人工智能在2型糖尿病健康管理中的应用研究进展*

金亦周,周 利 综述,徐明智审校

[1.树兰国际医学院,浙江 杭州310015;2.浙江大学医学院附属第一医院重症医学科,浙江 杭州 310000;3.浙江树人学院树兰国际医学院附属树兰(杭州)医院内分泌与代谢病科,浙江 杭州 310004;4.浙江省肿瘤医院综合内科/中国科学院基础医学与肿瘤研究所,浙江 杭州 310022]

糖尿病(DM)是一种以血糖水平升高、代谢紊乱为特征的慢性疾病,全球患者数量超过5亿[1]。近30多年来,我国的DM患病率显著增加,由于城市化、老龄化等因素的影响,DM的知晓率、治疗率和控制率虽然已经取得一定改善,但仍处于较低水平[2]。在DM人群中,2型糖尿病(T2DM)占90%以上,1型糖尿病(T1DM)和其他类型的DM较少见。

在T2DM的并发症中最重要的是血管并发症,微血管系统的病变会引发肾病、视网膜病变、足溃疡等疾病[3],大血管并发症包括冠心病、心力衰竭等,还有脑血管和外周动脉疾病,对T2DM的发病率和死亡率均有很大的影响[4]。据估计,高达25%新诊断的T2DM患者已经出现了一种或多种糖尿病并发症[3]。

T2DM患病人数的不断上升和患病群体的年轻化,使社会与医疗机构亟须寻找新的技术方法和管理方式来提高T2DM的诊治效率,减轻T2DM患者的负担,降低医疗费用支出。在近几年全球新型冠状病毒感染大流行中,远程医疗和数字技术的重要性得到了证明[5],人工智能(AI)有望改变医疗模式,在DM等慢性疾病中将发挥越来越大的作用。

1 AI的现状与应用优势

AI一词早在1956年就被提出,意味着尽可能减少人为干预,使用计算机来模拟智能行为。计算能力的指数增长、大数据处理技术、机器学习等重大技术突破都让AI彻底改变医疗领域成为可能。当前,我国医疗健康领域已进入数字医疗阶段,并大力推动数字化转型成为智慧健康医疗[6]。建立基于5G网络的智慧医院、智慧社区和智慧家庭病房是AI在我国应用于医疗服务的创新模式,AI技术和机器人被大量应用于病房管理、感染控制、安全管理与培训等场景[7]。此外,我国关于AI的研究与创新也逐渐与国际接轨,国际上有关AI的研究在前期一直发展缓慢,进入21世纪后开始有所突破,在2017年后呈爆发式增长趋势,中国的发展趋势也与国际总体相似。同时,与DM有关的AI研究也随着AI领域的深入发展逐渐增多。

2 AI用于T2DM的预测与诊断

T2DM患病率在不同年龄段群体中差异较大,其是中老年人DM的主要类型,但近年来低龄儿童患病率明显上升,18周岁以下的患者数量也不容小觑。此外,在过去的几十年中,我国妊娠糖尿病(GDM)患病率持续增加,在某些地区可超过20%,特别是“二孩”“三孩”政策实施后,高龄高危孕妇的GDM患病率急剧上升[8],患有GDM的女性在随后几年中患T2DM的风险很高[9]。利用大数据及AI方法对T2DM进行预测与诊断,尤其是对高血糖预防意识不足的孕妇、儿童、青少年群体,有利于T2DM的早发现、早诊断、早治疗。预测T2DM,需先从医疗机构的体检信息中提取数据,涉及体重指数、空腹血糖等数10项指标,再利用多种机器学习算法建模对数据进行分析,学习算法包括决策树、随机森林、支持向量机等,早期预测并筛查出潜在的T2DM患者,以便及时干预治疗。

3 AI用于T2DM的管理

T2DM作为慢性终身疾病,虽然无法彻底治愈,但可以通过长期的生活方式干预和药物治疗有效控制疾病,做到带病生存。T2DM管理是一项复合型的团队服务工作,涉及病情监测、指导用药等医疗活动,还有膳食管理、体育锻炼、心理疏通等生活干预,需要患者个人、家庭、社区、医疗机构的共同参与。对T2DM患者来说,AI除了能够进行疾病风险预测,还能辅助诊疗,优化决策,帮助医院管理和患者个人管理(图1)。

图1 AI用于T2DM的管理的示意图

3.1血糖监测与胰岛素治疗

3.1.1连续动态血糖监测(CGM) CGM是一种先进的穿戴式血糖监测方法,准确性高,侵入性小,通过传感器连续监测皮下组织液的葡萄糖浓度变化[2],提供实时的持续性血糖测量数据,可以由医护人员手动调节血糖目标范围,当监测到患者血糖超出范围时就会发出警报提示,同时CGM还会主动将信息传输到专用的接收器、胰岛素泵、手机或云端,包括血糖变化率、个性化阈值基础上的高血糖和低血糖、根据血糖趋势得到的低血糖预警[10]。另外,还有佩戴式动态血糖手表、腕带等,通过多个AI模型结合传感器阵列组合,连续监测人体血糖、血压等多项生理参数,实时上传至云平台,精确度高,在国内外均已投入商用[11]。

