患者生成的数据在改进人工泛美系统算法中的作用

自动胰岛素注射(通常称为人工胰岛素)的演化使糖尿病护理发生了转变。这些系统结合了连续的葡萄糖监测器、胰岛素泵和实时调整胰岛素注射的控制算法,既能减少患者的认知负荷,又能减少危险的葡萄糖出行风险。然而,任何AP算法的性能都从根本上取决于它所能利用的数据的质量和广度。虽然CGM读取和泵取历史构成了算法输入的中枢,但患者生成的数据[的丰富层[PGD]——包括自我报告的膳食、身体活动、压力、疾病和睡眠提供者个人化和完善算法行为的潜力,远远超出了传感器数据所能达到的目标。本条探讨了PGD如何利用它来提高AP算法的准确性、随之而来的挑战以及数据驱动糖尿病管理的未来方向。

了解糖尿病管理中的病人-遗传数据

患者生成的数据包括任何来源于传统临床环境之外的健康相关信息。

  • ]血糖读取[(指尖或CGM,尽管CGM经常被认为是设备生成)
  • 胰岛素剂量(浴地率、肉花量、校正剂量)
  • 碳水化合物摄入量 (克,时间,餐饮成分,包括脂肪和蛋白质含量)
  • 物理活性[(类型、强度、持续时间和演习后恢复期)
  • 睡眠质量和持续时间(睡眠时间,醒觉时间,中断时间,睡眠阶段估计).
  • 压力和疾病记录(自报精神压力,感染,发烧,恶心等)
  • 治疗变化(对抗湿性激素、甲状腺激素或葡萄糖的调整)
  • 妊娠周期阶段和激素避孕用
  • 醇和咖啡因消费

历史上,患者将这些信息手工记录在日志或移动保健应用程序中。 随着互通设备(CGM-泵组合、健身跟踪器、智能胰岛素笔)的出现,PGD被越来越多地自动收集并流到云平台,如 Tidepool[ Dexcom Clearty,或Medronic CareLink系统。PGD的关键价值在于其颗粒性和上下文:单是CGM读数告诉我们葡萄糖,但并不能解释为什么。PGD给出“为什么 ” , 使算法能够学习患者特有的敏感性和动态。 例如,持续的后乳房高血症模式可能追溯到未报告的碳水分含量或隐藏的高脂大餐会减缓胃空。没有PGD,算法将继续根据错误估计参数提供胰岛素。

病人-遗传数据如何改进算法精确度

现代AP算法分为两大类: 模型-预测控制 和 比例-内向-衍生控制 ,有时还用模糊逻辑或机器学习来扩充。这两种模型都依赖于一个模型,即葡萄糖在胰岛素、膳食和其他投入中如何变化。精确模型需要准确的参数估计——胰岛素敏感度、碳水化合物与胰岛素比率、膳食吸收率以及锻炼的影响。这些参数在单个(日间、荷尔蒙周期、活度)和个体之间都存在众所周知的可变性。PGD提供了用更高的忠诚度来估计这些参数所需的纵向数据。

通过数据整合进行个性化治疗调整

方案GD最实际的好处是能够作出对文字有敏感认识的调整[。

  • 锻炼: 氧活会增加葡萄糖利用率,往往会导致低血糖的发生,在数小时后,通过从健身跟踪器或自报的活动日志中取取取数据,算法可以减少玄武素胰岛素并调整靶出葡萄糖在会话之前,会话期间和会后向上调整. 有的系统甚至学习用户典型的锻炼时间和强度,以先发制人地调整参数. 例如,如果用户在每星期一下午5点记录30分钟跑出,算法可能会自下午4点起自动降低玄武素率,并在进行后4小时维持一个更高的目标.
  • 脑周期: 许多有T1D的女性在花期阶段由于激素变化而经历显著的葡萄糖变异. 周期相结合的周期相的纵向PGD跟踪使得算法参数适应性能够降低整个月经周期的高血糖和低血糖. 一些先进的系统允许用户为花期和润滑相分别设定胰岛素敏感度剖面,而算法则会根据自报的周期相或可穿行的温度变化自动切换.
  • 疾病和应力:[]感染、应激和炎症通过皮质醇和炎症细胞皮质来增加胰岛素抗药性. 以症状记录或可穿戴衍生心率可变性的形式的PGD可以提醒算法进入"病日"模式,其玄武质率较高,且更具有攻击性的校正因素. 病人报告有感冒症状时可能会看到算法将玄武素胰岛素增加20%并解除了极限的血压来抵消即将发生的高血症.
  • 酒精消耗: 酒精最初会由肝糖体释放引起高血糖,但后来会因肝脏优先清除酒精而导致延迟的低血糖。 表明酒精摄入量的PGD可以促使算法减少玄武因胰岛素,并为随后的8-12小时设定更低的葡萄糖指标.

