事件时先发地减少巴氏胰岛素,从而减少在范围以下所花的时间。 更近一些的方法使用能够捕捉出葡萄糖动态中长期依赖性的变换器结构,在预测低血糖和高血糖中达到更高的准确度。

加强适应性控制学习

强化学习(RL)提供了一个可以随时间而适应的闭路控制框架。在基于RL的人工胰腺中,药剂(agorithm)通过与环境(患者的葡萄糖动力)相互作用,并接受留入葡萄糖和游览惩罚的奖励,学习胰岛素的最佳施放政策。大数据提供了纵向真实世界数据集形式的培训环境。 特别是,离线RL算法可以学习记录的经验,而不需要在线探索,从而可能让患者面临风险。 早期结果显示,基于RL的人工胰岛素可以在模拟中匹配或超过传统的MPC,并且正在进行临床实验研究,以验证在自由生活条件下的这些发现。 一个新兴的子领域,安全的RL,在培训期间纳入了安全限制,以确保所学的政策永远不建议一种危险的胰岛素剂量,这是医疗设备的关键要求。

模式个性化和转移学习

大数据分析最有希望的应用之一是个性化。 没有两个人对胰岛素、碳水化合物或运动做出相同的反应。 通过挖掘人口层面的数据,转移学习方法可以初始化一个仅几天校正数据的新患者的个性化模型。然后,随着个人数据的积累,模型继续被调整。 这种方法大大缩短了历史上需要长时间临床优化的坡度提升期。 此外,集群技术可以识别患者亚型,例如胰岛素敏感度高或明亮的黎明现象,并据此调整算法参数。 最近的工作利用自动编码器来学习患者代谢特征的低维表达,从而能够使个人化在各种装置和人群之间迅速发挥作用。

联邦学习促进隐私保护改进

使用大数据进行算法培训的最大障碍之一是病人的隐私。 联邦学习提供了一个解决方案:模型是通过多个分散的设备或服务器来培训,这些设备或服务器持有本地数据,而无需交换原始数据。 只有模型更新(分级)与中央服务器共享,而中央服务器将模型集成起来,改善全球模型。 在人工胰腺系统中,联邦学习使算法能够学习数千名用户的经验,同时将每个人的葡萄糖数据保存在自己的设备上或医院的安全环境中。 早期的试点研究表明,联邦模型的准确性可以与中央培训的模型相比,同时提供更强大的隐私保障。 这一技术对于构建强大的低血压预测器特别有价值,这些预测器可以不受数据保护条例的约束地将不同人群普遍化。

临床结果和证据

任何医疗设备的成功最终衡量标准都是临床结果的改善。 越来越多的研究表明,将大数据分析法纳入人工胰腺算法在甘油控制、安全和病人满意度方面都会产生实际好处。

甘油控制量表

时间范围(TIR,70-180 mg/dL)已经成为评估人工胰腺性能的金本位度衡量标准。将传统算法设计与机器学习增强的算法设计进行比较的研究,一致报告TIR的增益为3-7个百分点,这相当于目标范围内每天增加约45至90分钟。相应的,高血糖分泌(180 mg/dL以上)和低血糖分泌(70 mg/dL以下)分泌的时间下降。 对12个随机控制试验进行的2023元分析发现,数据驱动的人工胰腺系统与早期的缺乏预测分析设备相比,减少了40%的节能假。此外,糖读数的可变性——用变系数(CV)-减少衡量,表明葡萄糖含量更稳定和可预测。

现实世界研究和大数据

除了有控制的试验,云连接人工胰腺系统的实际世界证据描绘出令人信服的画面。成千上万用户的集合数据,匿名化和大规模分析,揭示出通过大数据分析对算法进行更新,导致整个人口范围的改善。例如,对商业上可使用的混合闭路系统20 000个用户的回溯分析显示,在纳入了新的预测性低血糖模块的固件更新之后,所有年龄组的低血糖事件(定义为感应克低于54毫克/德克(至少15分钟))下降了33%。在一定时间内,特别是在一夜之间,也观察到类似的改进。这些结果强调了利用汇总的实地数据改进迭代算法的力量。 制造商现在经常使用这些数据推出算法更新,使整个用户基础受益。

安全改进

安全在自主医疗设备中至关重要。大数据分析可以加强安全。第一,异常检测算法可以通过分析数据流中偏离所学规范的规律来标出硬件故障(例如传感器退化、输液集闭),例如CGM信号的噪音突然增加,加上胰岛素的发送量增加,可能表明传感器失灵。第二,容错控制架构利用冗余数据来源——如心率可变性作为缺血风险的代用——来确认或推翻胰岛素发送决定。第三,人口级风险模型可以识别可能出现严重缺血或糖尿病的病人,从而能够在危机发生前有针对性地采取临床干预。在一次大规模分析中,受过EHR数据培训的机器学习模型和CGM历史中,发现在事件前高达72小时的高风险个人,其准确度高达85%,从而允许糖尿病护理小组主动开展外联活动。

执行方面的挑战

尽管有希望,但将大数据分析纳入人工胰腺系统并非没有障碍。 这些挑战包括数据治理、技术基础设施和监管监督。

数据隐私和安全

健康数据是最敏感的个人信息之一。从多个来源收集和分析数据引起了人们对重新识别、数据被破坏和二次使用的关切。在美国,遵守HIPAA是强制性的,而欧洲用户属于GDPR。数据必须去识别、在中转和休息时加密以及访问控制。此外,病人必须明确提供在算法培训和持续改进中使用的知情同意。透明的数据治理框架对于保持信任和避免监管处罚至关重要。使用差异性隐私技术——将校正噪声添加到数据或模型参数中 —正在获得引导力,以防止重新识别,同时仍然能够进行有用的分析。

