持续的葡萄糖监测(CGM)数据分析软件在现代糖尿病管理中发挥着关键作用,将原始的感应数据转化为可操作的能指导治疗决策的洞察力。 随着CGM技术日益精密和被广泛采用,分析这些数据的软件工具的准确性和可靠性已经成为医疗保健提供者和患者的首要关注。 理解不同的CGM数据分析软件如何运作,如何衡量其准确性,以及影响其可靠性的因素对于优化糖尿病护理和取得更好的健康结果至关重要。

CGM数据分析软件的重要性越来越大

在糖尿病管理中使用连续葡萄糖监测系统(CGM)正在迅速增长,是克服自监测血糖的局限性的合格技术. CGM将糖尿病管理革命化,大大地加强了不同患者人群的糖分控制,最近的证据支持了它在一型和二型糖尿病管理中的有效性.

研究报告称,血红蛋白的甘化酶减少率持续为0.25 % , 范围改善率为15 % 34 % 。 这些改善直接导致短期并发症的风险降低,如低血糖和心血管疾病、神经病和复数病等长期并发症。 数据分析软件的质量通过确保患者和医护人员及时获得准确和临床相关信息直接影响到这些结果。

然而,CGM数据分析方法的不完全标准化正在限制这些设备的潜力. 商家可得到的CGM软件算法是专有的;因此,在CGM数据分析中使用第三方统计包是必要的,这种缺乏标准化的做法在比较不同平台的结果时造成了挑战,并突出了独立评估软件准确性的重要性.

为何准确的CGM数据分析事项

准确分析CGM数据可以确保用户获得正确的葡萄糖水平、模式和趋势信息。 这些信息直接影响到关键的治疗决定,包括胰岛素剂量、药物调整、饮食选择和生活方式的改变。 当软件准确解释CGM数据时,患者可以做出知情决定,将葡萄糖水平保持在目标范围内,减少高血糖和低血糖的发生。

相反,数据分析不准确可能导致糖尿病管理不当和健康风险增加。 比如,软件低估了葡萄糖可变性,或者未能发现夜行性低血糖的规律,患者可能得不到适当的治疗调整。 同样,高估时间范围可能提供虚假的保证,导致糖控制实际上恶化时干预不足。

使用连续的葡萄糖监测(CGM)正在迅速成为糖尿病患者的甘油管理中的护理标准,CGM传感器现在足够精确,可以驱动诸如MiniMed 670G/770G/780G系统,t:slim X2 与Control-IQ技术,OmniPod 5 胰岛素自动送出系统,iLet Bionic Pancreas, CAMAPS FX 混合闭路管系统和Diabeloop等自动化胰岛素泵系统. CGM的整合使得精度更加关键,因为这些系统根据传感器数据实时做出决策.

理解MARD:初级精确度计量

什么是马德?

根据临床实验室标准研究所(CLSI),"平均绝对相对差(MARD)是血糖(BG)或CGM读取和参考值之间的平均"相差"(无论正或负,并用百分比表示). MARD是用来评价连续葡萄糖监测系统精度的标准度量,取CGM系统所报葡萄糖读取和相应的参考测量值之间的绝对相对差平均值来计算,一般通过实验室分析或血糖计来得到.

低的MAD值表明准确性更高,在临床研究和监管评价中通常用于比较不同CGM设备的性能。 像高尔夫球一样,准确性越低越好,在糖尿病世界中,准确性也至关重要。 比如,FreeStyle Libre 3最近被美国食品和药品管理局(FreeStyle Libre 3) 清除, 总体MAD为7.9%,这是第一个显示分-8%数值的CGM。

围绕MARD的限制和争议

虽然MAD已经成为评估CGM准确性的主要衡量标准,但最近的研究突出了对其作为传感器性能的确定度构成挑战的重大局限性. MARD已被糖尿病界作为代表传感器分析准确性的单一值而采用,尽管没有临床研究证明它区别了自动胰岛素输送系统或独立设备中传感器的安全性或临床有效性.

