面向ICU脓毒症患者血糖实时追踪与预测的数字孪生框架

《npj Metabolic Health and Disease》：A digital twin for tracking and forecasting glycemia with septic patients in ICUs

　　

研究人员提出了一种用于重症监护病房（ICU）脓毒症患者实时血糖监测与预测的数字孪生框架。该框架将基于连续血糖测量数据训练的高级机器学习模型与动态数字孪生工作流相结合，能够实现向个体患者的快速部署、持续的模型评估、利用新获取数据进行模型更新以及个性化预测决策支持。该数字孪生以基础模型——一个预训练的时间序列Transformer——为构建基础，随着新患者数据的不断获取而自适应调整，并实时生成滚动式近期血糖预测。为评估适应性与计算效率，研究人员将预训练模型部署至十名脓毒症患者，并比较了多种个性化策略，包括零样本推理（zero-shot inference）、线性探测（linear probing）、全参数微调（full fine-tuning）和分阶段微调（staged fine-tuning）。结果表明，该模型可在标准笔记本电脑上于数秒内完成对新患者的初始化和个性化设置，同时在不同数据条件下保持准确的血糖预测性能。这些发现证明了在资源受限、高 acuity 临床环境中实现实时数字孪生个性化的可行性，并凸显了数字孪生作为可扩展的AI赋能平台，在ICU中用于连续生理监测、临床决策支持和个体化治疗方案设计的潜力。

论文解读

一、研究背景与问题

脓毒症（Sepsis）是由宿主对感染反应失调引起的危及生命的综合征，以全身炎症反应和微循环衰竭驱动的急性器官功能障碍为特征，尽管在早期检测和支持治疗方面取得了进展，脓毒症仍然是全球ICU死亡的主要原因之一。其临床表现高度异质，受感染部位、宿主合并症和治疗时机等多因素影响，这种异质性加上机制理解的不足，阻碍了通用疗法的开发，凸显了对个体化、适应性管理策略的迫切需求。

血糖调节紊乱是脓毒症的标志性特征之一。应激诱导的肾上腺素、皮质醇和胰高血糖素升高驱动糖原分解和糖异生，产生高血糖、胰岛素抵抗和氧化应激，进而放大炎症反应。高血糖和低血糖均与死亡率增加和康复延迟相关，然而最佳治疗范围仍不确定。严格的血糖控制可降低死亡率但存在低血糖风险，而温和控制可能无法预防炎症并发症。这些权衡凸显了在重症监护中迫切需要个性化、数据驱动的血糖管理方案。

人工智能（AI）的进步使得基于连续监测和电子健康记录的预测建模成为可能。在医疗保健领域，新兴的数字孪生（Digital Twin, DT）范式——一种与实时患者数据同步的计算机仿真副本——将机制理解与基于AI的推理相结合，以预测患者特定轨迹并指导临床决策。在患者状态快速演变的ICU中，以血糖为核心的数字孪生可以预判代谢波动、预警即将出现的不稳定状态，并通过闭环反馈为胰岛素和营养调整提供信息。

经典的血糖-胰岛素模型，包括Bergman最小模型及相关仿真框架，提供了重要的生理学基础。后续ICU特异性框架进一步纳入了更丰富的生理学、自适应控制和床旁决策支持，如ICING模型、STAR血糖控制框架、Space GlucoseControl系统和LOGIC-Insulin算法。这些方法提供了机制可解释性、明确的干预建模和临床决策支持，但通常需要结构化的治疗输入和患者特异性参数化。数据驱动模型因此提供了一种互补策略，能够直接从高频CGM数据流实现快速预测监测，特别是在缺乏完整胰岛素、营养和干预协变量时。在此背景下，深度学习架构，包括连续时间循环神经网络和基于Transformer的模型如PatchTST，能够捕获生理数据中的非线性和长程依赖关系，实现实时、个体化的血糖预测。

二、研究内容与结论

本研究引入了一个用于ICU脓毒症患者连续血糖监测和预测的数字孪生框架。该框架基于预训练的PatchTST模型构建，突出了用于快速患者特异性适应和动态实时更新的数字孪生工作流。利用高分辨率连续血糖监测数据，研究人员在数字孪生工作流中对多种适应策略进行了基准测试，以评估预测准确性、计算效率和实际临床可用性。由此产生的数字孪生可在数秒内完成个体化，同时在笔记本电脑或平板等现成硬件上实现强大的预测性能。

该研究通过单一具有临床意义的生理变量，为针对急性医疗状况的数字孪生提供了具体的发展范式。通过将连续数据流转化为可操作的预测信息，并将预测与自适应学习相结合，该框架使AI赋能的精准重症监护更接近实时实施，并为可扩展的多模态数字孪生奠定了基础。

