先進連續型血糖監測與人工智慧糖尿病演算法

主持人：為大家介紹 Dr. Andrea Facchinetti，他今天將為我們主講關於糖尿病的先進連續型血糖監測（CGM）與基於人工智慧（AI）的演算法。感謝您的參與。

Dr. Andrea Facchinetti：謝謝主持人的介紹，很高興能來到這裡。這是我的利益衝突聲明。

這次演講有兩個核心要素。第一個是連續型血糖監測（CGM）感測器。我們都知道 CGM 感測器在糖尿病管理中帶來的諸多好處，包括提供即時讀數、警報、趨勢識別，以及低血糖和高血糖的偵測。這些設備，結合飲食估算應用程式、智慧胰島素筆、胰島素幫浦與活動追蹤器，共同產生了豐富的病患生成數據集（Rich patient-generated dataset）。因此，我們都清楚 CGM 為糖尿病治療管理提供了巨大的價值。

第二個關鍵要素是人工智慧（Artificial Intelligence, AI）。到目前為止，大會上已經有很多關於人工智慧的演講。在 2026 年的今天，我們主要會把人工智慧與生成式 AI 聯想在一起，也就是像 ChatGPT、Gemini、Claude 等商業工具，它們讓我們能夠生成影片、文字、程式碼，以及投影片上看到的那些圖像。

但我們不能忘記，人工智慧不僅僅是生成式 AI，它是一個非常廣泛的概念。我們可以追溯到一個世紀前它的最初定義：創造能夠像人類一樣思考和推理的機器。所以在最一開始，它是透過撰寫程式碼來模仿人類的推理過程。接著，當然，歸功於數據的普及，我們有了機器學習（Machine Learning, ML）和深度學習（Deep Learning, DL）。因此，我們逐漸脫離了純人工編程，或者說部分脫離了人工編程，讓系統開始從數據中學習，進而擁有能夠執行簡單或複雜任務的 ML 和 DL 系統。在本次演講中，請大家將人工智慧視為一個廣泛的定義。

人工智慧在糖尿病領域的研究趨勢

我在 PubMed 上進行了簡短的搜尋，想看看有多少論文在探討 CGM 與 AI 演算法在糖尿病的結合應用。結果顯示，相關論文的數量正在非常迅速地增長，我們可以預期未來這個主題的文章和論文數量還會進一步攀升。

這些論文的主要探討主題有哪些呢？最常見的是預測（Prediction）。我們有很多論文探討短期或中期的未來血糖濃度預測，而預測的目的是試圖識別低血糖和高血糖事件。

與預測密切相關的是第二個主要主題：決策支援系統（Decision Support System, DSS）。我們該如何提取特徵並預測事件，進而為使用者產生警報或建議？

當然，當我們有了決策支援系統後，下一步就是實施它，這時我們需要應用程式（Apps），尤其是行動應用程式，以便將我們的產品帶入臨床實務中。此外，也有許多論文探討倫理問題、AI 的透明度、公平性以及法規遵循（Regulatory compliance）。

但我們不能忘記，當我們談論 AI 時，我們談論的是大量數據（Big data）以及基於數據訓練的模型，我們需要這些工具具備可解釋性。因此，**可解釋性（Explainability）**是這些論文中提到的另一個關鍵主題。

最後一個主題是由 AI 驅動的自動胰島素給藥系統（Automated Insulin Delivery, AID）。當然，這是一個核心概念，大家在開幕演講中已經聽 Kovacev 教授談了很多。

因為時間的關係，我將把重點放在預測、決策支援系統以及可解釋性上，並且聚焦於我的專業領域：第 1 型糖尿病（Type 1 Diabetes）。

減輕第 1 型糖尿病的決策負擔

我們都知道，第 1 型糖尿病是一個持續學習的過程。患者在其一生中，每天二十四小時、每週七天都需要執行大量的動作與處置。這種龐大的行動量與決策過程中的負擔（Burden）密切相關。