3.1.2胰岛素泵 胰岛素泵也称持续皮下胰岛素注射,通过在皮下组织中放置插管向体内持续注射胰岛素,与CGM、DM信息管理合称为胰岛素“3C”整合管理系统,是DM管理的突破性发展。传统的胰岛素给药是通过胰岛素注射器或胰岛素笔每日多次注射,而胰岛素泵疗法则是根据日常需求和昼夜节律需求调整基础胰岛素,只需2～3 d更换1次输液装置,提供更精确、灵活的治疗,使患者体内的胰岛素水平尽可能接近正常生理情况。大多数胰岛素泵都是通过管型的输液装置来注射胰岛素,也有通过直接接触皮肤的贴片泵进行无管注射的[10]。有研究证明,胰岛素泵对T1DM患者有益,现也有专门为T2DM患者设计的胰岛素泵出现,简化了泵的设置,降低成本[12]。

3.1.3人工胰腺(AP) AP也称闭环胰岛素系统,是一种基于数学算法,根据CGM数据即患者的血糖情况来调整胰岛素传输的自动胰岛素输送系统。AP主要由血糖检测装置、反馈调节系统和胰岛素输注系统三部分组成,也就是CGM、胰岛素泵和算法控制器的整合,控制算法的诞生与更新使AP真正实现了对AP根据血糖水平分泌胰岛素的仿生模拟。目前,MPC是临床应用最多的血糖控制算法,相对于PID和模糊预测控制算法,MPC将血糖控制在理想范围内的效果更好,并能有效减少夜间低血糖的发生[13]。根据不同的治疗需求,AP衍生出了多种模式,最简单的是暂停胰岛素输注模式,在达到低血糖阈值之前暂时关闭胰岛素泵,及时纠正低血糖状态,此外还有夜间、日夜、双激素闭环模式等。AP的算法还在不断更新,可以实现更复杂的功能,如根据血糖的趋势持续性调整胰岛素输送[10]。

3.2互联网远程医疗 近年来,我国大力推动DM的基层防治工作,但仍缺乏系统的T2DM患者管理策略。互联网医疗+AI是影响现代医疗服务的最前沿技术之一[7],实现了医疗数字化,在慢性疾病管理中的作用日益凸显。有研究发现,通过搭建专科医护人员与社区医护团队业务交流的平台进行互联网视频通话,基于互联网-全科-专科合作的DM管理模式能够帮助患者实现血糖控制、增加健康行为、提升诊治依从性的作用,且不会增加药物治疗费用[14]。目前已有一些医疗机构采用互联网平台对患者的血糖、血压进行远程监控管理,保证管理的连续性,避免了传统随访带来的时空限制[15]。患者可以手动上传数据或由血糖仪和CGM自动上传数据,医护人员分析血糖情况后再通过互联网平台反馈给患者,及时调整治疗计划,大大提高了数据监测的效率。

健康宣教也是互联网医疗重要的一部分,患者的日常行为和自我管理能力对疾病的控制起关键作用,需要不断学习和掌握疾病管理相关的知识技能。互联网可以为患者提供教学和沟通的平台,以社区为单位搭建“互联网+健康教育”管理模式,形成“医学院校-基层医院-家庭”三级联动管理系统,开展线上健康管理,促进患者健康生活方式养成,提升患者的自我管理能力,同时也可以减轻患者的心理负担[16]。

3.3饮食与运动 科学合理的T2DM管理策略应该是综合性的,糖尿病教育、血糖监测、饮食治疗、运动治疗、药物治疗缺一不可。但我国患者对饮食治疗知识的掌握水平偏低,医嘱的依从性低,容易造成血糖大幅度波动、营养过剩或不良。AI在饮食管理中的应用主要分为饮食推荐和自动监测两方面,帮助患者纠正不良饮食习惯。

由于无锡没有专门的执法基地和执法艇，非法采砂船主与水行政执法部门“打游击”“搞时间差战术”，甚至由于抓获的非法采砂船只因缺乏停放场所而造成难于依法处理等问题。因此，无锡要加快推进采砂管理专用执法基地建设。

饮食推荐系统能够根据医生的医嘱,结合患者偏好进行个性化饮食推荐,在我国已产生了基于食物交换份法[17]、可变精度[18]、矩阵分解和标签[19]等的饮食推荐系统,其中协同过滤系统被认为是最成熟的,但由于医疗健康领域的数据库非常巨大,其推荐精度效果和用户满意度对比其在其他领域的应用还有待提高[20]。

