编辑推荐：
为解决心脏术后高血糖管理难题，研究人员开展 GLUCOSE 算法研究。该算法通过分布离线强化学习优化胰岛素剂量，在多队列中表现优于临床方案，且经多阶段人类验证，为术后血糖个性化管理提供新工具。
心脏手术患者往往面临着复杂的代谢挑战。术后高血糖作为常见并发症，如同潜伏在体内的 “隐形杀手”，不仅在糖尿病患者中高发（60-80%），非糖尿病患者中也超过 50%。这一现象与术后感染、急性肾损伤、心律失常等多种不良结局紧密相关，甚至会增加死亡率。当前临床主要依赖医院特定协议和医生经验进行胰岛素滴定，但术后早期患者病情动态变化，传统方案难以兼顾个体差异，导致高低血糖事件频发。如何在这个充满不确定性的 “战场” 上，精准调控血糖至安全范围（如 STS 推荐的 < 180 mg/dL），成为困扰医学界的难题。
来自美国西奈山伊坎医学院（Icahn School of Medicine at Mount Sinai）等机构的研究团队，针对这一临床痛点展开攻关。他们开发了名为 GLUCOSE（Glucose Level Understanding and Control Optimized for Safety and Efficacy）的分布离线强化学习算法，旨在优化心脏术后首日的胰岛素 dosing。该研究成果发表在《npj Digital Medicine》，为术后血糖管理带来了突破性思路。
研究人员主要采用了以下关键技术方法：
- 数据来源：基于 MIMIC-IV 数据库（单中心 ICU 数据）构建开发队列，并利用 eICU-CRD 多中心数据库进行外部验证，涵盖超 6000 例患者数据。
- 算法框架：结合保守 Q 学习（CQL）与隐式分位数网络（IQN）的分布强化学习，通过拟合 Q 估计（FQE）进行离线策略评估（OPE），模型输入包含 70 余项临床特征（如血糖趋势、SOFA 评分、机械通气状态等）。
- 人类验证：设计三阶段临床评估，包括与资深内分泌科医生、心脏重症医生的剂量对比，以及盲法安全性和有效性评分。
研究结果
1. 模型性能超越传统临床方案
GLUCOSE 在内部测试（n=920）和外部验证（n=649）中表现显著：
- 估计奖励值：内部测试为 0.0 [-0.07, 0.06]，外部验证为 - 0.63 [-0.74, -0.52]，均显著优于临床医生的 - 1.29 和 - 1.02。
- 剂量误差：内部测试 MAE 为 0.9 units，显著低于临床的 1.97 units（p<0.001）；外部验证 MAE 为 1.90 vs. 2.24 units（p=0.003）。
2. 剂量一致性与血糖控制关联
当临床给药与 GLUCOSE 建议一致时，血糖在目标范围（70-180 mg/dL）的时间（TIR）最高。剂量差异增大时，TIR 显著下降：
- 内部测试：27.3% 时间剂量一致，此时平均 TIR 达峰值；负差异（模型建议更少剂量）对应更低血糖，正差异（更多剂量）对应更高血糖。
- 作用模式：在血糖 <180 mg/dL 时，模型建议剂量低于临床，侧重预防低血糖；>200 mg/dL 时则主动增加剂量，纠正高血糖。
3. 临床特征与模型可解释性
通过 SHapley 加性解释（SHAP）分析发现，模型高度依赖近期血糖值、机械通气时长、SOFA 评分等临床相关特征，符合医疗直觉。例如，在血糖约 140 mg/dL 附近，临床与模型剂量分歧最大，临床倾向更高剂量（内部测试 5.9 vs. 1.8 units），提示此处可能存在过度治疗风险。
4. 多阶段人类验证结果
- 第一阶段：与资深内分泌科医生相比，GLUCOSE 在剂量一致性上显著更优，MAE 优势贯穿内外队列。
- 第二阶段：与不同年资重症医生对比，模型 MAE 接近资深医生（内部测试 0.90 vs. 0.82 units，p=0.57），优于 junior 医生和护士。
- 第三阶段：盲法评估显示，模型在安全性、有效性、可接受性上均达到或超过资深重症医生水平。
研究结论与意义
GLUCOSE 通过分布强化学习整合动态临床数据，实现了心脏术后血糖管理的个性化与精准化。其核心优势在于：
- 风险量化：突破传统离线强化学习仅关注期望奖励的局限，通过建模全分布结果，更全面评估低血糖与高血糖风险。
- 临床适配：模型输入为常规 ICU 监测数据，无需额外采集负担，且在多中心外部验证中表现稳健，具备跨机构推广潜力。
- 决策支持：作为首个在真实临床环境中通过多阶段人类验证的 RL 模型，其性能与资深医生相当，为电子健康记录（EHR）系统集成提供了实证依据。
尽管研究局限于术后首日管理且未纳入饮食数据，但 GLUCOSE 的成功验证了强化学习在重症个性化治疗中的价值。未来研究可通过迁移学习扩展至更长周期管理，或应用于其他代谢复杂场景（如脓毒症、普通病房）。这一成果不仅为心脏术后血糖管理提供了新工具，更标志着 AI 在重症医学决策支持中的实质性进展，有望推动 “数据驱动型精准医疗” 的临床落地。
