糖尿病自我管理中人工智能技術應用進展*

徐子犢 耿 季 張 帥 李 嬌 李 菁

(中國醫學科學院醫學信息研究所 北京 100020)(復旦大學附屬華山醫院 上海 20040)(北京協和醫學院護理學院 北京 100144)(中國醫學科學院醫學信息研究所 北京 100020)(北京協和醫學院護理學院 北京 100144)

1 引言

糖尿病(Diabetes Mellitus, DM)是威脅全球健康的最大公共衛生挑戰之一，可導致殘疾人口增加、預期壽命縮短和嚴重的疾病負擔[1]。糖尿病作為一種慢性疾病，患者的自我管理對其疾病發展和健康狀況有重要影響，被定義為“患者管理糖尿病過程中的一組日常行為”，具體包括遵從飲食、運動、藥物療法，自我監測血糖，并發癥篩查等[2]。

人工智能(Artificial Intelligence, AI)是涉及計算機科學、數學、認知科學、神經生理學、語言學、心理學、控制論、信息論等多個領域的綜合學科，基本思想在于使計算機系統或智能機器模型在人為干預最小化的情況下模擬人的神經系統和身體器官進行感知、學習、推理和行動[3]。AI技術泛指AI領域所使用的方法、算法和模型[4]。目前，AI技術在醫療服務和健康管理領域的應用，已成為醫學與計算機科學交叉研究熱點，其范疇包括但不限于機器學習(Machine Learning, ML)，深度學習(Deep Learning, DL)，強化學習(Reinforcement Learning, RL)和自然語言處理(Natural Language Processing, NLP)[5]。醫學人工智能技術的合理應用使得醫務人員、患者和醫療系統均可受益[5-7]：如使用深度神經網絡(Deep Neural Networks, DNN)進行模式識別(Pattern Recognition)，幫助解釋醫學影像以輔助臨床診斷，或開發醫用虛擬教練以改善個人健康行為，使用ML、RL進行電子健康記錄(Electronic Health Records, EHR)、環境記錄等大型數據集的回顧分析以預測患者關鍵結果與潛在風險，推薦治療方案，更加安全、有效和準確地利用醫療系統資源。本文總結近5年來糖尿病自我管理中AI技術的應用研究，分別從飲食管理、運動管理、血糖監測、服藥依從性、并發癥篩查5方面展開介紹，從而為人工智能輔助糖尿病自我管理決策提供參考。

2 糖尿病患者數據管理與決策支持

糖尿病患者的自我管理情況與其治療達標率和藥物使用率密切相關[8]。良好的自我管理包括對患者數據的有效收集，基于數據的用藥監測和自我癥狀報告、生活方式管理等。糖尿病自我管理需求實現路徑，見圖1。傳統模式下患者被動地遵循治療計劃，其癥狀描述、主觀體驗、醫學生物測試結果分別儲存于患者、臨床醫生等不同接口而缺乏有效的信息交換，患者相關數據缺乏即時合理的解釋與反饋，無法為其提供自我管理的決策支持。而在引入新技術的糖尿病自我管理模式下，可穿戴生物傳感器實現患者生理指標與行為數據的實時訪問與傳輸，結合患者的個體需求為其提供自我決策支持與行為實踐依據，進一步提升患者自我管理的質量[4]。與此同時患者相關數據呈指數增長，其數量和復雜性已超出傳統人工數據分析方法的極限。為理解龐大的數據集、提高患者數據利用價值，在改進個性化醫療實踐的同時滿足公共衛生需求，醫療與計算機領域的專家學者嘗試利用AI技術來解決上述問題。AI技術能夠從大量醫療健康數據中“學習”特征，揭示數據中潛在的關聯，進而建立模型以使用個體患者數據解釋及推測未來事件并根據實時反饋不斷進行自我糾正和更新[9]，從而滿足患者在不同自我管理場景下的需求，如食物營養素計算、餐后血糖預測、運動探測、服藥依從性監測、胰島素劑量計算、血糖異常值警報、并發癥識別等。

