2022-08-19 06:45

基于机器学习的连续血糖分析有望指导个性化糖尿病管理

glucose test

《健康数据科学》(Health data Science)最近的一项研究表明,一种从连续血糖监测(CGM)中自动分类原始数据的新方法已被证明是可行的,并显示出指导糖尿病患者血糖管理的潜力。

CGM设备的最新进展使糖尿病患者能够实时监测血糖的变化,以及饮食和生活方式干预和药物对血糖水平的影响。这将彻底改变医生和患者的合作方式,通过个性化治疗来改善健康结果和生活质量。虽然血糖监测设备的读数可以随时供患者和医生解读,但这个过程可能耗时、复杂、低效。此外,数据结构的技术问题,包括不规则的记录时间和读数的复杂性,挑战队列水平分析。

提取关键测量值可以让医生更快更准确地解释数据,以提高提供的护理质量。新加坡NOVI Health的医生Kyle Xin Quan Tan说,这可以通过对成功策略进行更有效、更深入的分析,并针对最有可能从这些策略中受益的患者进行特定干预来实现。

新加坡NOVI Health和新加坡国立大学的作者兼医生Sue-Anne Toh说:“为此,我们开发了一种方法,将连续葡萄糖测量的复杂性降低到更小的、浓缩了患者记录最重要方面的测量集。”“在一个用例中,我们证明了四种‘葡萄糖型’的存在,这些患者的血糖测量在一天中显示出不同的动态。”

与通常观察到的血糖反应模式相联系,在许多研究中,葡萄糖型已与临床意义相关联。此外,快速将个人划分到此类类别的能力可以作为个性化生活方式和医疗建议的基础。

新加坡国立大学副教授亚历克斯·R·库克(Alex R Cook)说:“这篇论文记录的新进展是将CGM读数压缩为更小的关键测量子集的方法,并进一步将关键测量简化为少量的糖型。”血糖特征和自动无监督分类算法的结合可能会推进系统风险分层、干预和糖尿病管理。

他进一步解释说,这个过程可以促进其他统计分析,例如评估特定的药物或生活方式的改变是否对某些血糖型有更明显的影响。

研究团队由学者和医生组成,他们经常在临床实践中使用CGM技术。这使得研究结果更容易转化为实践,例如,通过将这些分类方法纳入患者管理工具。

接下来的步骤将是在这项工作的基础上考虑其他变量,如进餐时间以帮助用餐的准确性,以及其他降低血糖升高幅度的修改。此外,由葡萄糖漂移驱动的个性化反馈自动化是未来研究的一个领域。最终,该团队希望开发一个模型,能够将理想的药物和干预措施与血糖类型相匹配,从而产生最大的影响。它们之间的关系也可以纵向研究,以开发和验证血糖型特异性干预。