饮食监测系统可以解决手动报告饮食情况准确性低、反馈慢的问题,采用移动摄像头和计算机视觉的自动记录保存方法,这种基于图像的识别评估系统使用深度学习将照片处理切割,提取特征并分类,进而计算食物体积和能量营养。Snap-n-Eat是一种食物识别系统,可以在无人为干预的情况下自动识别食物并估算热量和营养成分。目前,已有超过10 000个用于体重管理和饮食监测的应用程序被开发[21],一些用于计算食物摄入量的手机APP如FoodIntech也可用于医疗机构,帮助医护人员了解患者的营养状况。

目前,T2DM患者运动管理的评价方法较缺乏,而模糊层次分析法可以将疾病指标、心血管安全性及身体素质指标进行统筹结合,为运动方案的个体化、自动化问题提供解决思路。基于此方法的相关研究认为,在制定T2DM患者运动计划时需要更多地考虑个体的心肺功能、保障方案的具体实施效果和安全性[22]。包括iWatch在内的可穿戴活动监测器可以实时检测记录患者的运动情况,如热量消耗、心率等,并反馈给医生,增加医患沟通说服力,提高患者对运动治疗的依从性。

4 AI在T2DM并发症中的应用

T2DM患者短期和长期的血糖异常波动容易引发大血管和微血管并发症,还会引起氧化应激和慢性炎症因子的增加,导致器官受损。AI在提高T2DM并发症的预测与早期筛查效率和准确率上作用显著,AI医学影像分析显现出强大优势,基于支持向量机、逻辑回归、多层神经网络等算法的预测模型也已被证实是可行可靠的,AI不断满足T2DM并发症临床诊治的各种需求,有较高的应用价值。

4.1糖尿病视网膜病变(DR) DR是DM最常见的眼部并发症,会导致患者视力下降,甚至失明,是中老年人视力丧失的主要原因[23]。在中国的T2DM患者中,DR的患病率为28%～43%。因此,进行T2DM的系统管理,在早期对DR进行筛查诊断并及时管理治疗,有助于减少继发于T2DM的视力损害。

近年来,AI在眼科学的应用范围不断扩展,深度学习作为最先进的机器学习技术,在图像、声音识别方面具有诊断性能,尤其是对于眼科疾病来说,可以降低成本、提高诊断准确性[24]。AI可以从丰富的图像数据中识别出DR患者是否有出现出血渗出、微动脉瘤和新生血管,对DR进行筛查诊断和分级。2018年,首个用于DR临床筛查的深度学习算法获得美国食品药品监督管理局(FDA)批准,敏感度和特异度分别为87.2%和90.7%,这是AI在眼科领域应用的里程碑事件[25]。国内外研究人员多次对卷积神经系统模型进行训练测试,结果显示AI系统筛查检出可疑DR和同为DM眼部并发症的糖尿病黄斑水肿(DME)的敏感度超过90%,达到眼科医生的水平。智能视网膜成像系统具有自动、远程控制的特点,可以将最新的视网膜图像与早期DR的图像数据进行比较,根据病变程度提出转诊建议[26]。

对于医疗资源相对匮乏的基层医院,AI辅助诊断既能提高效率,又能节省费用,减少医生工作量。有研究显示,AI阅片诊断的符合率高于不同职称的内分泌医生,在转诊决策性能评估上,AI系统的转诊效率也优于培训后的社区医生[26],AI对DR的诊断依赖于清晰准确的图像数据,然而不同地区和医疗机构的技术水平不同,造成图像数据质量不稳定,这会对AI诊断判别DR的准确性带来一定影响。AI还可以用于DR的风险分级,根据患者性别、DM类型、DR严重程度、持续时间等风险特征,通过使用数字算法估计DR的风险,并确定个性化筛查间隔,在关注患者DR发展情况的同时合理分配医疗资源[27]。

4.2糖尿病肾病(DKD) DKD是T2DM的常见微血管并发症,对25%的患者都造成了影响[3],是慢性肾病和终末期肾病的主要原因。通过精确的预测模型对DKD进行早期干预,可以遏制其在无明显症状或体征的T2DM患者中发展。已有通过大数据机器学习构建基于电子病历的T2DM患者DKD的预测模型,评估蛋白尿和估计肾小球滤过率等生物标志物[3],旨在预测DKD并进行有效准确的干预,避免患者进行血液透析治疗,减少心血管事件的发生。

基于机器学习的mMRI-TA模型可用于评估DKD的肾功能,肾纤维化的T2WI成像变化很难被肉眼识别,但AI技术可以通过提取大量MRI成像纹理和细节特征分析来检测肾功能不全和纤维化患者的信号强度变化并进行量化[28]。DR、血细胞比容和血尿是区分DKD与非DKD重要特征变量,通过机器学习方法建立逻辑回归模型,对未进行肾活检的患者进行无创鉴别,可以提高临床诊断能力,降低疾病分类的误诊概率[29]。此外,将机器学习与WGCNA分析相结合,鉴定DKD的差异表达基因,并对免疫和氧化应激相关的枢纽基因进行筛选,为DKD的诊断和治疗提供新靶点[30]。

