徐子犢 耿 季 張 帥 李 嬌 李 菁

(中國(guó)醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所 北京 100020)(復(fù)旦大學(xué)附屬華山醫(yī)院 上海 20040)(北京協(xié)和醫(yī)學(xué)院護(hù)理學(xué)院 北京 100144)(中國(guó)醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所 北京 100020)(北京協(xié)和醫(yī)學(xué)院護(hù)理學(xué)院 北京 100144)

1 引言

糖尿病(Diabetes Mellitus, DM)是威脅全球健康的最大公共衛(wèi)生挑戰(zhàn)之一，可導(dǎo)致殘疾人口增加、預(yù)期壽命縮短和嚴(yán)重的疾病負(fù)擔(dān)[1]。糖尿病作為一種慢性疾病，患者的自我管理對(duì)其疾病發(fā)展和健康狀況有重要影響，被定義為“患者管理糖尿病過(guò)程中的一組日常行為”，具體包括遵從飲食、運(yùn)動(dòng)、藥物療法，自我監(jiān)測(cè)血糖，并發(fā)癥篩查等[2]。

人工智能(Artificial Intelligence, AI)是涉及計(jì)算機(jī)科學(xué)、數(shù)學(xué)、認(rèn)知科學(xué)、神經(jīng)生理學(xué)、語(yǔ)言學(xué)、心理學(xué)、控制論、信息論等多個(gè)領(lǐng)域的綜合學(xué)科，基本思想在于使計(jì)算機(jī)系統(tǒng)或智能機(jī)器模型在人為干預(yù)最小化的情況下模擬人的神經(jīng)系統(tǒng)和身體器官進(jìn)行感知、學(xué)習(xí)、推理和行動(dòng)[3]。AI技術(shù)泛指AI領(lǐng)域所使用的方法、算法和模型[4]。目前，AI技術(shù)在醫(yī)療服務(wù)和健康管理領(lǐng)域的應(yīng)用，已成為醫(yī)學(xué)與計(jì)算機(jī)科學(xué)交叉研究熱點(diǎn)，其范疇包括但不限于機(jī)器學(xué)習(xí)(Machine Learning, ML)，深度學(xué)習(xí)(Deep Learning, DL)，強(qiáng)化學(xué)習(xí)(Reinforcement Learning, RL)和自然語(yǔ)言處理(Natural Language Processing, NLP)[5]。醫(yī)學(xué)人工智能技術(shù)的合理應(yīng)用使得醫(yī)務(wù)人員、患者和醫(yī)療系統(tǒng)均可受益[5-7]：如使用深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)進(jìn)行模式識(shí)別(Pattern Recognition)，幫助解釋醫(yī)學(xué)影像以輔助臨床診斷，或開(kāi)發(fā)醫(yī)用虛擬教練以改善個(gè)人健康行為，使用ML、RL進(jìn)行電子健康記錄(Electronic Health Records, EHR)、環(huán)境記錄等大型數(shù)據(jù)集的回顧分析以預(yù)測(cè)患者關(guān)鍵結(jié)果與潛在風(fēng)險(xiǎn)，推薦治療方案，更加安全、有效和準(zhǔn)確地利用醫(yī)療系統(tǒng)資源。本文總結(jié)近5年來(lái)糖尿病自我管理中AI技術(shù)的應(yīng)用研究，分別從飲食管理、運(yùn)動(dòng)管理、血糖監(jiān)測(cè)、服藥依從性、并發(fā)癥篩查5方面展開(kāi)介紹，從而為人工智能輔助糖尿病自我管理決策提供參考。

