身體活動特徵與初始代謝狀態對 DBLG1 系統血糖結局的獨立影響：線性混合模型分析

Independent Impact of Physical Activity Characteristics and Initial Metabolic State on Glycemic Outcomes in the DBLG1 System: A Linear Mixed Model Analysis

研究團隊：A. Adenis, S. Lachal, P. Gauthier, P. Gimenez, C. Desir, T. Le Roux-Mallouf, E. Huneker, P.-Y. Benhamou；Diabeloop SA R&D, Grenoble, France。
Alice Adenis 為 Diabeloop SA 的 research engineer，並揭露其身分為 Diabeloop 員工。她的公司正在開發並部署 DBLG1 closed-loop system，目前在歐洲約有 10,000 名使用者配戴或使用。

研究背景：為什麼 closed-loop 仍需要專門的身體活動模組？

對第 1 型糖尿病（type 1 diabetes, T1D）患者而言，身體活動（physical activity, PA）雖然是整體健康的重要部分，但實際參與時常受到兩個主要障礙限制：低血糖恐懼與整體血糖控制的不確定性。運動可能導致運動中或運動後低血糖，也可能因胰島素調整過度而在較長時間後出現高血糖；因此，對 closed-loop algorithm 來說，運動情境不是單純「少給一點胰島素」即可解決，而需要依據活動型態、強度、時間、使用者當下代謝狀態與碳水補充情形做更細緻的管理。

相關背景文獻包括 Bertachi et al. 2018，探討 announced exercise 在單一荷爾蒙人工胰臟（uni-hormonal artificial pancreas）中的低血糖風險緩解方法；以及 Molveau et al. 2022，探討自由生活條件下 T1D 成人夜間低血糖與日常身體活動的關係。

DBLG1 的特色在於它具有一個專門的 Physical Activity Management Module。這個模組不是只在運動當下反應，而是從身體活動開始前 2 小時就開始調整，並持續到活動結束後 16 小時。其核心策略包含降低或調節胰島素輸送，以及在需要時建議救援碳水化合物（rescue carbohydrates, RC），並且針對不同身體活動型態提供不同管理，包括：

Aerobic PA：有氧活動
Anaerobic PA：無氧活動
Mixed PA：混合型活動

這個模組在既有真實世界資料中已顯示良好安全性與穩健性。Alice Adenis 特別指出，雖然本場報告的主軸不是展示該模組「已經做得多好」，但她先以兩個相關 poster 作為背景：

Poster 1861-P：Performance of DBLG1 System for Aerobic, Anaerobic and Mixed Type Physical Activities。DBLG1 在不同 PA type 中達成主要安全目標，平均 Time Below Range（TBR）維持在 < 1.3%。
Poster 1860-P：Impact of Physical Activity on the Night Outcomes with the DBLG1 System。系統在運動後夜間低血糖管理上具有真實世界穩健安全性；講者口述指出，運動後夜晚與中性／非運動夜晚相比，沒有看到統計上顯著差異。

因此，本研究的真正問題不是「這個 PA module 是否有效」，而是：哪些身體活動特徵與初始代謝狀態最影響血糖結局與演算法建議？ 透過這些資訊，下一代或下一版本演算法可以更精準地改善運動管理。

研究目標：用線性混合模型拆解 PA 特徵與初始代謝狀態的獨立影響

本研究使用 linear mixed model（LMM，線性混合模型），分析 DBLG1 系統在真實世界中的身體活動資料，目標是同時理解兩大類結果：

血糖結局（glycemic outcomes）
- 平均血糖（mean glucose level, mg/dL）
- Time Below Range（TBR，<70 mg/dL）
- Time Above Range（TAR，>180 mg/dL）
系統輸出或演算法建議（system outputs / algorithm recommendations）
- 胰島素輸送（insulin delivery）
- 救援碳水化合物攝取／建議（rescue carbohydrates, RC）

研究特別關注「身體活動本身的特徵」與「活動開始時的代謝狀態」各自有多少獨立影響。LMM 的優勢在於它可以處理同一位使用者多次活動造成的 repeated measures，並將個體間差異與活動事件本身的差異分開估計。

模型概念可寫為 y = Xβ + Zu + ε，其中 user identifier 作為 random effect，用來吸收同一使用者內部重複量測以及使用者之間的基準差異。

真實世界資料來源與研究族群

所有分析皆來自使用 DBLG1 系統的真實世界資料，研究為 observational study，稱為 ObS31。講者說明資料來自使用者實際使用系統的情境，而非高度控制的實驗室環境。