三、关键技术方法

研究人员采用了Patch-based Time Series Transformer（PatchTST）模型作为基础模型架构。基础模型基于一名39岁女性脓毒症合并糖尿病患者的连续血糖监测（CGM）数据构建，该患者因突发言语障碍、抽搐和意识丧失入住四川省人民医院急诊重症监护病房（EICU），使用FreeStyle Libre CGM设备（Abbott Diabetes Care Ltd., UK）进行监测，数据采集时间为2023年12月4日至18日，共19,621个逐分钟血糖数据点，按7:1:2划分为训练、验证和测试集。研究将基础模型部署至10名新的脓毒症合并糖尿病患者，采用滑动窗口技术生成输入-目标样本（30分钟回看窗口，15分钟预测视界），并比较了五种训练和微调策略：零样本推理、全参数微调、线性探测、分阶段微调和从头训练。此外，研究设计了实时数字孪生性能监控方法，采用时间衰减集成和集成相对误差（Ensemble Relative Error, ERE）作为触发模型更新和安全暂停的指标。

四、研究结果

重训练策略评估

研究人员在回看窗口为30、预测视界为15个时间步（分钟）的设置下评估了五种训练和微调策略。结果显示，没有单一适应策略在所有患者案例中占据主导地位。零样本推理在多种情况下提供了强基线，特别是对于记录较短或血糖轨迹可能更接近预训练分布的患者。全参数或分阶段微调在患者特异性数据充足或存在明显分布偏移时可提升性能，但在某些情况下可能因过拟合或不稳定适应而导致性能下降。以患者S003为例，零样本推理无需额外训练即可提供竞争性性能；全参数微调在所有指标上均有所提升但需31秒训练时间；线性探测仅更新总参数的0.36%（6,337,039个参数中的23,055个），大幅节省训练时间但精度略有下降；分阶段微调结合了两种方法，取得最强性能但训练时间最长。所有利用预训练模型参数值的策略均显著优于随机初始化训练，凸显了迁移学习的实质性收益。值得注意的是，患者S001的最佳策略为全参数微调，而患者S008-S010的零样本推理精度最高，这与其数据记录显著较短（各约1,000个数据点）相关，表明训练结果与训练数据集规模成正比。

当预测视界扩展至30步（30-30设置）时，训练时间几乎相同（增加约1秒），但预测误差在某些情况下约为30-15设置的两倍，最差情况相对误差仍低于9.5%，在临床上可接受。

数字孪生工作流

数字孪生工作流包括初始部署、双向交互和动态更新两个步骤。初始部署阶段，预训练基础模型立即执行零样本推理，滚动使用最近30分钟血糖数据生成未来15或30分钟预测，预测数据与患者数据实时双向比对。双向交互和动态更新阶段，新获取的实测数据与预测形成预测-真值对，加入患者特异性数据缓冲区；当集成预测误差超过预定义阈值（ERE ≥ ε，ε = 5%）时触发动态模型更新，启动快速微调过程；若误差超过安全上限（ERE ≥ δ，δ = 10%），系统自动暂停预测输出并提醒用户。重新部署前，新微调模型需在临时测试集上优于当前模型方可部署，否则进入冷却期（15分钟）收集更多数据，连续三次失败后系统暂停并提示人工审查。整个更新过程设计在一分钟内完成。

动态误差监测结果显示，患者S001的误差轨迹在大部分监测期内低于更新阈值，仅两次触发模型更新后预测误差迅速下降；患者S004的误差在整个期间始终在预设安全范围内，表明预训练基础模型足以实现准确预测而无需额外微调。该工作流已应用于全部10名患者，测试期间数字孪生未出现停止预测的警报，表明在10例患者回顾性研究中数字孪生工作流失败是极罕见事件。

五、讨论与结论

数字孪生框架展示了AI赋能建模在ICU连续血糖监测和预测中的潜力。ICU环境具有患者生理状态快速变化、数据变异性高、多种治疗相互作用的独特挑战，实时自适应系统至关重要。迁移学习的整合允许预训练模型以最少数据量快速适应新患者，零样本推理在部署后立即提供可靠的初始预测，微调策略随着数据积累进一步优化模型，数秒内完成模型更新的能力确保了临床可行性。

该框架为重症监护中AI辅助临床决策支持系统（CDSS）的开发奠定了基础，可预警即将发生的低血糖或高血糖事件，并在实施前评估治疗调整的潜在结果。数字孪生可发展为综合性的医生助手和治疗规划工具，通过整合多模态数据，模拟不同治疗方案的效果，为精准医学提供虚拟试验平台。

研究同时指出了若干局限性：CGM在ICU中的使用存在重要限制，大多数设备测量间质而非血液葡萄糖，医院特定因素可能影响与参考测量的一致性；预测视界相对较短，15-30分钟预测最适合近期监测、早期预警和实时模型适应，而ICU血糖管理通常需要1-3小时的更长预测区间；当前患者队列规模有限，仅包含10名脓毒症合并糖尿病患者，更大规模和多样化ICU人群的临床验证对于监管转化和常规重症监护实践整合至关重要。

总体而言，所提出的数字孪生框架展示了AI赋能、个性化和自适应治疗支持系统在ICU中的应用前景，将实时数据转化为可操作的临床洞察，为连续监测、预测建模和临床决策之间架起了桥梁。未来工作将聚焦于开发整合额外生理、影像、临床记录和生化指标的多尺度、多模态数字孪生，以更全面地反映患者疾病动态，将ICU转变为持续学习的环境，实时优化个性化数据驱动的护理计划，改善患者结局并优化资源利用。