2 糖尿病患者數(shù)據(jù)管理與決策支持

糖尿病患者的自我管理情況與其治療達(dá)標(biāo)率和藥物使用率密切相關(guān)[8]。良好的自我管理包括對(duì)患者數(shù)據(jù)的有效收集，基于數(shù)據(jù)的用藥監(jiān)測(cè)和自我癥狀報(bào)告、生活方式管理等。糖尿病自我管理需求實(shí)現(xiàn)路徑，見(jiàn)圖1。傳統(tǒng)模式下患者被動(dòng)地遵循治療計(jì)劃，其癥狀描述、主觀體驗(yàn)、醫(yī)學(xué)生物測(cè)試結(jié)果分別儲(chǔ)存于患者、臨床醫(yī)生等不同接口而缺乏有效的信息交換，患者相關(guān)數(shù)據(jù)缺乏即時(shí)合理的解釋與反饋，無(wú)法為其提供自我管理的決策支持。而在引入新技術(shù)的糖尿病自我管理模式下，可穿戴生物傳感器實(shí)現(xiàn)患者生理指標(biāo)與行為數(shù)據(jù)的實(shí)時(shí)訪問(wèn)與傳輸，結(jié)合患者的個(gè)體需求為其提供自我決策支持與行為實(shí)踐依據(jù)，進(jìn)一步提升患者自我管理的質(zhì)量[4]。與此同時(shí)患者相關(guān)數(shù)據(jù)呈指數(shù)增長(zhǎng)，其數(shù)量和復(fù)雜性已超出傳統(tǒng)人工數(shù)據(jù)分析方法的極限。為理解龐大的數(shù)據(jù)集、提高患者數(shù)據(jù)利用價(jià)值，在改進(jìn)個(gè)性化醫(yī)療實(shí)踐的同時(shí)滿足公共衛(wèi)生需求，醫(yī)療與計(jì)算機(jī)領(lǐng)域的專(zhuān)家學(xué)者嘗試?yán)肁I技術(shù)來(lái)解決上述問(wèn)題。AI技術(shù)能夠從大量醫(yī)療健康數(shù)據(jù)中“學(xué)習(xí)”特征，揭示數(shù)據(jù)中潛在的關(guān)聯(lián)，進(jìn)而建立模型以使用個(gè)體患者數(shù)據(jù)解釋及推測(cè)未來(lái)事件并根據(jù)實(shí)時(shí)反饋不斷進(jìn)行自我糾正和更新[9]，從而滿足患者在不同自我管理場(chǎng)景下的需求，如食物營(yíng)養(yǎng)素計(jì)算、餐后血糖預(yù)測(cè)、運(yùn)動(dòng)探測(cè)、服藥依從性監(jiān)測(cè)、胰島素劑量計(jì)算、血糖異常值警報(bào)、并發(fā)癥識(shí)別等。

圖1 糖尿病自我管理需求實(shí)現(xiàn)路徑

3 糖尿病自我管理中人工智能技術(shù)的應(yīng)用

3.1 飲食管理

AI技術(shù)與最新的醫(yī)療設(shè)備及移動(dòng)計(jì)算、生物遙感等技術(shù)相結(jié)合可以有效改進(jìn)慢性病管理，尤其可作為糖尿病患者自我管理的常規(guī)化輔助工具[9]。大部分DM患者會(huì)出現(xiàn)餐后血糖升高，易引發(fā)多種心血管疾病，而膳食攝入對(duì)血糖水平起主要決定作用，故DM患者需要正確的飲食決策以控制餐后血糖[10-11]?？紤]到個(gè)體在碳水化合物吸收率、胰島素敏感性、腸道微生物環(huán)境方面的差異，使用AI技術(shù)進(jìn)行虛擬環(huán)境下多模態(tài)數(shù)據(jù)分析以指導(dǎo)個(gè)性化飲食具有重要意義。Zeevi等[12]收集800名受試者兩周持續(xù)血糖監(jiān)測(cè)以及腸道微生物、血藥濃度等各種實(shí)驗(yàn)室測(cè)試的結(jié)果，搭建一個(gè)漸進(jìn)梯度回歸樹(shù)模型以分析預(yù)測(cè)個(gè)體對(duì)特定食物的血糖反應(yīng)，為糖尿病患者食物選擇提供決策支持。此外AI技術(shù)可與智能手機(jī)應(yīng)用程序相結(jié)合以提升患者飲食行為依從性，如Zhang等[13]利用支持向量機(jī)(Support Vector Machine，SVM)識(shí)別患者拍攝的食物并匹配對(duì)應(yīng)的熱量、營(yíng)養(yǎng)素信息，便于患者進(jìn)行膳食記錄與評(píng)估。