平均绝对相差(MARD)是一个被糖尿病技术界所采纳的数值度量,作为描述葡萄糖传感器在一时间点上的准确性的主要指标,但这一采用是否合适值得怀疑,因为目前有有限证据表明MARD在感光技术的时代具有有意义的临床相关性.

最低可见度值可以因多种因素而异,包括糖尿病类型和年龄、传感器磨损地点以及研究期间每个甘油区所收集数值的百分比。 对于总的最低可见度为9.2%的传感器,在低度或高亮度范围中增加15%的SG-BG对分,分别从9.2%到10.3%和9.2%到8.8%。 这说明仅研究设计本身如何可以显著改变所报告的最低可见度值,使不同研究之间的直接比较存在问题。

临床研究得出的MAD值不应盲目使用,而应考虑评价的可靠性,也不应忽视MAD没有考虑CGM传感器的关键特征,测量频率. CGM生成的数据不仅由环境糖值组成,而且具有方向性成分,对于控制胰岛素自动投放的算法来说,对于独立CGM设备的用户通过警报和警报告知即将出现的伪和/或超高血糖症至关重要.

使用9%(Dexcom的G6)或10%(Medtronic的GS3)的MARD传感器的AID系统的关键试验和现实世界数据表明,AID算法补偿了这些小差异,大多数系统用户都取得了推荐TIR或A1C目标共识。 这一结论表明,MARD中小差异可能不会转化为临床上有意义的患者结果差异,特别是在传感器被整合入胰岛素自动输送系统时。

MARD价值的临床意义

在传感器达到约10%的MAD值之前,它们可以用于葡萄糖的一般跟踪和趋势,但不能仅仅根据传感器的读取量做出医疗决定。 随着时间的推移,精确度提高,不到10%的MAD值成为可能,因此传感器数据可以在没有BGM确认的情况下用于医疗决策。

现代的CGM系统通常能达到7%到11%的MAD值,最先进的系统能达到8%以下。然而,MAD百分比可以因人而异,即使使用同一设备。 这种单个的可变性意味着人口级的MAD值可能无法准确反映任何特定用户所经历的准确性。

克拉克出错网格分析:一种补充方法

Clarke Error Grid分析为评价CGM精度提供了一种以临床意义而不是纯数值精度为主的替代方法. 与无论葡萄糖水平如何均匀处理所有错误的MAD不同,Clarke Error Grid根据对临床的影响将葡萄糖读取分为五个区:

  • A区: 当参考物也发生低温时,在参考物的20%内或低温范围内(低于70毫克/分升)的数值,这些读取结果将导致临床正确的治疗决定.
  • B: 参考值为20%以外的数值,但不会导致不当治疗,这些偏差在临床上是可以接受的.
  • C区: 会导致不必要的处理修正的数值.
  • D:区 表示可能危险地未能检测出低血糖或高血糖的数值.
  • E: 会导致与实际需要相反的处理,代表最危险的错误的数值.

对于临床用途,CGM系统应拥有绝大多数属于A和B区范围的读取(典型的为>95%). 这种方法承认并非所有的测量错误都同样重要——200 mg/dL时的20%误差与60 mg/dL时的20%误差有很大的临床影响.

CLSI对传感器精度测量采取了更整体的方法,强调多个葡萄糖范围的一致. 这种多面评价方法,结合了MADD与误差网格分析和特定范围的精度评估,提供了比任何单一的度量标准更完整的CGM性能图.

软件准确性评价综合方法

参考计量比较

用于评价CGM数据分析软件准确性的金本位标准包括将软件输出量与实验室参考度测量值进行比较。 为了计算MARD值,应该知道BG的实际值,但在临床试验中,BG测量的绝对值方法不能使用,因此其他量被使用,而所谓的参考值测量值应该非常接近实际值。

参考测量通常使用黄泉仪器(YSI)葡萄糖分析器或等同的实验室级血糖分析器来获得,这些设备提供了高度精确的时点葡萄糖测量,可以比较CGM读取. 在验证研究中,参与者在穿戴CGM设备时经常进行参考测量,创建了对等的数据点来计算准确度量.

