个性化自适应非侵入式连续血糖监测系统：基于代谢热变形与GRU人工智能模型的短时微创训练与长期非侵入监测

《Nature Communications》：Adaptive personalization for wearable non-invasive continuous glucose sensors

　　

摘要

准确的连续血糖监测（CGM）对糖尿病管理至关重要，但非侵入式CGM仍面临挑战。通用的"一种传感器适用于所有人"的方法往往失效，因为非侵入式生理读数与血糖（BG）之间的相关性具有高度个体差异。在此，我们提出了一种个性化的"自适应非侵入式CGM"方法，该方法集成了用于测量组织间液葡萄糖的短期微创CGM（MI-CGM）模块，以及基于代谢热变形的长期非侵入式CGM（NI-CGM）模块。在约2天的训练期间，NI-CGM通过基于GRU的AI模型从MI-CGM学习准确的感知，形成特定于患者的传感器。随后移除MI-CGM，仅保留NI-CGM进行长期监测。在5天的CGM测试中，该系统实现了MARD约15.6%。该方法还展示了良好的可重复性，并在长期间隔使用（>2个月）期间保持了合理的准确性（MARD约23.9%）。这种个性化方法提供了一条从传统的"一种传感器适用于所有人"策略转向个性化传感器开发的途径，有可能减轻患者间变异性和非侵入式监测不准确的问题。