曠小羿，徐巧玲，徐偉，張海峰，耿新玲，侯惠如

1.中國(guó)人民解放軍醫(yī)學(xué)院，北京 100853；2.中央軍委聯(lián)合參謀部警衛(wèi)局衛(wèi)生保健處；3.中國(guó)人民解放軍第三〇五醫(yī)院藥局；4.首都醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院；5.中國(guó)人民解放軍總醫(yī)院第二醫(yī)學(xué)中心護(hù)理部

我國(guó)糖尿病患者人數(shù)龐大，已成為主要的公共衛(wèi)生負(fù)擔(dān)[1]，其中2型糖尿病(T2DM)占90%以上[2-3]。生活方式的自我管理(飲食攝入、體力活動(dòng)、用藥情況、血糖監(jiān)控等)是優(yōu)化血糖的關(guān)鍵[4-6]。對(duì)于患者而言，堅(jiān)持持續(xù)有效的自我管理比較困難[7-8]。建立血糖趨勢(shì)預(yù)測(cè)模型[9]可實(shí)現(xiàn)血糖水平的短期預(yù)測(cè)(15、30、45、60 min)，利于患者積極采取干預(yù)措施，達(dá)到優(yōu)化血糖的目的。動(dòng)態(tài)血糖監(jiān)測(cè)(CGM)設(shè)備能提供較為完整的血糖圖譜[10]，促進(jìn)了人工智能模型的構(gòu)建[11]。支持向量回歸(SVR)是使用較早且較為普及的模型構(gòu)建方法[12]，而基于長(zhǎng)短期記憶(LSTM)單元的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)是目前較為前沿且使用最多的人工智能算法[13]。因此，本研究采用SVR與LSTM-RNN這2種方式構(gòu)建老年T2DM患者血糖趨勢(shì)預(yù)測(cè)模型，并對(duì)比模型表現(xiàn)。

1 對(duì)象與方法

1.1 研究對(duì)象 選擇2020年11月至2021年5月于中央軍委聯(lián)合參謀部警衛(wèi)局保健處門診部就診且符合納入標(biāo)準(zhǔn)的T2DM患者12例。2例因無(wú)法堅(jiān)持記錄生活數(shù)據(jù)而退出，1例因記錄的數(shù)據(jù)質(zhì)量不合格而剔除，最終獲得9例數(shù)據(jù)(回收率75%)。其中女5例,男4例，年齡(68.4±6.7)歲，糖尿病病程1～21(7.0±2.2)年，體重指數(shù)(BMI)21.89～26.35(23.85±1.82)kg/m2。8例口服降糖藥，1例接受胰島素治療，糖化血紅蛋白(HbA1c) 4.8%～9.8%(6.77%±1.76%)，CGM值為(7.17±2.05)mmol/L。納入標(biāo)準(zhǔn)：①具有一定的閱讀能力，自愿參與并簽署知情同意書；②符合2020年版《中國(guó)2型糖尿病防治指南》[1]診斷；③年齡≥60且<80歲；④交流無(wú)障礙；⑤具有基本運(yùn)動(dòng)能力者；⑥未患有精神疾病，具備學(xué)習(xí)能力者；⑦能按時(shí)提交連續(xù)血糖監(jiān)測(cè)期間的個(gè)人飲食、運(yùn)動(dòng)等數(shù)據(jù)；⑧能做到遵醫(yī)囑按時(shí)服藥。排除標(biāo)準(zhǔn)：①合并嚴(yán)重心、腦、腎、眼、足及其他限制活動(dòng)的致殘性疾??；②基本運(yùn)動(dòng)能力差，生活不能自理者；③未能按時(shí)服藥者；④課題組認(rèn)為不適合入組的其他情形。