这些个性化不是静态的—随着新的PGD的收集,它们会演化,使得算法能够适应生活方式的变化、衰老和疾病的发展。 学习要么通过定期再培训中央模型(比如夜校),要么通过拜伊西亚语或强化学习技术进行在线再培训。 比如,弗吉尼亚大学的人工胰腺系统,每24小时使用PGD的移动窗口更新针对患者的参数,从而能够跟踪由于体重变化或疾病发展而导致胰岛素敏感度的逐渐变化。

利用机器学习增强预测模型

除了参数调整外,PGD还提供预测前60分钟葡萄糖的预测模型[。 随机森林、梯度增高和深常态神经网络等机器学习方法在接受PGD大数据集培训时被证明比古典生理模型强。例如,2021年《糖尿病科学技术杂志》[ 的一项研究利用了CGM、餐点和活动数据所训练的神经元网络(CNN),预测后期葡萄糖分泌率的误差为12毫克/德L-a30%,而仅使用CGM。CNN学会了将餐食用碳水酸含量与葡萄糖增生规律联系起来,并使用随后的葡萄糖下降来进行特征。同样,芝加哥大学2022年的一项研究建立了梯度提升模型,其中包含睡眠期和心率变化,预测无转弯假血症的敏感度为85%,而无PGDGD。

PGD 的可用性也使得可以更复杂的强化学习(RL)算法. RL 代理通过与环境(患者)的相互作用和基于葡萄糖结果的奖励来学习最佳胰岛素剂量政策. RL 需要广泛的探索,因此它从包含PGD模式的现实模拟中大有裨益. The SimGL 模拟器 [ 使用真正的病人-素和活动分布来创造可信的训练环境. 没有PGD,模拟器将缺乏将现实世界行为概括化所需的可变性,RL 代理器在部署时会失败. 最近的基于RL的系统,如剑桥大学开发的系统,已经证明,与经典的MPC控制器相比,经过PGD-富含模拟训练的政策可以将假想血症的时间减少60%.

使用患者数据的挑战和考虑

尽管有明显的好处,将PGD纳入AP算法中,也带来了巨大的障碍,必须加以克服,以确保安全、公平和用户接受。

数据准确性和完整性

自我报告的数据容易出错。碳水化合物计数,即使有应用软件和数据库,也常常偏离实际克数。 锻炼强度是主观的,许多病人忘记或选择不记录事件。 PGD的缺失或不准确可能误导算法,导致不良事件,如未经宣布的餐食缺血或运动记录的高血糖等。解决方案包括使用传感器衍生的代用物(例如:活动时的腕气分泌法、膳食检测的连续糖分化率),以及应用将无跟踪事件作为潜在变量处理的概率模型。一些研究人员从CGM数据中开发出自动餐检测算法,但这些方法对于复杂的膳食来说仍然不可靠,特别是脂肪或蛋白质中高的食,这会导致长期、低温和糖升高,难以与其他原因区分。 通过使用保守的人工胰外观解法,通过保守式处理偏差或低温和克系统,通过保守式处理保守式数据,使保守式数据向回落。

隐私和监管问题

PGD,特别是与可识别的健康记录相链接时,受HIPAA(US)和GDPR(Europe)的保护. 用于算法培训的基于云的PGD聚合引起了对数据被破坏,重新识别,以及二次使用的关注. 此外,受规范的AP算法必须用它们在实践中将遇到的具体输入类型和质量来验证. 如果在不提供这种数据的病人中部署一个经过高纯度PGD培训的算法,其性能可能会下降. FDA FDA系统必须显示跨出一系列现实世界条件的强效能,这意味着制造商必须设计对缺少的PGD不敏感算法,或者授权其收集作为标签的一部分. 一些公司已经走过一条中间道路:Tandem控制-IQ系统允许选择食用CGM只预测其安全层,确保即使没有PGD,系统仍然安全.