3.2 運(yùn)動(dòng)管理

運(yùn)動(dòng)可提高糖尿病患者的胰島素敏感性，也易引起血糖波動(dòng)。為預(yù)防低血糖事件患者需要定時(shí)測(cè)血糖，在此基礎(chǔ)上結(jié)合自身疾病情況開(kāi)展運(yùn)動(dòng)項(xiàng)目進(jìn)行，血糖控制[14]?；贛L算法的運(yùn)動(dòng)探測(cè)與量化系統(tǒng)為患者運(yùn)動(dòng)行為管理提供支持，優(yōu)勢(shì)在于能夠通過(guò)模式識(shí)別對(duì)運(yùn)動(dòng)瞬間生成的數(shù)據(jù)進(jìn)行反應(yīng)與權(quán)衡并具備時(shí)間序列數(shù)據(jù)分析與預(yù)測(cè)的能力。Fernando[15]將降維、無(wú)監(jiān)督聚類(lèi)、隱馬爾可夫模型等方法進(jìn)行組合，對(duì)患者在日常生活與健身中心兩種場(chǎng)景下機(jī)械運(yùn)動(dòng)和生理電信號(hào)等多元數(shù)據(jù)組成的時(shí)間序列準(zhǔn)確而穩(wěn)健地識(shí)別，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)強(qiáng)度和類(lèi)型的自動(dòng)分類(lèi)和量化，分類(lèi)準(zhǔn)確率高達(dá)88.86%。這種真實(shí)世界下的運(yùn)動(dòng)追蹤能夠?yàn)檫\(yùn)動(dòng)處方咨詢(xún)與執(zhí)行提供依據(jù)。基于AI算法的手機(jī)應(yīng)用程序通過(guò)持續(xù)監(jiān)控和個(gè)性化交互也提升患者的運(yùn)動(dòng)行為依從性。Yom-Tov等[16]創(chuàng)建一種基于增強(qiáng)學(xué)習(xí)算法的“個(gè)人運(yùn)動(dòng)教練”應(yīng)用，對(duì)有助于增加患者活動(dòng)量的消息進(jìn)行預(yù)判、再發(fā)送，通過(guò)次日計(jì)步器獲得的患者運(yùn)動(dòng)量來(lái)評(píng)估該消息的有效性并作為訓(xùn)練算法的獎(jiǎng)勵(lì)。結(jié)果表明接受個(gè)性化反饋的實(shí)驗(yàn)組相比對(duì)照組患者活動(dòng)量和步速增加，血糖水平(HbA1c)降低，參與時(shí)長(zhǎng)越長(zhǎng)，血糖水平降低越多。

3.3 血糖自我監(jiān)測(cè)

血糖自我監(jiān)測(cè)(Self-monitoring of Blood Glucose，SMBG)是接受胰島素治療的患者自我管理的主要方式，通常以連續(xù)血糖監(jiān)測(cè)工具(Continuous Glucose Monitoring，CGM)為主[2]，其目的在于根據(jù)血糖監(jiān)測(cè)結(jié)果為患者個(gè)性化治療方案提供決策依據(jù)，提醒患者注意血糖異常變化而采取適當(dāng)行動(dòng)預(yù)防夜間低血糖等危險(xiǎn)事件[2]。目前人工胰腺、CGM和生物傳感器組成的集成式閉環(huán)系統(tǒng)已經(jīng)初步實(shí)現(xiàn)對(duì)血糖的持續(xù)監(jiān)測(cè)與低血糖等不良事件應(yīng)急[7]，為進(jìn)一步保證患者的安全，還需要能夠提供準(zhǔn)確的血糖預(yù)測(cè)結(jié)果、預(yù)防不良事件的SMBG系統(tǒng)。該預(yù)測(cè)的復(fù)雜性在于患者血糖通常受到個(gè)體生理、環(huán)境因素等多方影響而一直處于非線性動(dòng)態(tài)變化中。為此開(kāi)發(fā)者引入基于AI的工程控制算法，對(duì)既往血糖值形成的時(shí)間序列進(jìn)行訓(xùn)練以建立模型預(yù)測(cè)短期內(nèi)個(gè)體葡萄糖水平變化，據(jù)此計(jì)算需要推注的胰島素劑量和/或胰高血糖素，在發(fā)出警報(bào)的同時(shí)為患者盡早采取預(yù)防行為提供決策支持[17]。Sun等[18]使用長(zhǎng)短期記憶網(wǎng)絡(luò)建立可根據(jù)CGM測(cè)量結(jié)果預(yù)測(cè)血糖水平的時(shí)序數(shù)列模型，其預(yù)測(cè)結(jié)果與真實(shí)值的誤差和時(shí)滯較低，擬合度較高，整體表現(xiàn)良好。Cappon[19]等利用DNN算法從海量訓(xùn)練樣本中自動(dòng)提取相關(guān)特征準(zhǔn)確預(yù)測(cè)血糖的特性，模擬在食量和血糖變化率等方面不同的100個(gè)虛擬成人的數(shù)據(jù)并將上述指標(biāo)納入血糖計(jì)算標(biāo)準(zhǔn)公式，加入體重、胰島素泵基礎(chǔ)輸注速率和胰島素敏感性等作為特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，計(jì)算基于膳食的個(gè)性化胰島素推注劑量，測(cè)試得到該模型下的血糖風(fēng)險(xiǎn)指數(shù)顯著降低(P<0.001)。Alberts等[20]引入基于貝葉斯推理的數(shù)據(jù)同化算法將少量的血糖數(shù)據(jù)與胰島素的生理節(jié)律模型相結(jié)合，通過(guò)數(shù)據(jù)平滑處理與不確定性量化來(lái)估算先前缺失的血糖值，預(yù)測(cè)餐后血糖和HbA1C值，使得僅通過(guò)指血進(jìn)行SMBG的DM患者也能獲得可靠的決策支持。