互操作性和数据标准

糖尿病装置的格局是零散的。 CGM、胰岛素泵、活性跟踪器和EHR系统经常使用专有数据格式和通信协议。 没有标准化的数据接口,跨装置和销售商的汇总数据就会成为劳动密集型和容易出错的。 IEEE 11073个人健康装置通信标准和HL7快速保健互操作性资源(FHIR)等行业努力正在取得进展,但广泛采用仍未完成。 开源平台如Tidepool和Loop已经证明了标准化数据管道的价值,但监管和商业障碍依然存在。 一个有希望的发展是采用了蓝牙医疗装置简介,该简介规范了医疗装置与消费电子之间的数据交换,有可能简化人工全景系统的数据整合。

计算制约因素

人工胰腺算法必须在资源受限的硬件上执行——典型的是胰岛素泵或智能手机辅助应用中的微处理器。运行复杂、深层的学习模型,在这类设备上提供数百万个参数,这是很困难的。只有可靠、低纬度网络连接存在时,才能将重计算到云中的边上进行计算。在服务不足的地区或旅行期间,连接可能丢失,迫使算法依赖一个不太复杂的倒置。通过量化、挤压和分馏等方法优化模型是研究的一个活跃领域,以便在嵌入式系统上实现实时性能,而不会牺牲准确性。一些制造商现在部署混合边缘-云层结构,其中最敏感地推断(例如每5分钟一次低密度预测)是在当地运行的,而模型更新和比较复杂的分析则在云中进行。

未来方向

人工胰腺技术的轨迹指向完全自主的多激素和上下文感知系统。 大数据分析将是推动这些进步的引擎。

多激素系统

目前的闭锁-闭锁系统只能提供胰岛素。 添加克卢卡贡可以使双激素方法同时提高和降低克卢克素水平,从而可以完全消除低血糖。 然而,实时控制两种激素需要更复杂的算法。 双激素人工胰腺的临床和临床前研究得出的大数据可以为制定复杂的控制政策提供信息,这些政策可以平衡克卢克贡根据预测克卢克素的轨迹、膳食成分和运动进行胰腺素和克卢克贡剂量。 研究人员也在探索使用克卢克林同时使用克林特(一种亚米林模拟物)来减缓胃空化和抑制克卢克贡分泌,进一步平滑后克卢克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林克林

与可穿戴技术和数字双胞胎的融合

超CGM的可穿戴传感器 — — 如连续酮监测器、以汗为基的葡萄糖传感器,甚至非侵入光学设备 — — 将提供更丰富的数据流。 结合数字双子技术,即病人生理模拟硅化,研究人员可以运行数百万个算法迭代,优化参数,然后才将其部署到现实世界。 云基数字双子平台汇集了数千名真正的病人的数据,从而可以在通过联合学习维护个人隐私的同时进行人口级算法调整。 已经有研究小组建立了数字双胞,其中包含膳食吸收模型、胰岛素敏感度剖析和锻炼效果,从而能够在临床试验中进行个性化的情景测试。

基于AI/ML设备的监管途径

林业发展局等监管机构正在调整其框架,以适应机器学习-基于医学设备,这些设备随着时间的推移而不断改进。 林业发展局为AI/ML算法提出的“总产品生命周期”方法要求制造商提交预先确定的改变控制计划,说明如何根据新数据更新算法。 这为将大数据分析纳入人工胰腺系统的迭代改进创造了一条明确的道路。 然而,制造商必须证明每个算法版本都是安全有效的,这要求对代表目标人群的多种数据集进行有力的验证。 欧盟的医疗设备条例同样要求持续监测现实世界的性能,使大数据分析成为市场后监测的一个组成部分。

病人-儿科设计和用户经验

最终,任何人工胰腺系统的成功都取决于用户的采用和持续参与。 大数据分析也可以为用户体验设计提供信息。 分析用户行为模式 — — 如患者如何频繁地与泵、餐饮公告和记录互动 — — 能够揭示疼痛点和简化机会。 用户评论和支持电话的自然语言处理可以发现共同的可用性问题。 通过关闭真实世界使用数据与算法设计之间的循环,开发者可以创建不仅临床有效,而且直观和最小程度地负担的系统。 一家公司对用户数据的分析发现,忽略了相当大比例的低血症警报,导致重新设计,使警报更能行动,更不侵扰,从而减少警惕疲劳,改善甘化结果。

结论

巨型数据分析并不是人工胰腺系统的一种外围增强 — — 这是一种基础能力,它将决定实现完全自主、个性化糖尿病管理的进展速度。 通过利用可穿戴性、泵和临床记录产生的大量数据流,研究人员和工程师可以构建从数百万个病人小时经验中学习的算法,预测危险的外出,并适应每个人独特的生理学。 证据已经很明显:数据驱动算法可以改善时间范围,减少缺血症,增强安全。 隐私、互操作性和计算方面的挑战仍然很大,但正通过技术创新、监管演进和跨行业合作加以解决。 随着大数据分析与人工胰腺系统之间的共生关系不断加深,使我们更接近一个真正没有努力、每个病人都能够取得最佳结果的世界。

外部资源供进一步阅读: