基于多模态深度学习的间质葡萄糖预测架构：推动2型糖尿病精准管理新范式

本研究针对2型糖尿病(T2DM)管理中血糖预测精度不足的临床难题，开发了融合连续葡萄糖监测(CGM)时序数据与患者生理特征的多模态深度学习模型。研究人员通过卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)捕捉血糖波动特征，结合注意力机制与基线健康数据融合策略，实现了15/30/60分钟预测区间内平均绝对百分比误差(MAPE)6-26 mg/dL的突破性精度，Parkes误差网格分析显示96.7%预测值落入临床可接受区域。该成果为个性化糖尿病管理提供了可推广的AI解决方案。

　　

糖尿病管理领域正面临严峻挑战：全球5.37亿患者中，2型糖尿病(T2DM)占比高达90%，每年导致670万人死亡。尽管连续葡萄糖监测(CGM)技术能实时获取间质葡萄糖浓度，但现有预测模型存在两大瓶颈——仅依赖单模态CGM数据难以捕捉个体生理差异，且长时程预测精度不足。这导致临床无法有效预警高血糖(>180 mg/dL)和低血糖(<70 mg/dL)事件，而美国糖尿病协会数据显示，仅2022年糖尿病相关医疗支出就高达4129亿美元。

英国华威大学工程学院(University of Warwick, Coventry)与希腊约阿尼纳大学的研究团队在《Scientific Reports》发表创新成果，提出首个融合CGM时序特征与患者生理参数的多模态深度学习架构。通过整合40例T2DM患者的Menarini和Abbott传感器数据，构建了CNN-BiLSTM-注意力机制串联的时序分析模块，并联基线健康数据神经网络，采用滑动窗口策略预测15/30/60分钟后的血糖值。关键技术包括：1) 双传感器数据标准化处理(5分钟采样间隔)；2) 基于ADF检验的时序平稳性验证；3) 留出法交叉验证(每日数据作为测试集)；4) Parkes误差网格临床评估。

参与者

研究纳入40例60岁以上伴多种并发症的T2DM患者，其中15例使用Menarini传感器(10-19天监测)，25例使用Abbott传感器(8-28天监测)。基线数据显示平均血糖146.1±22.98 mg/dL，20%时间处于高血糖范围(>180 mg/dL)，低血糖事件(<70 mg/dL)占比2.68%。

CGM预测

单模态模型中，CNN-BiLSTM-注意力架构表现最优(MAPE 6.80±9.31%-14.24±19.42%)。统计检验证实添加LSTM和注意力机制可显著提升性能(p<0.05)，但过度增加网络层数会导致性能下降。

多模态与单模态架构比较

引入基线数据后，多模态模型在30/60分钟预测中显著优于单模态：Abbott传感器30分钟预测MAPE从9.4%降至9.2%(p<0.001)，Menarini传感器60分钟预测MAPE从26.5%降至25.6%(p<0.001)。Parkes网格分析显示多模态预测在Zone A的占比最高提升3.1%，尤其在血糖极值区间表现更稳健。

临床可解释性

多模态模型对高血糖事件的预测优势更显著：30分钟预测区间内，高血糖MAPE降低1.8-2.6个百分点(p<0.01)。但因T2DM患者低血糖事件较少，该场景预测精度仍有提升空间。

这项研究开创性地证实：融合生理特征可提升血糖预测的临床可靠性，尤其对30分钟以上长时程预测效果显著。尽管受限于样本量(特别是含完整基线数据的亚组)，但提出的多模态框架为糖尿病精准管理提供了新范式。未来工作将探索图神经网络处理共病数据，并纳入饮食/运动等行为因素。该成果对降低糖尿病并发症风险、减轻全球医疗负担具有重要实践意义。