資料版本為 DBLG1 System Version 2025 / v1.17。
研究納入 2,322 名使用者；女性 1,419 人（約 60.9%），男性 903 人（約 38.8%），未提供性別 0 人。2025 年年齡中位數為 42.0 歲 [32.0, 54.0]；HbA1c 中位數為 7.4% [6.9, 8.2]。

研究資料中約有 26,000 次身體活動事件。每一次 PA event 都與一段「休息期」（rest period）配對，該休息期發生在身體活動前 1 或 2 天，用來建立對照。這個設計讓研究者不只看活動期間的絕對值，也能看活動相對於同一使用者休息期的變化。

在最終模型中，依不同 outcome 的資料可用性，觀察數約為 20,664–20,959 筆，對應約 1,717–1,720 名使用者；例如 TBR、TAR、insulin delivery、RC 模型為 20,959 observations / 1,720 users，mean glycemia 模型為 20,664 observations / 1,717 users。

模型架構：五個絕對模型與五個相對休息期變化模型

研究建立兩組模型：

絕對值模型（absolute models）

直接預測身體活動期間的 outcome，例如：

活動期間平均血糖是多少？
活動期間 TBR / TAR 是多少？
系統在活動期間給了多少 insulin delivery？
系統建議或使用者攝取多少 rescue carbohydrates？

相對休息期變化模型（variation models）

將身體活動期間的 outcome 與配對的 rest period 比較，也就是分析：

活動期間相較休息期，平均血糖變化多少？
TBR / TAR 相較休息期增加或減少多少？
insulin delivery 或 rescue carbohydrates 相較休息期有何變化？

因此總共建立 10 個模型：5 個 absolute models，加上 5 個 compared-to-rest variation models。Alice Adenis 在報告中說明，由於時間有限，她不會逐一展示所有 10 張結果表，而是以 mean glycemia model 作為主要範例，再用所有模型的整體結果提出結論。

輸入特徵：初始條件、PA 特徵與使用者因素

LMM 中納入的 explanatory features 分為三大類。

初始代謝條件：活動開始前後的風險基準

第一類是身體活動開始時或開始前的 initial conditions，包括：

Initial insulin on board（IOB）：活動開始時體內仍在作用的胰島素量
Initial glycemia：活動開始時的血糖
Pre-activity rescue carbohydrates：活動前 1 小時內攝取的救援碳水化合物

約 70% 的身體活動事件沒有要求或沒有使用 pre-activity rescue carbohydrates，這表示多數活動並非都需要預防性補碳；然而，當有補碳時，其意義可能不只一種。

因此模型加入了 initial glycemia × pre-activity RC 的 interaction term。這個交互作用的重要性在於：碳水攝取可能代表兩種不同情境。

Corrective consumption：血糖正在下降或偏低，使用者為了矯正低血糖風險而攝取碳水。
Preventive / fueling consumption：使用者在活動開始時攝取碳水，以準備或支撐接下來的身體活動。

如果只看「吃了多少碳水」，可能混淆這兩種意義；加入活動開始血糖與碳水的交互作用，有助於區分「低血糖矯正」與「運動前預防／補給」的不同效果。

身體活動特徵：型態、強度與時間

第二類是由使用者自行宣告的 PA characteristics：

活動型態：aerobic、anaerobic、mixed
活動強度：intensity
活動持續時間：duration

線性模型的參照組設定為 aerobic physical activity、低強度、短時間活動。講者口述短時間基準約為低於 40 分鐘；模型輸出中可見 duration category 另列為 [30 min, 1 h) 與 [1 h, +∞)，因此最短時間類別作為參照，較長活動則以 30 分鐘至 1 小時、以及 1 小時以上分層估計。

模型也加入 intensity × duration interaction term，原因是 DBLG1 PA module 的調節策略中，強度與時間的影響並非單純相加，而具有某種乘法式（multiplicative）的調整邏輯。換句話說，短而強、長而低強度、長而高強度可能對血糖風險與胰島素調整產生不同組合效應。

使用者因素與行為脈絡

第三類是 user factors，包括：

User expertise level：使用者是否熟悉 PA module
身體活動前期間的餐次數
餐點宣告與身體活動宣告的相對時序

研究將「expert / experienced user」定義為：至少一年期間內，每週至少使用一次 PA module 的使用者。這群人可能更理解系統邏輯，也可能更能在合適時間宣告活動、配合建議或調整碳水攝取，因此預期其 outcome 可能較佳。

餐點相關特徵也很重要。若使用者在用餐前已經宣告接下來會有身體活動，演算法在餐時 bolus 或 insulin recommendation 上可能會做不同選擇；相反地，若先吃飯、後宣告活動，系統可調整的空間可能不同。因此研究納入「pre-activity meals」以及「meal declaration relative to PA declaration」來捕捉這類行為脈絡。

