编辑推荐：
肥胖症手术（BS）后，患者常面临术后低血糖（PBH）风险，却缺乏专用决策支持系统。研究人员开发开源软件包 Glu4，用连续血糖监测（CGM）数据预测 PBH 事件。试点研究显示其预测可靠、特异性高，有助于患者管理血糖，为 PBH 管理带来新希望。
在当今医疗领域，肥胖症已成为一个日益严重的全球性健康问题。肥胖不仅影响人们的生活质量，还会引发多种并发症，如心血管疾病、糖尿病等。肥胖症手术（Bariatric Surgery，BS）作为一种有效的治疗手段，帮助众多肥胖患者实现了体重的显著下降，并改善了相关并发症。然而，BS 并非完美无缺，术后低血糖（Post-bariatric Hypoglycemia，PBH）这一严重且常被忽视的并发症逐渐浮出水面。
PBH 表现为患者在进食后，尤其是摄入高碳水化合物食物后，血糖水平急剧下降至危险低值（血糖 < 54mg/dL）。这一情况与 1 型糖尿病（Type 1 Diabetes，T1D）和 2 型糖尿病（Type 2 Diabetes，T2D）中的低血糖有着本质区别。在 T1D 和 T2D 中，已有多种决策支持系统（Decision Support Systems，DSS）和连续血糖监测（Continuous Glucose Monitoring，CGM）工具辅助患者进行血糖管理。但针对 PBH 患者，却一直缺乏这样专门的技术解决方案。
PBH 患者长期暴露于反复、不可预测的低血糖风险中，这对他们的身体健康构成了极大威胁，可能导致严重的健康问题和长期的神经认知功能障碍。为了填补这一医疗技术空白，来自国外的研究人员开展了一项极具意义的研究，旨在开发一款能够利用 CGM 数据实时预测并预警 PBH 事件的工具，为患者的健康保驾护航。最终，他们成功推出了开源软件包 Glu4，并在《Clinical eHealth》上发表了相关研究成果。
研究人员为开展此项研究，运用了多种关键技术方法。他们基于 50 名接受 Roux-en-Y 胃旁路手术（RYGB）且临床确诊为 PBH 的成年患者的前瞻性观察临床研究数据（NCT05212207）进行算法开发与测试。每个患者均配备 Dexcom G6 CGM 设备，数据可传输至 IMPACT 移动应用程序。在算法设计上，Glu4 采用两步法。先是运用基于递归最小二乘法的运行到运行（run-to-run）算法预测未来 30 分钟的血糖水平，接着通过智能报警系统，当预测血糖低于设定阈值（54mg/dL）时发出警报。此外，还对算法的超参数进行了调优，如遗忘因子等。
下面来详细看看研究结果。在试点研究设计与 Glu4 的实际评估中，研究人员招募了 3 名 PBH 患者参与试验。让他们佩戴与 IMPACT 相连的 Dexcom G6 CGM 传感器，在禁食一夜后，食用标准化固体混合早餐诱发低血糖。结果显示，对于未出现 PBH 事件的第一位患者，Glu4 未发出误报警；而对于出现 PBH 事件的第二和第三位患者，Glu4 能在 CGM 值快速接近低水平且预测血糖低于低血糖阈值时及时发出警报，准确预测了 PBH 事件的发生，有效预防了严重低血糖发作。同时，临床医生对 Glu4 在移动应用中的功能和性能给予了积极反馈，认为其有助于实时监测和管理患者血糖水平。此外，研究团队还根据临床建议开发了独立的网络界面，方便用户手动输入血糖值进行预测，并可动态调整报警阈值等参数。
研究结论和讨论部分指出，Glu4 作为针对 PBH 患者开发决策支持系统的初步尝试，在预测低血糖事件方面表现出了有效性。它能让患者提前采取措施避免不良事件，且用户界面友好，可展示当前、过去的血糖数据以及预测水平。不过，该研究也存在一定局限性，样本量较小，与 T1D 低血糖预测研究的大样本相比差距明显，这主要是由于 PBH 患者获取 CGM 传感器的途径有限。但这一研究成果依然意义重大，它是专门针对 PBH 患者独特血糖动态设计的实时预测算法的首次实际应用。未来，研究人员计划开展更广泛的验证研究，样本量将扩大至 50 名患者，以更全面地评估该方法。同时，还将致力于开发基于人工智能的更精确解决方案，例如将心率数据等相关信息融入预测算法，进一步提升 Glu4 的用户友好性和实用性，最终通过大规模试验评估其对减少低血糖发作和改善 PBH 管理的实际影响。