公布的MAD值不能理解为准确的值,而应理解为具有一定不确定性的迹象,因为人们常常忽略,用临床研究期间获得的数据计算出来的MAD值不仅反映CGM系统的准确性,而且受到研究设计的强烈影响.

软件平台之间的等同测试

最近的研究比较了常用的连续葡萄糖监测分析方案的准确性,在分析1型糖尿病患者的葡萄糖活性剖面(AGP)和Dexcom Clarity(DC)中,从收集的152名成年人中得出了长达90天的葡萄糖监测指标,并选定了19个葡萄糖分析方案(CDGA、克米分析、Glyculator、iglu、EasyGV和GLU)中的6个进行比较。

对于等同试验,平均葡萄糖的可接受偏差范围定为±2毫克/德升,在幅度内时间为±2%,在幅度内时间为±1%,在幅度内时间为±1%,在幅度内时间为1级以上(TAR1)、在幅度内时间为2级以上(TAR2),在幅度内时间为变化系数(CV)。 这些阈值代表临床上有意义的差异——低于这些数值的证明不大可能影响处理决定。

所有工具在指定范围内的平均葡萄糖、TIR、TAR、TAR1和TAR2等值为AGP,平均葡萄糖、TIR和TAR2等值分别为±2 mg/dL、±2%和±1%。 然而,CDGA、Glyculate、cgmanalysis和iglu在±1%范围内不等同CV的AGP,而Glyculate在TAR1、TAR和CV中不等同CGDA、cgmanalysis和glu等值为TAR1和TAR。

气候小组分析方案在统计上对气候小组的计量进行了不同的报告,但这些差异可能不适用于临床实践,其等同测试确认,这些差异对于TIR和平均葡萄糖来说是可忽略不计的,而对于高血糖范围及CV来说,这些差异可能很重要。

额外精确度量衡

还应当使用其他的衡量标准,如精确绝对相差(PARD),以获得对CGM特定用途的性能的更好的评价,例如人工胰腺的性能. PARD测量类似条件下重复测量的一致性,提供感官精度的洞察力,而不仅仅是精度.

综合软件评价的其他重要衡量标准包括:

  • 时间范围(TIR): 时间浓度水平保持在目标范围内的百分比(典型的为70-180毫克/日升)
  • 超时(TAR): 在高血糖中花时间的百分比,通常再细分为一级(181-250毫克/日升)和二级( > 250毫克/日升)
  • 低于范围时间(TBR): 在低血压中花时间的百分比,再细分为一级(54-69毫克/日升)和二级( <54毫克/日升)
  • 变异系数: 葡萄糖可变性的计量值,数值低于36%表示稳定葡萄糖控制
  • 葡萄糖管理指标: 根据平均CGM葡萄糖估计出HbA1c
  • 甘油外观(MAGE): 测量葡萄糖波动的程度

影响CGM数据分析软件性能的因素

数据质量和预处理

处理大型CGM数据在临床试验中具有挑战性,对CGM数据进行更强的分析需要使用不同的方法. 输入数据的质量会显著地影响软件的准确性. 影响数据质量的因素包括:

  • 传感器校正:[] 现代工厂校正传感器消除了用户校正错误,但校正精度在制造批次之间仍然有差异.
  • 数据缺口:由于传感器故障,传输中断,或用户去除而导致数据缺失,会影响度量计算.
  • 传感器热热期:传感器插入后的初步读取可能不太准确.
  • 生理学滞后:血与间分液的生理学差异主要取决于葡萄糖变化的速度.
  • 干涉: 乙酰氨基苯等药物能干扰一些感应化学.