最後，模型進行 feature selection，保留 p value <0.05 的特徵，以建立較具解釋力的最終模型。

ICC 結果：PA event 的差異比個體差異更能解釋多數 outcome

Alice Adenis 首先介紹 LMM 產生的一個重要指標：intraclass correlation coefficient（ICC，類內相關係數）。在此脈絡下，ICC 可用來估計 outcome variance 中有多少比例來自「使用者之間的差異」（between-patient differences），相對於「同一使用者不同活動事件之間的差異」（within-patient variation）。

整體結果顯示，在 absolute models 中，使用者之間差異只解釋一小部分變異；更多變異是由活動事件本身的條件、活動特徵與初始代謝狀態驅動。這代表對於 PA module 的改善而言，重點應放在辨識「這次活動是什麼樣的活動、活動開始時使用者處於什麼狀態」，而不只是依照某位使用者的固定特性做調整。

Absolute models 的 ICC 約為 0.076–0.174，也就是約 8%–17% 的變異可歸因於使用者之間差異；相對地，約 83%–92% 來自同一使用者內部不同活動事件的變異。

Outcome	Observations / Users	ICC：Absolute model	ICC：Variation model
TBR	20,959 / 1,720	0.076	0.031
TAR	20,959 / 1,720	0.090	0.045
Mean glycemia	20,664 / 1,717	0.098	0.060
Insulin delivery	20,959 / 1,720	0.146	0.045
Rescue carbohydrates	20,959 / 1,720	0.174	0.117

當 outcome 改成「相對於 rest period 的變化」時，TBR、TAR、mean glycemia 與 insulin delivery 的 ICC 大約下降一半。這代表 DBLG1 演算法在某種程度上已能 normalize 或抵消部分使用者之間的基準差異，使活動相對變化較不受個體固定差異影響。

不過，rescue carbohydrates 的 ICC 仍相對較高，代表 RC 使用或建議仍有較強的 patient-dependent 成分。這並不令人意外，因為碳水攝取與個人習慣、對低血糖的恐懼、對系統建議的接受度，以及活動前是否願意補碳都有關。

平均血糖模型：初始血糖、IOB、碳水與活動時間的影響

由於無法逐一展示 10 個模型，報告聚焦於 mean glycemia。這裡有兩個模型：

Absolute mean glycemia model：預測活動期間平均血糖絕對值。
Mean glycemia variation model：預測活動期間平均血糖相較 rest period 的變化。

在 absolute mean glycemia model 中，intercept 代表參照組的平均血糖：aerobic、低強度、短時間活動，在其他變項處於參照或基準條件下，平均血糖約為 156 mg/dL。

更精確的 intercept 為 156.798 mg/dL。

初始血糖是最強的平均血糖推升因子

模型顯示，活動開始時血糖越高，活動期間平均血糖也越高。每增加 10 mg/dL 的 initial glycemia，活動期間 mean glucose 上升約 7.2 mg/dL。

Absolute mean glycemia model 中，initial glycemia 每 +10 mg/dL，mean glycemia 增加 +7.249 mg/dL；variation model 中則增加 +6.206 mg/dL。

這個結果符合臨床直覺：如果活動開始時血糖較高，運動中即使胰島素或肌肉攝糖造成血糖下降，整體仍有較高的起始緩衝，因此平均血糖會較高，低血糖風險也可能較低。

初始 IOB 越高，平均血糖越低，但低血糖風險增加

IOB 的方向相反。活動開始時體內仍作用中的胰島素越多，活動期間平均血糖越低。這也與運動生理相符：運動會增加肌肉葡萄糖攝取，而若同時有較多 active insulin，低血糖風險會被放大。

Absolute mean glycemia model 中，initial IOB 每 +1 U，mean glycemia 降低 -2.538 mg/dL；variation model 中降低 -3.411 mg/dL。

在後續整體結論中，這個 IOB 效應也反映到 TBR：IOB 越高，TBR 越高。因此 initial IOB 是運動前風險評估中不可忽視的變項。

Pre-activity rescue carbohydrates 與血糖起點有交互作用

活動前 1 小時內的 rescue carbohydrates 與 mean glycemia 呈正向關係，也就是補碳越多，活動期間平均血糖越高。但這個效果不能只看 RC 主效應，因為模型同時納入了 glycemia at PA start × pre-activity RC 的交互作用。

Absolute mean glycemia model 中，pre-activity RC 每 +1 gCHO，mean glycemia 增加 +0.571 mg/dL；variation model 中增加 +0.583 mg/dL。glycemia at PA start × pre-activity RC 的交互作用在 absolute model 中為 +0.018，在 variation model 中為 +0.019。

