第五章：閉環系統、決策支援與人工智慧
非常感謝大家。我謹代表我的共同作者們——Boris Kovatchev、Moshe Phillip 以及 Revital Nimri——向各位致謝。幾年前我受邀加入這個團隊，並一直非常享受這個過程。在正式開始前，先聲明我的利益衝突：我目前擔任 Glooko 的首席醫療與策略長，並接受來自 Dexcom 與 Abbott Diabetes Care 的研究贊助。
因為本章節的標題包含三個部分，接下來的演講也將分為三大區塊來進行探討。
閉環系統 (Closed Loop) 的發展與最新臨床證據
在 2024 到 2025 年的觀察期間內，關於閉環系統的文獻發表了超過三百篇。從中我們可以看到幾個主要的新興主題：首先是關於商業化系統在現實生活中長期使用的觀察報告；其次是大量的系統性回顧與統合分析；同時我們也看到自動化胰島素給藥系統（AID）開始應用於第二型糖尿病（T2D）患者，以及針對 2 至 6 歲極低齡兒童的試驗（例如 LENNY 研究，探討其療效與安全性）。
此外，也出現了一些探討概念性新科技的罕見研究，包含了利用數位雙生（Digital Twins）與回放模擬（Replay simulation）技術來進行人機協同適應（human-machine co-adaptation）。而在全閉環系統（Fully closed loop）方面，我們看到了基於機器學習（Machine Learning）的新型控制演算法的早期可行性研究。這顯示了控制系統正從過去由方程式驅動（Equation-driven control，如 PD、PID、MPC、MD Logic），演進到如今由數據驅動（Data-Driven Control，如機器學習與 AI）的新階段。特別是在 2024 與 2025 年間，出現了結合神經網絡甚至是強化學習（reinforcement learning）的早期試驗。
正如同 Boris 之前非常精彩地向我們展示的時間軸，我們正見證著系統從早期的混合閉環，一路演化至現在我們所看到的全閉環系統的最新可行性研究。
這裡有幾篇文獻我想特別引起大家的注意，如果您還沒讀過，我強烈建議您去閱讀。當然，本章節的引言部分已經強調了許多重點研究，但我今天想特別提出一項為期 13 週的多中心隨機對照試驗。這項試驗納入了 319 位第二型糖尿病患者，比較了使用 AID（Control-IQ Plus 系統）與單純使用連續血糖監測（CGM）的差異。
這項發表於《新英格蘭醫學雜誌》(NEJM) 的試驗顯示，與對照組相比，AID 組的糖化血色素（A1C）經調整後平均差異降低了 0.6% （95% CI: -0.8 到 -0.4, P<0.001），而在目標範圍內時間（TIR）的平均差異則增加了 14% （95% CI: 11-17, P<0.001）。
決策支援系統 (Decision Support) 的演進與住院應用
因為這章節涵蓋了三個主題，我們必須快速推進。第二個部分是決策支援系統。如我們所知，決策支援可以廣泛應用於糖尿病照護的各個面向，包含：用藥依從性、飲食計畫、運動與體能活動、壓力管理、胰島素管理、維持生活品質、糖尿病自我管理衛教與支持（DSMES）、病假應變規則，以及避免高/低血糖等。
Phillip 教授和 Nimri 教授曾撰寫了一篇非常出色的回顧文章，詳細闡述了決策支援在糖尿病照護中的各種應用方式。在本次的觀察期間內，這個領域共有 300 篇文章發表，其中包括超過 12 篇的隨機對照試驗（RCTs），以及超過 20 篇的系統性回顧與統合分析。