软件必须通过适当的预处理程序处理这些数据质量问题。软件包已经在预处理程序、数据显示选项和计算度量标准方面进行了比较。 有效的预处理包括检测和处理数据缺口、酌情插入缺失值以及排除不可靠的数据进行计算。

算法精密化

CGM数据分析软件的数学算法在精密度上有很大差异。高级算法包括:

  • 机器学习模型:[ 有的现代软件使用机器学习来改进葡萄糖预测和模式识别.
  • 趋势分析:计算变化率并预测未来葡萄糖水平的算法
  • 平面识别:[ 识别出反复出现的规律,如黎明现象或后米花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花花
  • 个人化: 适应性算法,可以随时间而学习出个别葡萄糖反应模式.

更新后软件功能已扩大,包括了对具有相应可视化的下限和超高血压事件进行自动计算,对高血压控制(高血压风险指数和个人高血压状态)的综合度量,以及与后期出行相关的高血压度量度量,并更新了高血压出行平均振幅的算法,以提高准确度.

遵守国际标准

国际共识在2017年和2019年分别定义了CGM度量衡并提出了目标,而2023年,不同的CGM度量衡被定义为临床试验的核心终点,一些新定义的CGM度量衡在国际糖尿病中心的"安眠糖简介"(AGP)和CGM制造商报告中没有报告.

每一个计算出的衡量标准都根据其遵守美国糖尿病协会2017年关于CGM数据分析的国际共识和2019年关于时间范围的国际共识的情况进行了分析。 遵循这些国际标准的软件确保了衡量定义和计算的一致性,有利于不同平台和研究对结果进行比较。

定期更新和验证

软件准确性不是静止的,需要不断验证和更新以保持可靠性,最近关于全球通用计量指标的国际共识声明和最近对现有全球通用计量指标软件的审查提出的建议促使开发了更新的版本,改进了可访问性,扩大了功能。

定期更新地址:

  • 可能影响计算准确性的错误修正
  • 执行协商一致声明中新界定的衡量标准
  • 与新的CGM设备和数据格式相兼容
  • 根据现实世界的性能数据进行算法改进
  • 增强可视化和报告功能

临床研究报告气候观测系统产生的结果,需要实现气候观测系统数据处理和分析标准化,这一标准化工作正在进行,专业组织和管理机构正在努力建立数据分析和报告的共同框架。

大众 CGM 数据分析软件选项

制造商提供的软件

Dexcom Clarity:Dexcom的专有软件平台对Dexcom CGM系统的数据进行了全面分析. Dexcom G7 CGM系统以最佳的精度和不断增长的连接伙伴生态系统提供证明的结果,帮助减轻糖尿病患者的负担. Clarity生成AGP报告,计算标准CGM的度量衡,并提供模式识别功能. 该平台提供移动和网络界面,拥有医疗保健提供者的数据共享能力.

Abbott LibreView: Abbott的云基糖尿病管理系统与FreeStyle Libre CGM系统合作. 该平台提供AGP报告,日志功能,以及全面的葡萄糖统计. LibreView使医疗保健提供者能够进行远程监测并生成符合国际共识准则的报告.

中医卡林克:[中医卡林克的糖尿病管理软件将来自美德克CGM传感器和胰岛素泵的数据整合起来,该平台提供了详细的葡萄糖图案,胰岛素投放,以及系统性能等报告. Ca林克对美德克的自动胰岛素投放系统的用户特别有价值,提供了对算法性能和治疗优化机会的洞察.