4.3心血管疾病(CVD) CVD是T2DM患者死亡的主要原因,与一般人群相比,T2DM患者的高血压患病率显著增加,且T2DM合并高血压患者的心血管死亡风险更高[31],CVD也是DM患者医疗保健支出的最大组成部分[4]。

目前,越来越多的治疗方案将降糖和降压共同作为治疗重点,近期已有国内自主研发的智能血压腕表通过Ⅱ类医疗器械注册检验,随着传感器技术、算法的更新,血压测量的敏感度、准确度不断得到优化,还可以帮助患者监测心率,发现心律失常,早期预警心血管疾病[32]。基于机器学习的RUSBoost算法模型可分析糖化血红蛋白(HbA1c)、平均血糖、DM持续时间等参数,识别CVD低风险和高风险的T2DM患者,改善传统量表预测风险“一刀切”的缺点,转向精确预测,挖掘患者群体在CVD方面的异质性,有利于定制更有效的预防和治疗策略[33]。

此外,AI也广泛应用于心电图[34]、心血管影像[35]等检查,这些方法敏感度和准确度高,可以量化心血管的结构和功能,鉴别疾病,及时筛查出异常情况,尽早发现心CVD并进行及时有效的救治。

4.4糖尿病足(DF) DF是由周围神经病变导致感染、溃疡等的常见慢性并发症,若不及时治疗,可能会导致截肢。AI在DF中的应用主要有以下三方面。

4.4.1足部溃疡和截肢的风险预测 机器学习技术建立统计模型可以评估患者病史、经济水平等因素来进行预测[36],旨在改善患者的生活质量和减轻截肢带来的经济负担。DF预警系统可分为足底压力检测、红外热成像和温湿度检测,实时监控DF高危因素,及时筛查DF,有效降低其发病率[37]。

4.4.2通过足底温度评估分析潜在炎症程度 足底温度升高是潜在炎症的关键指征,基于高分辨率红外相机和计算机捕获分析参数的红外热成像技术可以用于自动检测DF,分析温度的伤口炎症指数与伤口愈合之间的关系,预测伤口愈合情况,与液晶热成像相比,其具有非侵入性测量的优点,有利于进行自动分析,在远程医疗应用中显示出更大的潜力[38]。

4.4.3可以协助判断伤口大小及深度 在DF的诊治过程中,准确测量伤口大小至关重要,为了准确和客观地进行伤口大小测量,一些手机APP如NDKare采用可在二维和三维2个层面获取伤口表面积、深度和体积并进行统计分析评估,这些数据将上传至系统供医护人员使用[39]。基于深度学习的APP还可实现智能闭环式全病程管理,涵盖对患者的资料采集、智能测量、分级评估、多学科会诊和医联体医院间智能化转诊,有助于实现信息共享、线上线下一体化诊疗[40]。

5 AI在T2DM管理中的局限性

AI的应用也面临医疗安全、医学伦理方面的争议。比如AI系统模型涉及大量的医疗数据信息,存在伦理与隐私问题;AI更新迅速,医护人员跟不上AI的发展步伐,难以配合达到效果最大化,缺少系统培训来适应传统医疗到智慧医疗的转变;虽然目前AI技术已经尽可能秉持“以人为本”的原则进行人性化设计,但老年人使用智能设备仍然存在障碍,不利于疾病的管理。

6 小结与展望

智慧医疗是“健康中国”战略实施的重要支撑和保障,AI使医疗朝着更智慧、更便捷、更实用、更安全的方向发展。对于医疗机构来说,AI的应用大幅度提高了效率,减轻医护人员的工作压力和医疗卫生系统的负担;对于患者来说,AI的应用可以辅助自我管理,改善行为依从性和生活质量。AI还使患者、家庭、社区、医疗机构共同参与到健康管理中,促进信息交互,及时调整治疗策略。目前,机器学习是AI中最热门的方向,基于机器学习构建的算法模型既可以辅助诊断、预测风险,又参与医疗信息化,管理分析大数据并进行可视化,医学影像等领域都取得了超越传统方法的效果。

AI在T2DM健康管理中发挥了重要的作用,未来前景可期。目前,大数据规范应用标准化建设、人工智能应用标准化建设都在逐步推进,在之后的研究中,AI领域不仅需要优化算法,进一步探索个性化、人性化,还需要建设更完善的责任制度体系和监督体系,重视患者信息的隐私保护,并重视医疗机构、社区、家庭对患者的人文关怀。