這代表碳水對血糖的影響會依活動開始時血糖而不同。Alice Adenis 的解讀是：若使用者在較高血糖起點下同時攝取較多 RC，血糖上升或維持較高的效果會更明顯；但若是在血糖偏低或下降時補碳，則可能更像是低血糖矯正，而不是單純造成平均血糖升高。

活動時間越長，平均血糖與 TAR 可能越高

活動持續時間也是重要因素。長時間活動會讓系統在更長時間內降低或暫停胰島素輸送；這有助於避免低血糖，但也可能造成活動後或活動期間後段的高血糖。Alice Adenis 特別指出，這個現象也可在 TAR 模型中看到：很長的活動有較高機率讓血糖在較長時間維持偏高，原因是 insulin reduction 維持得更久。

Absolute mean glycemia model 中，duration [30 min, 1 h) 的係數約 +1.53 mg/dL，duration [1 h, +∞) 的係數約 +5.714 mg/dL；variation model 中，duration [30 min, 1 h) 約 +4.038 mg/dL，duration [1 h, +∞) 約 +7.937 mg/dL。

這個結果直接導向演算法改善方向：長時間活動需要更精細的 insulin suspension / insulin reduction 策略，不只是單純「減少越久越安全」。若減少太久，TAR 可能上升。

PA type：無氧活動相較有氧基準呈較低平均血糖

以 aerobic PA 作為 baseline 時，anaerobic PA 的平均血糖較低。Alice Adenis 將這視為 PA type-specific management 的重要證據之一。不同活動型態的代謝效應不同，演算法不應把所有運動視為同一類事件。

Absolute mean glycemia model 中，Type = Anaerobic 的係數約 -2.943 mg/dL；Type = Mixed 的係數約 -0.505 mg/dL。
整體結論中亦指出，針對 anaerobic PA 使用較低 glycemic target 的設計獲得驗證：absolute TAR 降低約 -3.60 percentage points，mean glucose 降低約 -2.9 mg/dL。

關於 aerobic、anaerobic 與 mixed 活動之間的更多差異，Alice Adenis 建議可參考同場 poster 1861-P。

Expert users：熟悉 PA module 的使用者變化較佳

使用者經驗也有影響。Expert users 更熟悉演算法如何反應，也更可能在合適時間宣告活動或理解碳水與胰島素建議，因此在活動期間相對休息期的 mean glycemia variation 較低。

Mean glycemia variation model 中，Is expert = True 的係數約 -3.18 mg/dL。

這個結果具有實務意義：演算法本身可以改進，但使用者教育、活動宣告習慣與對系統建議的理解，也會影響 closed-loop 在運動情境中的表現。

整體模型結論：初始代謝狀態是 glycemic risk 的主要預測因子

綜合所有模型，Alice Adenis 將最重要的結論放在 initial metabolic state。活動一開始的血糖與 IOB 共同決定了接下來的風險方向。

Initial glycemia：較高起始血糖是低血糖緩衝，但也推高平均血糖

較高的 initial glycemia 會提高活動期間 mean glucose，同時降低 TBR。換句話說，它像是一個 buffer，使使用者較不容易掉到低血糖範圍。

整體模型結論：initial glycemia 每 +10 mg/dL，mean glucose 增加約 +7.25 mg/dL；TBR 降低約 -0.41 percentage points。

這不代表應鼓勵高血糖起始運動，而是說演算法在判斷低血糖風險時，必須把起始血糖作為核心輸入。

Initial IOB：降低平均血糖，但增加 TBR

IOB 越高，mean glucose 越低，但 TBR 越高。這代表 active insulin 是運動低血糖風險的重要來源。

整體模型結論：initial IOB 每 +1 U，mean glucose 降低約 -2.54 mg/dL；TBR 增加約 +0.58 percentage points / IU。

這個結果支持 PA module 在活動前提前 2 小時開始調整的設計，因為若等到活動開始才處理，IOB 可能已經過高，低血糖風險難以完全避免。

演算法改善方向：短而強的活動要更早準備，長活動要優化胰島素暫停

本研究最重要的價值在於，它不只是描述 outcome，而是指出下一步 algorithmic improvements。

短時間、高強度活動：TBR 增加最明顯，問題在於準備時間不足

短而強的活動容易帶來較高 TBR increase。Alice Adenis 認為，這類活動往往較少被提前宣告，使用者可能臨時開始活動，因此系統沒有足夠時間在活動前 2 小時逐步調整 insulin delivery，也較難事先建議合適碳水。