第三方和开源软件

根据研究工作的目的,从文献中确定了12个软件包,直到2021年12月才出版,它们是:GlyCaulter, EasyGemic Variable, CGM-GUIDE(糖尿病评价的连续葡萄糖监测图形用户界面),GVAP(甘油可变性分析程序),Tidepool,CGmanalyzer,cganalyzer,GLU,CGMStatsAnalyser,iglu,rGV,和克通.

iglu:开发了开源R包iglu,以协助自动CGM计量计算和数据可视化,提供了已执行的CGM计量的综合清单. iglu的更新版已作为第4版发布到综合R档案网(CRAN),相应的Python包装器作为第1版发布到Python套件索引(PyPI). iglu的更新版提供了全面且可访问的软件,用于分析CGM数据,满足具有不同编程经验的研究者的需求.

rGV: 新R包rGV在提供单个个人的CGM数据时计算出16个格氏可变性度量度量度量度量度量度量度量度量度量度量度量度量度量度量度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度度

cgmanalysis: 一个专门为CGM数据描述性分析而设计的R包,该软件提供常见CGM度量标准计算,并生成已出版的可视化,已经对照商业CGM平台进行了验证,并显示能为核心度量量产生等效的结果.

GlyCault:GlyCault 3.0被描述为一个快速,易于使用的分析工具,用于cgm数据分析,聚合,中心基准,以及数据共享. 该软件提供了一个图形用户界面,使没有程序化经验的用户能够访问高级CGM分析.

Tidepool: 一个非营利组织的开源平台,该平台汇总了来自多道糖尿病装置的数据,包括各种CGM系统,胰岛素泵和血糖计. Tidepool提供可视化工具,数据输出能力,并使得数据能够与医疗保健提供者共享. 该平台强调数据可移植性和患者对健康信息的所有权.

EasyGV: 软件特别侧重于甘油可变性分析. EasyGV计算了多变度量,并提供统计分析工具. 该平台对于需要详细可变性评估的研究应用特别有用.

专门研究工具

GLU:[ 为研究应用设计出一套综合性软件. GLU支持多种CGM数据格式,并提供与国际共识准则相适应的广泛计量计算,软件包括高级统计分析能力和大数据集的分批处理.

AGATA: AGATA被描述为"自动化葡萄糖数据分析工具箱",这个基于MATLAB的软件为研究应用提供了自动化分析工作流程和先进的可视化能力.

CGM-GUIDE:[ 一个基于图形用户界面的工具,提供全面的CGM数据分析而不需要程序化知识. 该软件支持多设备格式并生成适合临床使用的标准报告.

不同软件平台的比较性能

软件工具之间的协议

研究比较了可用于CGM数据分析的开源软件包,将1型糖尿病患者的CGM数据与两个软件分析,以比较衡量标准。 已经调查了不同软件和工具计算出的衡量标准之间的一致。

研究结果表明,虽然大多数软件平台对平均葡萄糖和时间范围等基本度量标准产生类似的结果,但对于更复杂的计算,可能会出现显著的差异。

  • 计量复杂性:[] 平面葡萄糖等简单度量衡显示各平台之间高度一致,而复杂的可变度量则可能存在很大差异
  • 数据预处理: 处理缺失数据和输出点的不同方法可能导致不同的结果.
  • 计算方法: 即使计算出相同的被命名的度量,计算方法的细微差别也可以产生不同的值.
  • 径向和精确度: 数值精确度和四舍五入的差异可以累积,特别是对于衍生的度量衡而言。

软件差异的临床相关性

虽然软件平台之间的统计差异很常见,但其临床意义却不同。 对于治疗决策中使用的核心计量标准 — — 平均葡萄糖、时间范围、低于范围的时间 — — 大部分经验证的软件平台都会产生临床等效结果。 平均葡萄糖中时间范围为1-2%或2-3毫克/德升的差异在统计学上是可察觉的,但不太可能改变临床管理。

然而,对于变异系数和先进的甘油变异度测量等计量标准,软件差异可能更显著,在临床上可能更具有相关性。 在研究环境中,这些计量标准作为研究终点,在可变性评估指导疗法强化决定的临床情景中,这一点尤为重要。

制造商与第三方软件

制造商提供的软件提供了一些优势,包括无缝设备集成、自动上载数据、以及为病人和临床医生设计的方便用户的界面。 这些平台作为CGM系统总体审批程序的一部分,经过严格的验证和监管审查。

第三方软件和开源软件提供不同的好处:

  • Device 不可知:[可以分析来自多个CGM品牌的数据,在切换设备时能够进行比较并保持连续性.
  • 先进度量衡:[ 通常采用制造商软件中尚未使用的更新型或更专业度量衡
  • 客户化:[开源工具允许研究人员修改计算或添加新特性.
  • 透明度:[] 开放算法可以核查计算方法和识别潜在问题
  • 研究重点:[] 设计支持科学调查,具有批量处理和高级统计能力.