圖1 糖尿病自我管理需求實現路徑

3 糖尿病自我管理中人工智能技術的應用

3.1 飲食管理

AI技術與最新的醫療設備及移動計算、生物遙感等技術相結合可以有效改進慢性病管理，尤其可作為糖尿病患者自我管理的常規化輔助工具[9]。大部分DM患者會出現餐后血糖升高，易引發多種心血管疾病，而膳食攝入對血糖水平起主要決定作用，故DM患者需要正確的飲食決策以控制餐后血糖[10-11]。考慮到個體在碳水化合物吸收率、胰島素敏感性、腸道微生物環境方面的差異，使用AI技術進行虛擬環境下多模態數據分析以指導個性化飲食具有重要意義。Zeevi等[12]收集800名受試者兩周持續血糖監測以及腸道微生物、血藥濃度等各種實驗室測試的結果，搭建一個漸進梯度回歸樹模型以分析預測個體對特定食物的血糖反應，為糖尿病患者食物選擇提供決策支持。此外AI技術可與智能手機應用程序相結合以提升患者飲食行為依從性，如Zhang等[13]利用支持向量機(Support Vector Machine，SVM)識別患者拍攝的食物并匹配對應的熱量、營養素信息，便于患者進行膳食記錄與評估。

3.2 運動管理

運動可提高糖尿病患者的胰島素敏感性，也易引起血糖波動。為預防低血糖事件患者需要定時測血糖，在此基礎上結合自身疾病情況開展運動項目進行，血糖控制[14]。基于ML算法的運動探測與量化系統為患者運動行為管理提供支持，優勢在于能夠通過模式識別對運動瞬間生成的數據進行反應與權衡并具備時間序列數據分析與預測的能力。Fernando[15]將降維、無監督聚類、隱馬爾可夫模型等方法進行組合，對患者在日常生活與健身中心兩種場景下機械運動和生理電信號等多元數據組成的時間序列準確而穩健地識別，實現對運動強度和類型的自動分類和量化，分類準確率高達88.86%。這種真實世界下的運動追蹤能夠為運動處方咨詢與執行提供依據。基于AI算法的手機應用程序通過持續監控和個性化交互也提升患者的運動行為依從性。Yom-Tov等[16]創建一種基于增強學習算法的“個人運動教練”應用，對有助于增加患者活動量的消息進行預判、再發送，通過次日計步器獲得的患者運動量來評估該消息的有效性并作為訓練算法的獎勵。結果表明接受個性化反饋的實驗組相比對照組患者活動量和步速增加，血糖水平(HbA1c)降低，參與時長越長，血糖水平降低越多。

3.3 血糖自我監測

血糖自我監測(Self-monitoring of Blood Glucose，SMBG)是接受胰島素治療的患者自我管理的主要方式，通常以連續血糖監測工具(Continuous Glucose Monitoring，CGM)為主[2]，其目的在于根據血糖監測結果為患者個性化治療方案提供決策依據，提醒患者注意血糖異常變化而采取適當行動預防夜間低血糖等危險事件[2]。目前人工胰腺、CGM和生物傳感器組成的集成式閉環系統已經初步實現對血糖的持續監測與低血糖等不良事件應急[7]，為進一步保證患者的安全，還需要能夠提供準確的血糖預測結果、預防不良事件的SMBG系統。該預測的復雜性在于患者血糖通常受到個體生理、環境因素等多方影響而一直處于非線性動態變化中。為此開發者引入基于AI的工程控制算法，對既往血糖值形成的時間序列進行訓練以建立模型預測短期內個體葡萄糖水平變化，據此計算需要推注的胰島素劑量和/或胰高血糖素，在發出警報的同時為患者盡早采取預防行為提供決策支持[17]。Sun等[18]使用長短期記憶網絡建立可根據CGM測量結果預測血糖水平的時序數列模型，其預測結果與真實值的誤差和時滯較低，擬合度較高，整體表現良好。Cappon[19]等利用DNN算法從海量訓練樣本中自動提取相關特征準確預測血糖的特性，模擬在食量和血糖變化率等方面不同的100個虛擬成人的數據并將上述指標納入血糖計算標準公式，加入體重、胰島素泵基礎輸注速率和胰島素敏感性等作為特征來訓練神經網絡，計算基于膳食的個性化胰島素推注劑量，測試得到該模型下的血糖風險指數顯著降低(P<0.001)。Alberts等[20]引入基于貝葉斯推理的數據同化算法將少量的血糖數據與胰島素的生理節律模型相結合，通過數據平滑處理與不確定性量化來估算先前缺失的血糖值，預測餐后血糖和HbA1C值，使得僅通過指血進行SMBG的DM患者也能獲得可靠的決策支持。

