《Sensors》：Artificial Intelligence for Blood Glucose Level Prediction in Type 1 Diabetes: Methods, Evaluation, and Emerging Advances
Heydar Khadem,
Hoda Nemat,
Jackie Elliott and
Mohammed Benaissa
编辑推荐：
本文系统综述了数据驱动方法在1型糖尿病（T1DM）血糖水平（BGL）预测中的应用，涵盖模型策略、输入变量、预测时域（PH）及性能评估，并重点探讨了深度学习、迁移学习、集成学习和因果分析等前沿人工智能（AI）技术如何提升预测准确性，为开发及验证更可靠的BGL预测模型提供了综合参考。
糖尿病管理的核心挑战
糖尿病是一种复杂的代谢性疾病，维持血糖水平（BGL）在正常范围内是其管理的主要目标。对于需要终身胰岛素治疗的1型糖尿病（T1DM）患者而言，精准的血糖控制尤为重要，可以有效延迟甚至预防由高血糖和低血糖引发的急慢性并发症。血糖预测通过提前预警血糖异常，帮助患者和临床医生及时调整胰岛素剂量和饮食，从而最大化血糖处于目标范围（TIR）的时间，已成为提升糖尿病管理质量的关键工具。
血糖预测模型的三大支柱
开发有效的血糖预测模型，主要围绕三大类策略展开：生理模型、数据驱动模型和混合模型。生理模型基于对葡萄糖-胰岛素调节系统的先验知识建立数学描述，但精度有限且参数个性化要求高。数据驱动模型则完全从数据中学习血糖变化的模式，无需预设生理知识，因其灵活性和易开发性而备受关注，主要包括经典时间序列预测（如ARIMA、ARIMAX）和机器学习算法（如人工神经网络ANN、支持向量回归SVR）。混合模型则结合了前两者的优势，利用生理模型的输出作为数据驱动模型的输入，以期捕捉更复杂的动态关系。
模型的“养分”：数据与输入变量
高质量的数据是模型成功的基石。数据主要来源于真实的临床试验（如广泛使用的Ohio T1DM数据集）和糖尿病患者模拟器（如UVa/Padova）。模型输入变量通常包括当前及历史的血糖值、碳水化合物摄入量、胰岛素剂量和身体活动（PA）数据。尽管仅使用连续血糖监测（CGM）数据即可实现预测，便于实际应用，但整合多元变量（如碳水、胰岛素）通常能带来更高的准确性和可靠性，尤其是在应对由进餐和运动引起的血糖波动时。然而，如何选择最具信息量的特征并有效融合多源异构传感器数据，仍是待深入研究的问题。
预测的“望远镜”：时域与评估标准
预测时域（PH）指模型向前预测的时间长度，可分为短期（15-60分钟）、中期（90-240分钟）和长期（360分钟至一周）。短期预测对于预警即将发生的低血糖或高血糖事件、支持实时干预至关重要。模型性能需从“数学精度”和“临床效用”两个维度进行综合评估。回归评估指标如均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）量化数值拟合程度。临床评估则通过克拉克误差网格（CEG）、帕克斯误差网格（PEG）、监测误差网格（SEG）和马修斯相关系数（MCC）等，判断预测误差是否会导致临床决策风险。此外，运用弗里德曼检验（Friedman test）等统计方法进行模型间比较，对于得出可靠结论必不可少。
前沿人工智能技术的赋能
近年来，先进的人工智能技术为提升血糖预测性能注入了强大动力。
- •
深度学习：诸如长短期记忆网络（LSTM）、门控循环单元（GRU）和Transformer等模型，因其强大的序列建模和长程依赖捕获能力，在血糖预测任务中表现出色，常常超越传统机器学习方法。
- •
迁移学习：该技术通过利用其他患者或模拟器数据中获得的知识，来帮助训练数据有限的个体化模型，有效应对了T1DM患者间巨大个体差异带来的挑战。
- •
集成学习：通过组合多个基学习器（如结合ANN、LSTM和线性模型），集成方法（特别是异质集成和堆叠元学习）能够平均化单模型的误差，显著提升预测的准确性和鲁棒性。
- •
因果分析：探究变量间（如碳水化合物->血糖）的因果关系及其滞后效应，并将这些因果信息作为先验知识融入模型，有助于提升预测的可解释性和准确性，是新兴的研究方向。
常见陷阱与未来展望
研究中也存在一些常见的方法学陷阱，如数据处理不当导致的数据泄露、回顾性研究与前瞻性/实时评估之间的性能差距，以及忽略个体间变异性的简单平均比较。这些都会影响模型评估的有效性和可比性。
展望未来，集成学习和因果分析等策略在提升模型性能与可解释性方面潜力巨大。同时，开发高效整合多影响变量的方法、探索生成式AI等新技术、推动模型在移动设备和边缘计算芯片上的部署，并进行严格的临床试验验证，将是推动血糖预测从研究走向真实世界临床应用的关键。