那麼，我們該如何利用前面提到的兩個要素——CGM 與 AI，來減輕第 1 型糖尿病的負擔呢？當然，CGM 和其他穿戴式裝置已經被證明在減輕這種負擔上非常有用。包括 CGM 感測器、用來估算吃下多少巨量營養素的應用程式、智慧胰島素筆、胰島素幫浦以及活動追蹤器，有大量的證據支持它們的實用性。

但對於生物工程師來說，這些穿戴式裝置意味著大量的數據。我們可以利用這些豐富的、由病患生成的數據集來開發基於 AI 的演算法。

這裡我展示一個結合 CGM 與 AI 的例子，說明它如何用來減輕第 1 型糖尿病患者在決策過程中的負擔。這個例子是開發一個基於 AI 的決策支援系統（AI-based DSS）。這個系統會接收來自穿戴式裝置的輸入數據。我們面臨的主要問題是，我們想要在這個 AI DSS 工具中放入哪些模組？

第一個模組可能是胰島素劑量計算機（Insulin bolus calculator）。我們希望減輕計算餐前胰島素劑量的負擔，並且希望這個劑量是最佳化的，以避免在餐中或餐後還需要採取任何額外的行動。

數據的普及不僅讓我們團隊，也讓許多致力於這個主題的其他研究團隊，能夠開發出多種演算法來最佳化胰島素劑量的計算。AI 會從數據中學習——包括該個體以及其他個體過去的用餐數據，藉此來最佳化胰島素劑量的計算。

舉例來說，在我們最近發表的一篇論文中，我們展示了基於 AI 的最佳化胰島素劑量計算機如何改善各項指標。我們比較了多種模型，包含傳統方法與基於機器學習的 MIB-LASSO、MIB-XGBoost 以及 MIB-LightGBM 等模型。結果顯示，AI 模型（如 LightGBM）能顯著將目標範圍內時間（Time in Range, TIR）提升至 80.6% 左右，同時降低高血糖時間（TAR）與低血糖時間（TBR）的發生率。這證明了 AI 演算法不僅能增加目標範圍內時間，還能降低與血糖波動相關的平均風險，並縮小與管理該特定餐點所需之「最佳劑量」之間的差距。

血糖預測模組與 AI 的可解釋性

另一個模組當然是血糖預測（Glucose prediction）。龐大的可用數據量促使我們使用基於 AI 的方法來預測未來的血糖濃度，並觸發預防性警報。大家都知道預測是如何運作的：例如現在是早上九點，我們需要一個能夠預測未來血糖濃度的演算法，這樣我們就可以採取預防性的低血糖治療，以避免或減輕緊急事件的發生。

但如果我要開發一個 AI DSS 系統，我會想知道應該在這個模組中放入哪種 AI 演算法。既然我們談論的是 AI，我們關注的通常是從數據中學習的黑盒子（Black box）模型，這當然是實現 AI 應用的基礎。

最近，我們對基於 AI 的機器學習與深度學習演算法進行了文獻回顧。我們檢視了多篇論文與模型，發現了許多不同的演算法，例如多層感知器（Multilayer Perceptrons, MLP）、卷積神經網路（CNN）、長短期記憶網路（LSTM）以及門控循環單元（GRU）等等。**儘管架構不同，它們的預測表現卻非常相似。**那麼，在這些演算法中我該選擇哪一個呢？

我們還發現，它們大多數缺乏透明度（Lack of transparency），這意味著其輸出結果不容易被使用者或臨床醫師所解釋或理解。因此，我們需要有工具來幫助我們理解 AI 演算法到底在建議什麼、預測什麼。

在我們最近發表的一項研究中，我們展示了兩個結構相似的 LSTM 預測演算法。它們接收相同的輸入，且表現相似。在 30 分鐘和 60 分鐘的預測區間內，它們的均方根誤差（RMSE）都在 19 mg/dL 左右。老實說，如果只看數字，我會選擇第一個結構，因為它的均方根誤差稍微低一點點。

但在這裡，我們必須將這些數字與**可解釋性（Explainability）和可理解性（Interpretability）**結合起來。透過使用像 SHAP 這樣的工具，我們能夠理解我們所提供的預測背後的生理意義。在這種情況下，SHAP 會告訴我們第二個模型比第一個更好，因為它符合生理學邏輯：碳水化合物的攝取會使預測血糖上升，而胰島素的注射會使預測血糖下降。未受約束的深度學習模型雖然可能很準確，但在生理邏輯上卻可能是錯誤的，這會帶來潛在風險。