3.4 服藥依從性管理

糖尿病患者通常需長期服藥以控制血糖水平和預防各類并發癥，藥物依從性差導致的臨床結局惡化和醫療成本上升已成為重要問題。較低的服藥依從性一方面與患者年齡、教育程度、感知服藥負擔等個人因素有關，表現為拒服、漏服、自行增減藥量、隨意更改服藥時間和順序等[21]；另一方面與患者自我管理的無監督性以及缺乏完善的自我管理支持系統有關。因此通過有效的服藥監督行為來減少患者的感知服藥負擔并為其提供自我管理支持，幫助其了解藥物治療的益處和風險，參與共同決策是提高其服藥依從性的有效策略。由AI技術與患者健康數據共同驅動的決策支持系統能夠根據患者在日常自我管理過程中產生的數據監督其服藥行為，分析患者服藥依從性并生成相關反饋信息對患者提供藥物選擇等方面的決策支持，促進其在服藥乃至整個治療方案依從性方面的提升[5]。將智能手機的相機與神經網絡計算機視覺算法相結合可對患者的藥物攝入進行直觀識別和確認，將藥物延時劑量、錯誤劑量和錯誤用法報告至醫務人員，然后將攝入的藥丸計數和血漿采樣相關聯、與藥代動力學相關數據結合進行分析，以實現患者服藥依從性的快速檢測和預測[22]。對于基數龐大的DM患者，上述成果可進行擴展性應用并產生積極影響，如使用生存樹等方法來確定口服降糖藥的依從性閾值，促進個性化藥物治療方案制定，提高患者的服藥依從性。Eghbali-Zarch等[23]還提出利用模糊環境下的多準則決策模型構建一個完整的藥物決策團隊。研究者從臨床指南和內分泌學專家的訪談意見中提取標準并逐個賦予標準權重，然后依照上述新標準評估每種替代藥物方案，進而為DM患者的藥物選擇提供支持。

3.5 并發癥自我篩查

糖尿病的進展常伴隨眼部、腎臟、足部等全身多部位和器官的病變，需要患者進行規律的體檢以盡早發現并接受糖尿病并發癥相關治療[2]。傳統的并發癥篩查有賴于相關醫療專家水平與經驗、醫療設備的普及與精準程度，考慮到糖尿病患者人口基數大、增長速度快的特點，這方面的資源顯得相對匱乏，因此引進相當自動化病變識別軟件就顯得尤為重要。DNN等圖像識別算法將大量不同病變等級的圖像逐步分解成小塊接受異常特征標注，隨后對標注結果進行學習以訓練出能夠自主識別圖像異常特征的新模型，進而模擬專家進行糖尿病患者眼底、腎臟等圖像的檢測和分級，給出轉診建議[24]。首個利用DNN開發的糖尿病視網膜病變(Diabetic Retinopathy, DR)和視力威脅(Sight-threatening Diabetic Retinopathy, STDR)智能手機探測軟件EyeArtTM[25]的真實世界測試結果顯示，與眼科醫生鑒定分析的結果相比，AI軟件在測試DR方面的敏感性為95.8%、特異性為80.2%；STDR方面的敏感性為99.1%、特異性為80.4%，與眼科醫生的kappa一致性分析結果分別為0.78 (DR,P<0.001) 和0.75 (STDR,P<0.001)。據此，EyeArtTM或能憑借其高靈敏度應用于基層糖尿病患者的視網膜病變篩查，為醫療資源稀缺地區的患者創造可及的并發癥篩查條件。

4 結語

人工智能在糖尿病患者的自我管理中扮演著重要的輔助者角色，促進個性化營養、運動以及用藥方案的制定與落實，提高患者的行為依從性[5]。一方面深度學習算法的引入實現患者健康相關數據自動化更新、解釋和反饋，使患者能夠在日常健康管理中獲得足夠信息并接受輔助工具的警報、提議以做出合理的自我管理決策；另一方面AI技術支持多界面集成的大量患者健康數據的訪問與共享，糖尿病患者、醫務人員和系統監管人員能夠同時參與醫療數據管理，促進高效的健康信息交互和決策制定，進一步提高醫療服務效率與醫療資源利用率，這對工作量龐大、情況復雜的糖尿病管理尤其關鍵。然而目前的研究還未能闡明基于AI技術的健康行為干預在糖尿病自我管理中的作用機制，無法明確對糖尿病自我管理起作用的主要成分及合理的干預劑量、路徑、時長等要素。此外AI技術在醫學領域應用研究尚無法展現長期追蹤結果，其成本效益(是否需要大量醫務人員支持和額外的藥物投入)以及對于糖尿病患者健康結局的遠期效果或風險有待進一步驗證。考慮到糖尿病患者在健康狀態、認知行為及社會經濟等方面的差異，AI技術的適用場景及所匹配的靶向人群也需更加明確。另外可嘗試建立行為理論與AI技術的關聯，保證患者和醫務人員均獲得及時的鼓勵和反饋，通過系統性的干預手段改善糖尿病患者自我管理的健康結局。