1.2 研究方法

1.2.1 數(shù)據(jù)收集 使用9例各14 d的數(shù)據(jù)組成數(shù)據(jù)庫(kù)。包括個(gè)人血糖數(shù)據(jù)及生活數(shù)據(jù)。血糖數(shù)據(jù)的收集采用雅培輔理善瞬感(Abbott Free Style Libre)，每名患者連續(xù)監(jiān)測(cè)14 d，設(shè)備以15 min的時(shí)間間隔自行記錄血糖值。血糖監(jiān)測(cè)期間的生活數(shù)據(jù)由患者根據(jù)課題組發(fā)放的數(shù)據(jù)采集表自行記錄，分為：飲食、運(yùn)動(dòng)、用藥及睡眠。飲食數(shù)據(jù)根據(jù)《中國(guó)食物成分表標(biāo)準(zhǔn)版(第6版)》，依照食物種類及量，采用各供能營(yíng)養(yǎng)素(蛋白質(zhì)、脂肪、碳水化合物)克重量乘以相應(yīng)的能量轉(zhuǎn)換系數(shù)，再求和而得，能量單位為kJ。運(yùn)動(dòng)數(shù)據(jù)根據(jù)薄荷健康運(yùn)動(dòng)卡路里計(jì)算器，將受試對(duì)象記錄的運(yùn)動(dòng)內(nèi)容轉(zhuǎn)換為消耗的熱量值(kJ)。睡眠數(shù)據(jù)根據(jù)睡眠時(shí)長(zhǎng)，轉(zhuǎn)換為時(shí)間數(shù)據(jù)(單位：s)。用藥數(shù)據(jù)為時(shí)間點(diǎn)的有或無(wú)(1或0)。運(yùn)用python軟件構(gòu)建數(shù)據(jù)轉(zhuǎn)換程序，將血糖與生活數(shù)據(jù)轉(zhuǎn)為可用于機(jī)器學(xué)習(xí)的，以15 min為時(shí)間戳的五維數(shù)據(jù)。數(shù)據(jù)不做平滑處理，均為原始數(shù)據(jù)納入模型。

1.2.2 模型構(gòu)建 采用LSTM-RNN與SVR兩種方法構(gòu)建模型。模型的數(shù)據(jù)納入中，CGM結(jié)合飲食簡(jiǎn)寫為CGM+D，CGM結(jié)合飲食、運(yùn)動(dòng)簡(jiǎn)寫為CGM+D+E。在此次模型構(gòu)建中，為減少數(shù)據(jù)類型的復(fù)雜度及噪聲，睡眠及用藥數(shù)據(jù)僅作為患者個(gè)體的特征體現(xiàn)，不進(jìn)行相應(yīng)的納入對(duì)比。LSTM-RNN中，采用遷移學(xué)習(xí)(TL)策略[14]，以縮減時(shí)間，并提高預(yù)測(cè)患者的準(zhǔn)確性，即先使用所有患者的數(shù)據(jù)創(chuàng)建遷移學(xué)習(xí)數(shù)據(jù)集，用于預(yù)訓(xùn)練全局LSTM 模型。然后根據(jù)每個(gè)患者的個(gè)人記錄，對(duì)全局模型進(jìn)行個(gè)性化處理。模型均采用過(guò)去60 min的數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)血糖水平，預(yù)測(cè)范圍(PH)為15、30、45、60 min。

2 結(jié)果

2.1 數(shù)據(jù)基本情況描述 數(shù)據(jù)總量為15 678條，其中CGM數(shù)據(jù)12 382條(占比79%)，飲食記錄數(shù)據(jù)2 521條(占比16%)，藥物數(shù)據(jù)359條(占比2.4%)，運(yùn)動(dòng)數(shù)據(jù)290條(占比1.8%)，睡眠數(shù)據(jù)126條(占比0.8%)。

2.2 模型表現(xiàn)

