新AI工具或可优化2型糖尿病患者血糖控制

2型糖尿病是最常见的慢性疾病之一，给社会造成巨大的经济负担。最新数据显示，我国每9名成人中就有1名糖尿病患者，其中将近50%的患者通过注射胰岛素治疗。如何为这部分患者精确高效地调整胰岛素用量，一直以来是困扰医学界的难题。

传统的胰岛素剂量调整很大程度上依赖医生的经验，同时遵循临床指南，从而达到控制血糖的目标。由于糖尿病患者对胰岛素反应存在个体差异，糖尿病病程随进展也对胰岛素有不同需求，传统的胰岛素治疗模式无法满足日益增长和动态变化的临床需求，因此，制定个体化、精准的胰岛素调整策略具有重要的临床意义和社会价值。

9月14日，复旦大学附属中山医院内分泌科李小英、陈颖团队联合北京邮电大学王光宇团队在Nature Medicine上发表了文章Optimized glycemic control of type 2 diabetes with reinforcement learning: a proof-of-concept trial（利用强化学习算法优化 2 型糖尿病的血糖控制：一项概念验证试验），文章讲到，该团队采用强化学习算法构建了2型糖尿病的胰岛素决策模型，并从计算机模拟效果、专家评估、真实世界患者疗效评估等方面，证实该模型可制定个体化、精准、动态的胰岛素治疗方案，或将作为潜在有效工具辅助临床医生管理2型糖尿病患者，减轻医疗负担，助力分级诊疗，赋能慢病管理。

在研究中，该团队构建了一个庞大的2型糖尿病电子健康记录数据集，纳入了12981名患者，数据覆盖119941个治疗日，包括了患者至少7天的胰岛素使用方案和血糖的连续记录。其中，每名患者的数据都以时间序列的形式呈现，包括人口统计学信息、血液生化指标、药物和胰岛素使用信息。基于这些数据，团队开发了基于强化学习的动态胰岛素调节方案（RL-DITR），包括一个用于跟踪个体血糖状态演变的患者模型和一个用于在长期治疗中进行多步规划的策略模型，通过模型间的交互不断迭代，学习并完善策略。此外，团队还引入了监督学习机制，利用临床专业知识确保决策安全。为了评估该AI系统在临床应用中的表现，从开发到部署，团队对全程都进行了临床评估，包括AI与医生比较的内部验证和外部验证研究、包含重测试的前瞻性部署研究和概念验证可行性临床试验。

在研究过程中，团队成员首先构建了预测患者血糖状态的患者模型，并在内部、外部验证集上测试了该患者模型的准确性。结果显示，预测血糖值准确跟随了实际血糖变化趋势。AI模型在内部测试集中表现良好，皮尔逊相关系数为0.70，平均绝对误差为2.13毫摩尔/升。在外部测试集上评估时，AI模型的皮尔逊相关系数为0.71，平均绝对误差为2.28毫摩尔/升。研究者进一步研究了模型在沿时间轴预测患者每日WTR状态（过去24小时内血糖值在3.9～10.0毫摩尔/升的目标范围内）方面的表现，发现随着时间的推移和输入信息变多，模型的预测会更加准确。总体而言，患者模型预测准确且与临床结果高度相关，可用作强化学习模型的交互环境。

随后，研究者进一步评估了强化学习系统在优化个性化胰岛素建议方面的性能。对于每日治疗剂量预测，AI策略在内部测试集和外部测试集上表现良好，误差分别为1.10国际单位（IU）和1.20国际单位（IU)。此外，临床医生和AI策略之间存在高度相似的趋势，这表明AI能够学习和模仿医师的实践。研究者进一步研究了，患者血糖结局（WTR比率）是否随实际给药剂量与强化学习方法建议的剂量间的差异而变化，结果表明，接受与AI算法建议的剂量类似的患者通常可以实现较好的血糖控制，当实际给药剂量与AI算法建议的剂量差距较大时，患者结局变差。

为验证AI的可行性，研究者进行了包括内部队列和外部队列的两项回顾性模拟研究。首先，在内部验证队列中，团队比较了AI系统与医生在为40名2型糖尿病患者提供胰岛素剂量建议方面的表现。定量评估结果显示，以专家小组建议的剂量为参考，AI系统的误差为1.18单位，优于初级医生（1.46单位）和中级医生（1.27单位），略低于高级医生（0.95单位），AI模型与专家的一致性也高于初级医生。定性评估结果显示，AI模型的有效性、安全性和可接受性高于第一组和第二组初级医生的方案，略低于第三组高级医生的方案。接着，在包含了45名2型糖尿病患者的外部验证队列中，团队比较了AI方案和既往医生方案的表现。结果显示，由专家小组主观测量评估的AI方案的可接受性、有效性和安全性与既往医生方案相似。重测试结果表明，AI模型在专家评估下优于人类医生方案。

在回顾性数据集上验证AI方案的可行性后，研究者将系统部署于临床，进行了包含20名2型糖尿病患者的前瞻性部署研究。结果显示，AI模型表现出了稳定的有效性、安全性和可接受性。值得一提的是，经过一段时间人机互动，医生在重测试中表现出了对AI系统更高的采纳率。

最后，为探究AI在住院糖尿病患者血糖控制中的临床效用和安全性，研究者进行了一项概念验证可行性试验。共有16名2型糖尿病住院患者参加了试验，基线时受试者的平均糖化血红蛋白为8.8±1.1%，平均糖尿病病程为12.0±8.9年，所有住院患者接受了5天的AI干预。在试验期间，有90.2%的AI建议被医生采纳。

结果显示，与治疗期第一天的前24小时相比，患者治疗期最后24小时的血糖曲线显著改善。患者每日平均血糖、餐前血糖和餐后血糖均随AI治疗而降低，分别从第一天的11.1±3.6毫摩尔/升、10.2±2.8毫摩尔/升和12.3±4.2毫摩尔/升降至治疗最后24小时的8.6±2.4毫摩尔/升、7.8±2.2毫摩尔/升和9.7±2.4毫摩尔/升，达到了预先设定的血糖目标。此外，在试验结束时，70.3%的患者餐前血糖达到了5.6～7.8毫摩尔/升的目标范围，68.8%的患者餐后毛细血糖达到了低于10.0毫摩尔/升的目标。持续血糖监测结果显示，患者目标范围内（3.9～10.0毫摩尔/升）的血糖浓度时间百分比（TIR）不断改善，且血糖浓度低于3.9毫摩尔/升的百分比低于4%，且患者在试验期间未发生严重低血糖或酮症酸中毒等不良事件。调查显示，大多数医生表示AI界面易于理解（4.57/5.00），节省时间（4.50/5.00），有效（4.00/5.00）和安全（4.29/5.00），AI系统的总体满意度得分为4.14/5.00。

相关研究结果表明，RL-DITR系统有潜力成为优化2型糖尿病患者血糖控制的AI工具，帮助医生更好地管理糖尿病患者。值得注意的是，虽然该研究主要是在2型糖尿病住院患者中实施和测试，但如果进行适当的集成和持续开发，该系统可以扩展应用到诸如门诊患者管理和居家患者管理等广泛的临床场景，实现糖尿病患者的全方位智慧管理。

此外，李小英教授作为原创新药葡萄糖激酶激活剂多格列艾汀研发的主要负责人之一，成功推动其在我国的一系列临床研究，证明了葡萄糖激酶激活剂可通过调节血糖稳态实现降糖作用，使之成为全球首个全新靶点的糖尿病药物。两项研究论文同时发表在《自然医学》（Nature Medicine）期刊上。