制造商软件和第三方软件之间的选择取决于使用案例,对于常规临床治疗,制造商软件通常提供最简化的经验,对于研究应用或从多类设备分析数据时,第三方工具提供更大的灵活性和能力。

CGM数据分析的新趋势

人工智能和机器学习

人工智能和机器学习结合到CGM数据分析中,代表了超越传统统计方法的重大演变. 机器学习算法可以识别出葡萄糖数据中可能通过常规分析无法明显看出的复杂规律,包括: .

  • 预测模型: 根据当前趋势,历史规律,以及餐食和活动等背景因素预测出未来葡萄糖水平的算法
  • 个人见解: 学习个别葡萄糖反应模式和提供量身定制建议的制度
  • 异常检测: 自动识别可能表明传感器故障、疾病或其他需要注意问题的异常模式
  • 风险分层: 根据多条数据流预测低血糖或高血糖风险

这些AI增强的能力开始出现在制造商软件和第三方应用中,尽管临床使用的机器学习模型的验证仍然是研究和监管发展的一个活性领域.

与其他健康数据相结合

现代的CGM数据分析越来越多地将光是葡萄糖读取以外的信息纳入其中。 与其他数据源的整合为葡萄糖模式提供了更丰富的背景:

  • 胰岛素的提供数据:[ 从智能笔或胰岛素泵,对葡萄糖-胰岛素关系进行能动分析.
  • 物理活性:[ 从健身跟踪器或智能手机传感器,与葡萄糖反应相衔接的锻炼
  • 用途信息:[ 从食物记录应用中,将餐与后葡萄糖出行连接起来.
  • 睡眠数据:分析与睡眠质量和持续时间有关的夜食葡萄糖模式.
  • 压力和情绪:[探索影响葡萄糖控制的心理因素.

这种多模式数据整合使得糖尿病管理更加全面,从葡萄糖监测到整体健康优化。

实时分析和决策支助

传统的CGM数据分析侧重于对葡萄糖模式的追溯性审查,而新兴软件则提供实时分析和决策支持。

  • 预告: 发生前即将发生的缺血或高血糖症的警告
  • 提出建议: 根据目前的葡萄糖和趋势提出的胰岛素校正或碳水化合物摄入建议
  • 活性指导: 关于以葡萄糖状况为基础的锻炼时间或强度的建议
  • 食用时间: 根据葡萄糖趋势提出最佳食用时间的建议.

这些实时能力将CGM从监测工具转变为活跃的糖尿病管理助理,尽管它们需要强而准确的可靠性以确保安全的建议.

标准化努力

糖尿病技术界继续努力使CGM数据分析更加标准化。

  • 共同数据格式: 为CGM数据交换开发标准化文件格式.
  • 计量定义: 协商一致声明对所有标准衡量标准的计算方法作了精确界定
  • 报告标准: 用于AGP和其他标准报告的模板,以确保一致性
  • 校验协议: 验证新软件工具的标准方法
  • 互可操作性要求:[ 技术标准,使不同系统之间能够分享数据

这些标准化努力旨在确保无论患者使用哪一个CGM设备或分析软件,他们都能收到一致、准确的信息,支持最佳糖尿病管理。

CGM分析软件选择的实际考虑

病人和护理者

在选择用于个人糖尿病管理的CGM数据分析软件时,考虑:

  • 设备兼容性: 确保软件与您特定的CGM系统工作
  • 使用方便: 寻找不需要技术专长的直观界面.
  • 移动访问:智能手机应用启用上行数据审查
  • 数据共享: 与保健提供者、家庭成员或护理者共享报告的能力
  • 视觉质量: 清晰、易懂的图和报告,能促进模式识别
  • 用户定制: 符合个人需要和偏好的灵活性提示设置
  • 成本: 考虑软件是否需要订阅费或是否包含在CGM系统中

对大多数患者来说,制造商提供的软件提供了方便使用、可靠性和与CGM系统整合的最佳组合。 第三方选项对于使用多设备或寻求制造商软件所不具备的具体特征的人可能很有价值。

保健提供者

评估CGM分析软件的临床医生应优先:

  • 多设备支持:[ 使用不同CGM品牌审查患者数据的能力
  • AGP合规: 生成标准化AGP报告,以进行一致的解释
  • 功效:[ 为繁忙的临床工作流程提供快速数据审查能力.
  • 集成:[与电子健康记录系统相兼容
  • 远程监测: 检查病人在探视之间数据的能力
  • 监管合规:HIPAA合规和适当的数据安全措施
  • 培训和支助: 培训资源的可得性和技术支助

许多医疗保健系统使用多个软件平台来容纳拥有不同CGM设备的患者,尽管这可能会造成工作流程上的挑战. 诸如从多设备类型中汇总数据的"Tidepool"这样的平台为这种分解提供了潜在的解决方案.

研究人员

研究应用有不同的要求:

  • 计量全面性: 执行所有协商一致确定的计量标准外加专门研究计量标准
  • 批量处理: 高效分析大数据集的能力
  • 海关化:[ 修改计算或执行新度量衡的选项
  • 数据导出: 其他软件统计分析的灵活导出选项
  • 透明度: 明确的出版计算方法文件
  • 校正:[ 已公布的验证研究,证明准确性
  • Version控制: 指定用于复制的确切软件版本的能力

开放源代码工具,如iglu、rGV和cgmanalysis,特别适合研究应用,提供了科学工作所需的透明度和定制。 然而,研究人员必须仔细记录他们使用的软件版本和设置,以确保成果的可复制性。

质量保证和验证

软件测试和验证

严格测试和验证对于确保CGM数据分析软件的准确性至关重要。

  • 计算核实:对照手计算值或参考执行测试计量计算
  • 边框测试: 用异常数据模式、缺失的数据和极端值来评价性能
  • 交叉-平面比较: 利用相同的数据集与其他已验证软件进行比较的结果
  • 临床验证:确认软件输出导致适当的临床决定.
  • 用户测试: 评估可用性并查明用户出错的潜在来源
  • 绩效测试:[]确保软件高效地处理大型数据集

已出版的验证研究为软件可靠性提供了重要证据. 评估软件时,找寻同行评审的,记录验证方法和结果的出版物.

持续的质量监测

软件准确性不是一次性的成就,而是需要不断监测和维护:

  • Bug 跟踪: 识别和处理计算错误的系统
  • 用户反馈:用户报告问题或出乎意料结果的机制
  • 经常性更新:[ 解决已查明问题的预定软件更新
  • 回向测试:[]确保更新不会引入新的错误
  • 绩效监测:[ 跟踪软件性能衡量尺度随时间推移

用户应该及时了解软件更新情况并安装软件,因为更新往往包括重要的精度改进或错误修正。 医疗保健提供者应该建立程序,以核实患者报告的数据是否合理,并调查任何出乎意料或不一致的结果。

监管考虑

在美国,FDA监管软件作为医疗设备,用于诊断、治疗或预防疾病。 简单显示或存储CGM数据的软件可能不需要FDA许可,而提供治疗建议或作出临床决定的软件通常需要如此。

糖尿病软件的监管格局继续演变,各机构努力在创新与患者安全之间取得平衡。

  • 预定用途:软件是否用于专业或病人,影响监管要求
  • 风险分类:高风险应用面临更严格的监管要求.
  • 临床验证: 证明安全和有效性的证据要求
  • 网络安全:[ 保护病人数据和防止未经授权访问的要求
  • 互通性: 与其他医疗器械和系统交换数据的标准