用户负担与公平

要使PGD有效,患者必须始终提供它,或者穿戴自动记录它的设备。这引入了一个数据负担,可能对某些群体产生不成比例的影响:老年人、健康知识水平较低的人或者没有可靠的互联网接入的个人。通过智能观察和连接设备自动收集PGD可以减轻负担,但这些设备却很昂贵,而且并不总是由保险覆盖。如果算法改进只有利于那些提供强力PGD的人,我们就会冒着扩大糖尿病结果中现存差距的风险。算法设计者必须在其模型中建立公平,例如,利用从监测良好的病人那里学到的洞察力来应用那些比较少的数据。另一种方法是设计混合模型,通过利用人口层面的统计数据来进行良好的工作。例如,DreaMed Diabets顾问利用人口层面的数据来初始化参数,然后用现有的PGD来改进参数,确保即使是提供最低数据的人也能从算法的个人化中受益。

未来方向:走向完全自治和个人化的制度

下一代人工胰腺系统可能从混合闭锁-闭锁(患者仍然宣布进餐和运动)演化为]完全自动化双荷或多荷尔蒙系统[(胰岛素外加克卢卡贡或克拉姆林特德 ) 。 这些系统将更依赖于PGD,因为添加克卢卡贡需要了解何时和如何提供克卢卡贡 — — 最好从历史上的锻炼、压力和进餐模式中获取的信息。 例如,一个双荷尔蒙系统从前餐日志中学习用户典型的后克卢卡贡需求,可以先发制出低剂量克卢卡贡来预防下限克洛克贡,而无需等待CGM触发。

Another promising direction is the use of federated learning, where AP algorithms are trained across many patients' devices without raw PGD ever leaving the local hardware. This preserves privacy while enabling the algorithm to learn population-level patterns. Early studies from institutions like the Imperial College London have shown that federated learning can match the performance of centralized training for glucose prediction tasks. The algorithm updates only model parameters to a central server, so sensitive PGD—such as menstrual cycle data or mental stress logs—never leaves the patient’s smartphone.

与电子医疗记录(EMR)和远程保健平台的结合也会丰富PGD。 比如,患者的HbA1c、脂质面板和肾功能数据可以用来调整长期算法参数。 实时葡萄糖数据与患者报告的生活质量分数相结合,可以指导算法调整,以降低低血糖恐惧,即使代价是轻微的高血糖。 一个系统可以学习病人如此重视避免低血糖,从而一夜之间保持略高的目标葡萄糖范围。

最后,可解释的AI的推进将有助于患者和临床医生信任基于PGD的算法决定。如果算法调整了胰岛素敏感系数,因为它检测到了最近练习量的增加,那么用户应该能够看到这种推理。这种透明度对于遵守和安全至关重要。一些制造商已经在实施显示“合理代码”的仪表板接口,用于算法调整:“由于在平时3点的练习会话,基本减少”。 这种解释使用户能够验证算法决定,并纠正对其输入数据的任何误解。

临床影响和病人结果

PCD增强AP算法的成功最终衡量标准是临床结果和生活质量的改善。 随机控制试验一再显示,使用餐饮广告的系统比没有的系统能取得更好的甘化效果。 延长使用PGD进行运动、压力和月经周期,与HbA1c减少高达2%,时间减少50%,低于70毫克/德克。 此外,患者报告,当他们的AP系统似乎“了解”其日常生活时,其满意度更高,糖尿病受苦度更低。 在 Diabetes Technology & amp; Therapeutics 中发表的2023年研究报告发现,PGD富含糖尿病的AP系统的用户报告,与使用标准的闭锁胶系统相比,糖尿病的情绪负担减少了40%。

随着糖尿病患者向治疗方向发展,人工胰腺仍是影响最大的技术桥梁。 整合患者生成的数据并不是奢侈品 — — 这是实现这些系统所希望的精确性和适应性的必要条件。 通过克服数据质量、隐私和公平等挑战,研究人员和临床医生可以构建真正向个人学习并回应个人的AP算法。 前进的道路不仅包括算法创新,而且还包括深思熟虑的以用户为中心的设计,最大限度地减轻负担并最大限度地增强信任。

简言之,患者生成的数据正在将人工胰腺从反应性、一刀切的装置重塑成一个主动、个性化的卫生伙伴。 前进的道路需要精心的工程、监管远见和对包容性设计的承诺,但目的地 — — 糖尿病管理几乎毫无努力的未来 — — 值得一去。