3.4 服藥依從性管理

糖尿病患者通常需長(zhǎng)期服藥以控制血糖水平和預(yù)防各類(lèi)并發(fā)癥，藥物依從性差導(dǎo)致的臨床結(jié)局惡化和醫(yī)療成本上升已成為重要問(wèn)題。較低的服藥依從性一方面與患者年齡、教育程度、感知服藥負(fù)擔(dān)等個(gè)人因素有關(guān)，表現(xiàn)為拒服、漏服、自行增減藥量、隨意更改服藥時(shí)間和順序等[21]；另一方面與患者自我管理的無(wú)監(jiān)督性以及缺乏完善的自我管理支持系統(tǒng)有關(guān)。因此通過(guò)有效的服藥監(jiān)督行為來(lái)減少患者的感知服藥負(fù)擔(dān)并為其提供自我管理支持，幫助其了解藥物治療的益處和風(fēng)險(xiǎn)，參與共同決策是提高其服藥依從性的有效策略。由AI技術(shù)與患者健康數(shù)據(jù)共同驅(qū)動(dòng)的決策支持系統(tǒng)能夠根據(jù)患者在日常自我管理過(guò)程中產(chǎn)生的數(shù)據(jù)監(jiān)督其服藥行為，分析患者服藥依從性并生成相關(guān)反饋信息對(duì)患者提供藥物選擇等方面的決策支持，促進(jìn)其在服藥乃至整個(gè)治療方案依從性方面的提升[5]。將智能手機(jī)的相機(jī)與神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)視覺(jué)算法相結(jié)合可對(duì)患者的藥物攝入進(jìn)行直觀識(shí)別和確認(rèn)，將藥物延時(shí)劑量、錯(cuò)誤劑量和錯(cuò)誤用法報(bào)告至醫(yī)務(wù)人員，然后將攝入的藥丸計(jì)數(shù)和血漿采樣相關(guān)聯(lián)、與藥代動(dòng)力學(xué)相關(guān)數(shù)據(jù)結(jié)合進(jìn)行分析，以實(shí)現(xiàn)患者服藥依從性的快速檢測(cè)和預(yù)測(cè)[22]。對(duì)于基數(shù)龐大的DM患者，上述成果可進(jìn)行擴(kuò)展性應(yīng)用并產(chǎn)生積極影響，如使用生存樹(shù)等方法來(lái)確定口服降糖藥的依從性閾值，促進(jìn)個(gè)性化藥物治療方案制定，提高患者的服藥依從性。Eghbali-Zarch等[23]還提出利用模糊環(huán)境下的多準(zhǔn)則決策模型構(gòu)建一個(gè)完整的藥物決策團(tuán)隊(duì)。研究者從臨床指南和內(nèi)分泌學(xué)專(zhuān)家的訪談意見(jiàn)中提取標(biāo)準(zhǔn)并逐個(gè)賦予標(biāo)準(zhǔn)權(quán)重，然后依照上述新標(biāo)準(zhǔn)評(píng)估每種替代藥物方案，進(jìn)而為DM患者的藥物選擇提供支持。