在值得注意的發展方面，2025 年的 ADA 照護標準將支持劑量計算器與決策支援系統的證據等級從 C 級提升到了 B 級。此外，FDA 也在 2025 年發布了關於 AI 在藥物開發，以及醫療器材中 AI 生命週期與提交要求的新指南。其他重點研究還包括了：針對 AID 系統初始設定與調整的文獻、每週一次基礎胰島素 Efsitora 在 T2D 成人中的 DSS 早期試驗、針對高脂餐與運動的 T1D 強化學習決策支援，以及探討 GPT-4 應用於 T2D 初始處方輸出的相關研究。
在這裡，我要特別強調一項針對住院病患胰島素劑量的決策支援隨機對照試驗。這是我見過的第一個使用基於智慧（即機器學習）系統來控制第二型糖尿病住院患者血糖的研究。這篇發表於《JAMA Network Open》的試驗，在中國的三個醫學中心隨機分配了 149 位**（平均年齡 64.2 歲，HbA1c 介於 7.0% 至 11.0%）**的患者。
病患接受了為期五天的治療，比較了基於智慧型的胰島素臨床決策支援系統（iNCDSS）與資深醫師主導的介入治療。結果顯示，**智慧系統在達到目標血糖範圍（70-180 mg/dL）的時間比例上，達到了非劣性（non-inferiority）標準。**具體數據顯示，iNCDSS 組的 TIR 為 76.4%，而醫師主導組為 73.6%（治療差異估計為 2.7 個百分點，P=.33）。
不過，關於這項研究我必須指出一個限制：目前市面上（特別是在美國）已經有一些商業化的系統，而這項研究並沒有報告患者暴露於低血糖的情況，儘管在醫院環境中低血糖相對罕見。未來我們確實需要看到進一步的研究，將這種智慧系統與現有已發表結果的商業系統（例如使用 11 項變數多變量模型的 EndoTool 平台等）進行比較，因為這些現有系統已經幾乎能夠消除住院環境中的低血糖事件。
人工智慧 (Artificial Intelligence) 與代謝亞型預測
最後一個部分是人工智慧。從 2024 年 7 月到 2025 年 6 月的觀察期間，共有 1,510 篇文章發表。
這個領域的主要發展主題包括：預測血糖、A1C、住院率、併發症以及糖尿病進展；適時的自適應介入治療（just-in-time adaptive interventions）；對視網膜病變和足部潰瘍等併發症進行分類；以及為 AI/ML 應用準備數據。目前的 AI 系統已經能整合病史、治療數據、生活型態、基因數據、臨床測量與血糖濃度等多重輸入數據，並運用知識庫 AI、專家系統、模糊邏輯、機器學習、神經網絡、大型語言模型與生成式 AI 等技術，最終產出自動化胰島素給藥設定、最佳化藥物劑量、長期併發症風險評估、24/7 隨身顧問以及血糖預測等輸出結果。
我只想特別強調一篇文章，我認為這是一篇極具指標性的基石研究，由 Michael Snyder 及其團隊發表於《Nature Biomedical Engineering》。這項研究納入了 32 位經過非常仔細表型分析的個體，試圖透過連續血糖監測和機器學習，找出第二型糖尿病的代謝亞型（metabolic subphenotypes）。
他們發現了主要的或共顯性的亞型，導致了不同程度的代謝異常。具體來說，有 34% 的參與者呈現肌肉或肝臟的胰島素阻抗（insulin resistance），而有 40% 呈現 β 細胞功能障礙或腸泌素（incretin）作用受損。研究團隊利用口服葡萄糖耐受測試（OGTT）的血糖時間序列，結合人口學與臨床特徵來訓練機器學習模型。
這篇論文包含了非常龐大的數據量，如果您還沒有讀過，可能需要花上幾個小時來仔細研讀。但我認為，這項研究結果未來將能夠大幅度地指引並優化未來的糖尿病治療方案。
最後，在結束今天的演講之前，我想做一個預測：在接下來的五年內，將新型人工智慧技術與大型語言模型（Large Language Models）應用於糖尿病照護，將會是糖尿病文獻中增長最快速的領域。
再次感謝我的共同作者們，也謝謝大家的聆聽。