整體結論中，short & intense PA 具有最高 TBR increase，約 +4.3 percentage points。

因此，演算法需要優化 preparation period：可能包括鼓勵更早宣告、在宣告較晚時採取更快速但安全的策略，或根據 initial IOB / initial glycemia 更精準地決定是否需要 rescue carbohydrates。

長時間活動：TAR 增加最明顯，需要重新平衡 insulin suspension

長時間活動的問題則不同。為避免低血糖，系統會長時間降低胰島素輸送；但若 reduction / suspension 過度或恢復太慢，活動後可能出現高血糖。Alice Adenis 指出，長時間活動需要優化 insulin suspension，並在合適時機恢復或增加 insulin delivery，以避免活動後「非常高」的血糖狀態。

整體結論中，long PA（>60 min）具有最大 TAR increase，約 +5.07 percentage points。

這裡的改善重點不是簡單地減少低血糖，而是降低 TBR 的同時避免 TAR 上升，達到更好的 glycemic balance。

PA type-specific management：無氧活動的特定目標設定獲得支持

DBLG1 已經針對 aerobic、anaerobic、mixed PA 進行差異化管理，而本研究支持這樣的設計。尤其 anaerobic PA 相較 aerobic baseline 呈現較低 mean glucose 與較低 TAR，表示演算法中對無氧活動設定較低 glycemic target 或不同管理策略是合理的。

PA type specificity 的結論包括：anaerobic PA 的 absolute TAR 約降低 -3.60 percentage points，mean glucose 約降低 -2.9 mg/dL。

研究意義：驗證現有 PA module，也開啟下一版本最佳化

Alice Adenis 最後將本研究定位為「驗證與改善」兼具的分析。現有 DBLG1 PA module 已在真實世界中維持很低的低血糖水準，尤其在不同 PA type 與運動後夜間安全性方面表現穩健；而 LMM 分析進一步指出哪些因素最應被下一代演算法更細緻地處理。

她特別提到，insulin suspension 的改善將是近期版本更新的重點，預計在下一個月的系統 release 中推出。這呼應本研究中長時間活動造成 TAR 增加的觀察：如果能更好地掌握何時降低、何時恢復、恢復多少 insulin delivery，就可能同時維持低 TBR 並減少活動後高血糖。

最後，研究團隊感謝提供研究同意的使用者，因為這些真實世界資料使分析成為可能；也感謝協助開發 Diabeloop algorithm 的臨床醫師。

致謝內容包括：感謝提供 research consent 的 users，使真實世界資料分析得以完成；也感謝協助開發 Diabeloop algorithm 的 clinicians。

問答重點：救援碳水是固定量，還是演算法個別化建議？

討論時，聽眾詢問：使用者在活動開始前需要使用多少 rescue carbohydrates？是固定的 10 g、20 g，或其他劑量嗎？

Alice Adenis 回答，這個碳水量是由演算法建議的，並非固定劑量。系統有一個活動開始時希望達到的 glycemic target，會根據使用者當下血糖值計算需要多少碳水，因此可建議較多或較少的 carbohydrate amount。

主持人進一步確認：「所以碳水量是由演算法推薦的，對嗎？」Alice Adenis 回答是。這點凸顯 DBLG1 PA module 的一個重要特色：rescue carbohydrate recommendation 是依據當下狀態個別化，而不是用單一固定補碳規則套用所有活動與所有使用者。

Take-home Summary

DBLG1 的 PA Management Module 可從活動前 2 小時到活動後 16 小時進行管理，並區分 aerobic、anaerobic、mixed PA。
本研究使用 ObS31 真實世界資料與 LMM，分析 PA characteristics 與 initial metabolic state 對 glycemic outcomes 及 algorithm recommendations 的獨立影響。
ICC 顯示，大多數 outcome 的變異主要來自同一使用者不同 PA event 的差異，而非使用者之間固定差異；因此活動特徵與活動開始狀態是演算法改善關鍵。
Initial glycemia 是重要 buffer：起始血糖越高，mean glucose 越高，但 TBR 越低。
Initial IOB 是低血糖風險關鍵：IOB 越高，mean glucose 越低，TBR 越高。
Short & intense PA 最容易增加 TBR，可能因為宣告較晚、準備期不足，需要優化 preparation period。
Long PA 最容易增加 TAR，因長時間 insulin reduction / suspension 可能導致後續高血糖，需要優化 insulin suspension 與恢復策略。
Anaerobic-specific management 的設計獲得模型支持，顯示 PA type-specific algorithm design 是必要的。
救援碳水量不是固定 10 g 或 20 g，而是由演算法根據目標血糖與活動開始時血糖個別化建議。