2.2.1 模型預(yù)測(cè)評(píng)價(jià) SVR構(gòu)建血糖預(yù)測(cè)模型，在相同數(shù)據(jù)輸入下，模型表現(xiàn)隨著PH的延長(zhǎng)而下降，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。在相同PH下，PH=30 min時(shí)，3種數(shù)據(jù)輸入模式其RMSE值差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，其中CGM+D的RMSE值最低(見表1)；組間比較顯示飲食與運(yùn)動(dòng)數(shù)據(jù)的加入提升模型表現(xiàn)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；而飲食與運(yùn)動(dòng)數(shù)據(jù)之間的比較，差異無(wú)統(tǒng)計(jì)學(xué)意義(見表2)。

表1 SVR模型不同組別及PH的血糖預(yù)測(cè)結(jié)果比較

表2 SVR模型PH=30 min時(shí)不同數(shù)據(jù)輸入的結(jié)果比較

神經(jīng)網(wǎng)絡(luò)技術(shù)復(fù)雜，結(jié)構(gòu)層次多，對(duì)數(shù)據(jù)量的要求更大，因此本研究LSTM-RNN模型在預(yù)測(cè)60 min時(shí)無(wú)法收斂，只預(yù)測(cè)到未來(lái)45 min。該算法的模型呈現(xiàn)更具復(fù)雜性，整體而言，隨著PH的延長(zhǎng)，模型表現(xiàn)差異無(wú)統(tǒng)計(jì)學(xué)意義(見表3)。

表3 LSTM-RNN模型不同組別及PH的血糖預(yù)測(cè)結(jié)果比較

在相同PH下，PH=45 min時(shí)，飲食數(shù)據(jù)的加入提升了模型表現(xiàn)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，而運(yùn)動(dòng)數(shù)據(jù)的加入對(duì)模型的影響差異無(wú)統(tǒng)計(jì)學(xué)意義(見表4)。

表4 LSTM-RNN模型PH=45 min時(shí)不同數(shù)據(jù)輸入的結(jié)果比較

比較這兩種模型，PH=15 min時(shí)，SVR優(yōu)于LSTM-RNN，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；PH=30 min時(shí)，模型表現(xiàn)差異無(wú)統(tǒng)計(jì)學(xué)意義；而隨著PH的延長(zhǎng)，到SVR(45/60 min)與LSTM-RNN(45 min)時(shí)，LSTM-RNN的模型表現(xiàn)提升，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)(見表5)。

表5 SVR與LSTM-RNN模型性能比較

2.2.2 Clarke誤差網(wǎng)絡(luò)分析結(jié)果(EGA) 兩種模型均表現(xiàn)出個(gè)體化的高度匹配，以血糖波動(dòng)最大的4號(hào)患者為例。在SVR模型下，PH=60 min時(shí)的CGM+D+E數(shù)據(jù)輸入EGA表現(xiàn)為：A(91.12%)，B(7.23%)；PH=15 min時(shí)，LSTM-RNN模型下的CGM+D+E數(shù)據(jù)輸入EGA表現(xiàn)為：A(93.82%)，B(6.18%)，模型預(yù)測(cè)結(jié)果均達(dá)到臨床可接受度(見圖1)。

圖1 4號(hào)患者2種構(gòu)建模型下的Clarke-EGA表現(xiàn)圖

3 討論

我國(guó)糖尿病患者血糖控制達(dá)標(biāo)率僅45.8%～58.4%，且年齡越大達(dá)標(biāo)率越低[15-16]，與2025年糖尿病患者規(guī)范管理率需達(dá)到70%[17]的國(guó)家目標(biāo)相比，還有不小的差距。血糖預(yù)測(cè)模型的構(gòu)建能提升醫(yī)護(hù)人員血糖管理效率并幫助患者更直觀地理解生活方式如何影響血糖水平，并以此促進(jìn)生活方式的持續(xù)有效管理[18]，減少因血糖不良波動(dòng)而導(dǎo)致的危害[19]。血糖預(yù)測(cè)模型的研究中，絕大多數(shù)是針對(duì)T1DM患者[13]，與其對(duì)胰島素的絕對(duì)依賴、人工胰腺的使用和使用CGM設(shè)備的普及性有關(guān)。而目前針對(duì)老年T2DM患者的個(gè)體化血糖趨勢(shì)預(yù)測(cè)模型的研究仍鮮有報(bào)道。因此本課題組根據(jù)保健工作實(shí)際需要，研究針對(duì)老年T2DM患者的血糖預(yù)測(cè)模型。