医疗服务提供者和病人应核实他们使用的软件是否对其预期应用经过适当的监管审查或批准,虽然研究工具和个人保健应用软件可能不需要监管批准,但用于临床决策的软件应符合适用的监管标准。

未来方向和挑战

解决目前存在的限制

尽管取得了显著进展,但CGM数据分析软件仍然面临持续的挑战:

  • 标准差距: 跨平台的计量定义和计算方法的持续可变性
  • 互通性障碍: 不同系统和设备之间难以共享数据
  • 复杂度管理:[ 综合分析与方便用户的演示文稿平衡
  • 分化可变性: 计算葡萄糖形态和反应的人物与人之间的差异.
  • 文本集成: 纳入相关上下文信息而无需压倒性用户
  • 校正负担: 验证新软件特性所需的时间和费用

应对这些挑战需要设备制造商、软件开发者、研究人员、临床医生、病人和监管机构之间的协作。 制定共同标准和促进互操作性的全行业举措对于充分发挥CGM技术的潜力至关重要。

新出现的机会

气候小组数据分析的未来具有令人振奋的可能性:

  • 精密医学:[] 根据个人特征和反应,高度个性化的分析和建议
  • 预测分析: 葡萄糖趋势和糖尿病并发症的高级预测
  • 自动化疗法调整: 基于CGM数据自动优化治疗的闭路系统
  • 人口保健管理: 综合分析社区保健网数据,以查明趋势和改善护理提供
  • 与其他生物标记结合: 葡萄糖与其他代谢标记的综合分析,以便进行综合健康评估
  • 行为洞察力:[ 了解影响葡萄糖控制的心理和行为因素.

随着CGM技术继续发展并扩展到传统糖尿病人群之外,包括了先糖尿病和一般健康应用,数据分析软件需要适应服务于这些更广泛的使用病例,同时保持医疗应用所必需的准确性和可靠性.

结论

评估CGM数据分析软件的准确性是一项复杂但至关重要的任务,对优化糖尿病管理来说,MARD等计量标准提供了传感器准确性方面的有用基准,但具有重要的局限性,应该与克拉克错误网格分析、范围特定准确性和临床结果数据等其他措施一起考虑。 分析软件的选择极大地影响了CGM数据得出的见解,不同的平台显示不同计量标准有不同程度的一致。

对于临床决策中使用的核心度量标准——平均葡萄糖、范围时间和低于范围时间——大多数经验证的软件平台都会产生临床等同的结果。 然而,对于高级可变性度量和专门计算而言,差异可能更大。 影响软件性能的因素包括数据质量、算法先进度、遵守国际标准以及持续验证努力。

制造商提供的软件和第三方软件选择都提供了独特的优势,最佳选择取决于具体使用案例。 患者和护理者通常受益于制造商软件的无缝整合和用户友好界面,而研究人员和临床医生分析来自多类设备的数据可能更倾向于第三方工具的灵活性。 包括人工智能、多模式数据整合和实时决策支持在内的新趋势有望进一步提高CGM数据分析的价值。

随着该领域的不断发展,当前在标准化、验证和互操作性方面的努力对于确保所有用户 — — 不管他们使用何种设备或软件 — — 都能收到准确可靠的信息以支持最佳糖尿病管理和改善健康结果至关重要。 医疗保健提供者、病人和研究人员应当了解软件的能力和局限性,选择适合其需要的工具,并通过反馈、研究和宣传参与推进该领域的努力。

欲了解有关持续的葡萄糖监测技术和糖尿病管理的更多信息,请访问美国糖尿病协会,JDRF,或临床实践指南的ADA专业实践委员会. 有意使用CGM数据分析工具的研究人员可以通过GitHub等寄存器探索开源选择,并参考最近在糖尿病期刊上发表的关于CGM指标的共识声明.