3.5 并發(fā)癥自我篩查

糖尿病的進(jìn)展常伴隨眼部、腎臟、足部等全身多部位和器官的病變，需要患者進(jìn)行規(guī)律的體檢以盡早發(fā)現(xiàn)并接受糖尿病并發(fā)癥相關(guān)治療[2]。傳統(tǒng)的并發(fā)癥篩查有賴(lài)于相關(guān)醫(yī)療專(zhuān)家水平與經(jīng)驗(yàn)、醫(yī)療設(shè)備的普及與精準(zhǔn)程度，考慮到糖尿病患者人口基數(shù)大、增長(zhǎng)速度快的特點(diǎn)，這方面的資源顯得相對(duì)匱乏，因此引進(jìn)相當(dāng)自動(dòng)化病變識(shí)別軟件就顯得尤為重要。DNN等圖像識(shí)別算法將大量不同病變等級(jí)的圖像逐步分解成小塊接受異常特征標(biāo)注，隨后對(duì)標(biāo)注結(jié)果進(jìn)行學(xué)習(xí)以訓(xùn)練出能夠自主識(shí)別圖像異常特征的新模型，進(jìn)而模擬專(zhuān)家進(jìn)行糖尿病患者眼底、腎臟等圖像的檢測(cè)和分級(jí)，給出轉(zhuǎn)診建議[24]。首個(gè)利用DNN開(kāi)發(fā)的糖尿病視網(wǎng)膜病變(Diabetic Retinopathy, DR)和視力威脅(Sight-threatening Diabetic Retinopathy, STDR)智能手機(jī)探測(cè)軟件EyeArtTM[25]的真實(shí)世界測(cè)試結(jié)果顯示，與眼科醫(yī)生鑒定分析的結(jié)果相比，AI軟件在測(cè)試DR方面的敏感性為95.8%、特異性為80.2%；STDR方面的敏感性為99.1%、特異性為80.4%，與眼科醫(yī)生的kappa一致性分析結(jié)果分別為0.78 (DR,P<0.001) 和0.75 (STDR,P<0.001)。據(jù)此，EyeArtTM或能憑借其高靈敏度應(yīng)用于基層糖尿病患者的視網(wǎng)膜病變篩查，為醫(yī)療資源稀缺地區(qū)的患者創(chuàng)造可及的并發(fā)癥篩查條件。

4 結(jié)語(yǔ)

人工智能在糖尿病患者的自我管理中扮演著重要的輔助者角色，促進(jìn)個(gè)性化營(yíng)養(yǎng)、運(yùn)動(dòng)以及用藥方案的制定與落實(shí)，提高患者的行為依從性[5]。一方面深度學(xué)習(xí)算法的引入實(shí)現(xiàn)患者健康相關(guān)數(shù)據(jù)自動(dòng)化更新、解釋和反饋，使患者能夠在日常健康管理中獲得足夠信息并接受輔助工具的警報(bào)、提議以做出合理的自我管理決策；另一方面AI技術(shù)支持多界面集成的大量患者健康數(shù)據(jù)的訪問(wèn)與共享，糖尿病患者、醫(yī)務(wù)人員和系統(tǒng)監(jiān)管人員能夠同時(shí)參與醫(yī)療數(shù)據(jù)管理，促進(jìn)高效的健康信息交互和決策制定，進(jìn)一步提高醫(yī)療服務(wù)效率與醫(yī)療資源利用率，這對(duì)工作量龐大、情況復(fù)雜的糖尿病管理尤其關(guān)鍵。然而目前的研究還未能闡明基于AI技術(shù)的健康行為干預(yù)在糖尿病自我管理中的作用機(jī)制，無(wú)法明確對(duì)糖尿病自我管理起作用的主要成分及合理的干預(yù)劑量、路徑、時(shí)長(zhǎng)等要素。此外AI技術(shù)在醫(yī)學(xué)領(lǐng)域應(yīng)用研究尚無(wú)法展現(xiàn)長(zhǎng)期追蹤結(jié)果，其成本效益(是否需要大量醫(yī)務(wù)人員支持和額外的藥物投入)以及對(duì)于糖尿病患者健康結(jié)局的遠(yuǎn)期效果或風(fēng)險(xiǎn)有待進(jìn)一步驗(yàn)證?？紤]到糖尿病患者在健康狀態(tài)、認(rèn)知行為及社會(huì)經(jīng)濟(jì)等方面的差異，AI技術(shù)的適用場(chǎng)景及所匹配的靶向人群也需更加明確。另外可嘗試建立行為理論與AI技術(shù)的關(guān)聯(lián)，保證患者和醫(yī)務(wù)人員均獲得及時(shí)的鼓勵(lì)和反饋，通過(guò)系統(tǒng)性的干預(yù)手段改善糖尿病患者自我管理的健康結(jié)局。