人工智能在胰岛素推荐系统中的应用：基于强化学习的个性化治疗新策略

《Die Diabetologie》：Role of artificial intelligence in enhancing insulin recommendations and therapy outcomes

为解决糖尿病管理中胰岛素剂量调整的复杂性和个体差异问题，研究人员聚焦人工智能（AI）驱动的胰岛素推荐系统，特别是强化学习（RL）算法在闭环/开环系统中的优化应用。研究表明，RL通过实时适应患者生理响应，显著提升血糖达标时间（TIR）并减少低血糖风险，为个性化糖尿病管理提供了新范式。

　　

论文解读

糖尿病全球发病率持续攀升，胰岛素治疗作为核心管理手段，却面临剂量调整复杂、个体响应差异大等挑战。传统方法依赖患者手动计算，易因饮食、运动等因素导致血糖波动，引发低血糖（hypoglycemia）或高血糖（hyperglycemia）风险。尽管胰岛素泵和连续血糖监测（CGM）技术有所进步，但如何实现精准、自适应的剂量推荐仍是未解难题。

瑞士伯尔尼大学ARTORG生物医学工程研究中心等团队在《Die Diabetologie》发表研究，系统综述了人工智能（AI）尤其是强化学习（RL）在胰岛素推荐系统中的突破性应用。通过分析闭环（如人工胰腺AP）、开环及混合系统的技术演进，团队指出RL算法通过与环境（患者生理状态）交互学习，可动态优化胰岛素输注策略，显著提升血糖控制效率。

关键技术方法
研究整合了多中心临床数据与仿真平台（如UVA/Padova T1D模型），采用模型无关RL（如Actor-Critic算法）和深度RL（如DQN、DDPG），结合CGM或自我血糖监测（SMBG）数据，评估了不同算法在成人、青少年及儿童中的疗效。

研究结果

胰岛素推荐系统的演进
从传统模型预测控制（MPC）到RL驱动的自适应系统，闭环AP通过CGM实时调整基础率，使成人患者TIR提升至89.8%。开环系统中，RL结合膳食图像分析优化餐时大剂量，TIR较标准治疗提高11.2%。

强化学习算法的核心优势

• 闭环系统：Daskalaki等提出的Actor-Critic算法将低血糖时间减少99.8%，Zhu团队的深度Q学习（DQN）使青少年TIR达83%。
• 开环系统：Sun等开发的模型无关RL适配MDI（每日多次注射）疗法，TIR提升9.7%。

提升疗效的关键因素
个性化在线学习、无需膳食声明的闭环算法、基于AI的碳水化合物估算及胰岛素敏感性动态调整，共同优化了血糖控制。

挑战与应对
数据隐私、算法透明度及设备可及性仍是瓶颈。研究建议通过低成本SMBG方案、用户友好界面及合规数据加密推动临床转化。

结论与意义
该研究证实RL驱动的胰岛素系统可显著改善TIR和安全性，尤其适用于T1D复杂管理场景。未来需整合蛋白质、脂肪代谢等多维数据，并加强跨学科临床验证。这一进展标志着糖尿病管理向全自动化、个性化迈出关键一步，为全球4.63亿患者带来新希望。

（注：全文细节均基于原文，专业术语如TIR、CGM等首次出现时已标注英文全称，作者名及算法名称保留原文格式。）