人工智慧革新糖尿病管理：從資料科學到臨床實踐 | 2024 ADA

*僅供醫學專業人士閱讀參考

糖尿病資料科學的未來會是什麼樣？

隨著人工智慧（Artificial Intelligence，AI）技術的飛速發展，其在醫療保健領域的應用正逐步改變傳統的疾病管理模式。特別是在這一慢性疾病的管理上，AI將如何應用於醫療保健？AI的介入又會為患者帶來什麼樣的醫療體驗？

在第84屆美國糖尿病協會（ADA）年會上，來自美國弗吉尼亞大學糖尿病技術中心的Boris Kovatchev教授做了題為“人工智慧在醫療保健中的應用及其對糖尿病資料科學的影響”的報告，本文將整理此次講座內容，以饗讀者。

AI：模擬人類智慧的神經網路技術

AI是一種賦予計算機思考和學習能力的技術，透過模擬人類智慧解決問題和理解語言，機器學習（Machine Learning，ML）是AI的重要組成部分，其中，使用了深度神經網路模型的機器學習演算法稱之為深度學習（Deep Learning，DL）。

在模擬人的神經系統過程中，人工神經元透過將輸入變數與權重進行加權求和，再透過啟用函式進行非線性變換，從而產生輸出。啟用函式如Sigmoid函式在神經網路中起到了重要的作用，使得神經網路能夠處理複雜的非線性問題。深度學習具有多個層級，不同的人工神經元透過排列組合形成框架，因此在複雜任務中表現出色。

AI在糖尿病早期診斷與監測中的應用

在醫療保健行為中，AI的應用極大地促進了疾病的早期發現、診斷和治療，特別是在糖尿病領域。透過生成式AI、大型語言模型、影像識別、風險分層等技術手段，AI為醫療提供了強有力的支援。

其中，生成式AI透過學習訓練資料中的模式，進而生成具有相似特徵的新內容。近年來有越來越多的生成式AI研究發表，大多數是在美國地區進行的研究。同時，ChatGPT的出現又大幅度推進了生成式AI的發展。近期，《新英格蘭醫學雜誌》發表了一項研究，研究結果顯示，GPT-4在五個專業中的四個通過了住院醫師考試，顯示出中位數分數高於65%的官方透過分數。

糖尿病是一種充分量化的疾病，採用血糖指標即可診斷該疾病，透過數字（如糖化血紅蛋白結果）即可對疾病進展進行監測。我們可以在計算機上對人類代謝系統進行建模和模擬，並自動模擬糖尿病患者的代謝系統。在糖尿病資料處理中，連續血糖監測（continuous glucose monitoring，CGM）資料的處理非常關鍵且具有代表性。Kovatchev教授介紹了基於糖尿病CGM資料的處理方法，主要包括：模式識別、分類和預測；AI驅動的自動胰島素輸送；資料農場和AI增強的臨床試驗。

●一項研究中，人工智慧被用來識別透過CGM資料檢測飲食和身體活動模式。該研究從TIDEPOOL資料庫中選擇了八名個體，均佩戴CGM，資料持續時間為206-655天，同時進行運動和飲食記錄。

研究者基於原始或插補資料開發了兩個（RNNs），結果發現Long-short-term memory（LSTM）結合1D卷積迴圈神經網路（1D CNN-RNN），利用插補資料提供了最佳效能。

●另一項研究，採用23,916個日常CGM曲線為訓練資料；37,758個曲線為驗證資料：另外143,036個曲線為測試資料，將所有可能的日常CGM曲線分類到有限數量的臨床顯著性簇（CSCs）中。

32個CSCs足以保留任何日常CGM曲線所攜帶的資訊，從血糖目標範圍內時間（time in range，TIR）系統的指標來看，CSCs能夠清晰地區分血糖控制狀態。此外，在1型糖尿病患者中根據CGM的資料進行低血糖的預測也是今年來本領域一項持續且引起廣泛關注的工作。

神經網路人工胰腺：AI在糖尿病管理與臨床試驗創新中的應用

熱點的糖尿病AI領域包括神經網路人工胰腺（Neural-net Artificial Pancreas，NAP）。NAP是指透過神經網路來複現任何胰島素劑量規則的操作，包括自動胰島素輸送（Automatic insulin delivery，AID）演算法，NAP可以使人工胰腺的預測效力顯著提高。

由Kovatchev教授牽頭的NAP臨床試驗已經獲得了I期資料，共有15名1型糖尿病患者參與並完成了該研究，在執行本試驗過程中未記錄到任何不良事件，在主要終點與傳統模型相比非劣效，而NAP的計算需求比通用模型預測控制（Universal Model Predictive Control，UMPC）低6倍。

最後，Kovatchev介紹了透過AI來輔助臨床試驗“虛擬DCCT研究”，DCCT是糖尿病控制與併發症試驗（Diabetes Control and Complications Trial）是一項里程碑式的研究，前後跨越10年的大型臨床研究，旨在評估1型糖尿病患者血糖水平控制對糖尿病併發症發生和發展的影響。

在虛擬DCCT研究中，研究者從不同資料來源（存檔的血糖跡象、DCCT參與者的SMBG曲線和虛擬CGM跡象）中提取資訊，並利用機器學習演算法來擬合參與者的糖化血紅蛋白值和其他血糖相關特徵。

該研究發現，透過AI擬合的TIR與實際測得的糖化血紅蛋白有非常高的複合性，並可預測糖尿病相關的併發症。該研究提示了採用AI進行虛擬臨床試驗的可行性。

小結

人工智慧應用在醫療領域快速發展，特別是生成式人工智慧和大型語言模型在此方面的領先地位。糖尿病作為一種被充分量化的人類疾病，在糖尿病資料科學方面取得了快速進展，包括但不限於事件檢測和預測、疾病進展的分類和跟蹤、人工智慧決策支援系統、人工智慧驅動的神經網路自動胰島素輸送以及人工智慧增強的臨床試驗。這些資料科學應用很可能決定著糖尿病研究和臨床實踐的未來方向。

撰稿專家

稽核專家

意猶未盡？沒關係！

掃描下方二維碼關注“醫學界帶你看國際大會——2024 ADA”

電子壁報、影片解讀、大會資訊、專家帶你看這裡都有

還有往期精彩內容回顧不容錯過！

責任編輯｜馮梓瑩

*"醫學界"力求所發表內容專業、可靠，但不對內容的準確性做出承諾；請相關各方在採用或以此作為決策依據時另行核查。