本研究構(gòu)建的血糖預(yù)測(cè)模型能反映出不同個(gè)體基于個(gè)體特征，對(duì)熱量值(攝入為正值，運(yùn)動(dòng)消耗為負(fù)值)的不同反應(yīng)。該模型能解決兩個(gè)問(wèn)題：一是在當(dāng)前時(shí)刻(t0)預(yù)測(cè)未來(lái)一定時(shí)間內(nèi)的血糖值，二是預(yù)測(cè)攝入一定熱量值時(shí)，個(gè)體后續(xù)時(shí)段(t0+n)的血糖反應(yīng)。這兩個(gè)功能，將有利于醫(yī)護(hù)人員對(duì)患者血糖趨勢(shì)的預(yù)判及熱量相關(guān)措施的選擇，使得精準(zhǔn)化保健工作成為一種可能。模型表現(xiàn)RMSE及Clarke誤差分析證實(shí)了模型的可實(shí)用性。

從模型表現(xiàn)來(lái)看，在當(dāng)前研究人群中，飲食是血糖的主要影響因素。2種模型在加入飲食數(shù)據(jù)后，模型表現(xiàn)均提升，且優(yōu)于運(yùn)動(dòng)數(shù)據(jù)。這與運(yùn)動(dòng)方式效率不夠，對(duì)血糖的影響小，在模型里影響輕微，甚至拉低了部分模型表現(xiàn)?；乜椿颊叩倪\(yùn)動(dòng)記錄，大部分為散步，該方式效率低，既耗時(shí)又能量消耗小。對(duì)于老年人而言，該運(yùn)動(dòng)方式較為和緩且單一，對(duì)血糖調(diào)控力差，在后續(xù)的生活方式指導(dǎo)中，應(yīng)該調(diào)整該類人群安全、有效的運(yùn)動(dòng)方式。SVR模型短時(shí)表現(xiàn)優(yōu)于LSTM-RNN，但LSTM-RNN表現(xiàn)出更為復(fù)雜的特性，隨著PH的延長(zhǎng)，模型表現(xiàn)提升且優(yōu)于SVR算法，這與神經(jīng)網(wǎng)絡(luò)算法擅長(zhǎng)處理各輸入數(shù)據(jù)與血糖水平之間的高度異質(zhì)且非線性關(guān)系有關(guān)[13]。隨著患者記錄的數(shù)據(jù)越來(lái)越多，該模型將變得更加個(gè)體化，從而在預(yù)測(cè)血糖方面達(dá)到更高的準(zhǔn)確性[20]。在此次研究中，SVR的60 min/CGM+D+E與LSTM-RNN的45 min/CGM+D+E，其模型表現(xiàn)均是臨床可接受。

綜上所述，飲食是該類人群主要的影響因素，運(yùn)動(dòng)方式有待改善。模型可對(duì)患者進(jìn)行有效的熱量相關(guān)指導(dǎo)。課題組會(huì)在數(shù)據(jù)的深度(延長(zhǎng)CGM設(shè)備佩戴周期)和廣度(增加受試對(duì)象)2個(gè)方面進(jìn)行擴(kuò)充，進(jìn)一步提升血糖趨勢(shì)預(yù)測(cè)模型性能，達(dá)到有效輔助醫(yī)護(hù)人員管理老年T2DM患者血糖，促進(jìn)其健康、有效的生活方式，優(yōu)化血糖水平的目的。