所以這裡的關鍵訊息是，我們必須重視可解釋性與可理解性。在這次大會上，我們展示了一個名為 PhyNet（語音中稱為 FineTT）的預測器架構，它將這些生理限制（Physiological constraints）納入了考量，在確保正確的生理方向效應的同時，依然能提供最先進的預測表現。

預防低血糖與高血糖的風險管理模組

當然，你還可以在基於 AI 的 DSS 中放入許多其他模組。例如，你可以回到 AI 的最初定義：透過人工編程來模仿臨床醫師和使用者的推理過程，並創建出能夠識別風險時刻的演算法。

舉例來說，當系統偵測到低血糖風險升高的時刻，它可以遵循臨床醫師的推理邏輯，發出預防性低血糖治療的提醒。在具體的演算法設計上，這可以基於動態風險（Dynamic Risk）概念的決策流程，結合血糖下降速率（GDER）等指標，來預測是緩慢還是快速的低血糖下降，進而建議患者等待 15 分鐘或是直接攝取救援食物（如可樂）。

沿著同樣的方向，你也可以開發演算法來識別高血糖風險極高的時刻，並採取糾正措施。例如，利用短期的 LSTM 預測模型，當預測血糖值（Gpred）超過 180 mg/dL 且呈上升趨勢時，系統就會觸發高血糖預防機制，並給予修正胰島素劑量（Corrective insulin）的建議。請記住，AI 的概念是非常廣泛的。

數位雙生（Digital Twins）加速 AI 演算法開發

總結前面的內容，我向大家展示了一些基於 AI 的演算法範例。現在的主要問題是：我們該如何開發它們？我們應該直接進行臨床試驗來證明它們的效能以及減輕負擔的能力嗎？

在 2026 年的今天，答案是我們應該首先採用**數位雙生（Digital Twins）**技術。數位雙生是一個實體的虛擬複製品，旨在準確反映其物理特徵並用於運行模擬。透過建立第 1 型糖尿病患者的虛擬數位雙生，我們可以在這個複製品上測試我們想要的所有演算法，測試我們想要改變的所有決策，以及模擬各種「如果...會怎樣」（What-if）的情境。數位雙生能夠真正加快基於 AI 的 DSS 的開發速度，並促進這些工具的個人化。

目前已經發布了幾款數位雙生工具。我們團隊也發布了 ReplayBG，這是一個數位雙生工具，它很快就會推出一個非常棒的全新使用者友善介面。這個介面會顯示目標範圍內時間（Time in Ranges）、平均血糖、標準差與血糖變異度等指標，並提供血糖趨勢圖表與基礎胰島素曲線。這將允許任何人操作這個工具，上傳數據，並測試不同的參數（如碳水化合物、劑量、基礎率）與情境。

ReplayBG 幫助我們開發了前面向大家展示的各種 AI 演算法。這些利用數位雙生開發的 DSS 演算法包括：

餐前胰島素劑量計算機。
針對接受每日多次注射（MDI）治療的兒科族群的胰島素劑量最佳化演算法。
預防性修正劑量演算法（drCORRECT）。
利用數位雙生進行數據擴增（Data augmentation），以提升個人化血糖預測演算法的效能。

結論與未來展望

現在是總結本次演講的時候了。CGM 和穿戴式裝置的普及，促成了超大型數據集的建立，進而推動了基於 AI 的決策支援系統的發展。在我看來，AI DSS 是 CGM 與 AI 結合應用的絕佳範例，它創造出了一種既能改善血糖控制，又能減輕患者負擔的工具。

當然，像數位雙生這樣的新技術，能夠真正加速第 1 型糖尿病 AI 演算法的開發與個人化/適應性治療的推進。

但我們絕對不能忘記的一個核心訊息是：我們需要安全且具備可解釋性的 AI 工具來改善糖尿病照護，可解釋性是必須考量的關鍵面向。此外，還有病患的依從性（Patient adherence）。我們希望第 1 型糖尿病患者能夠信任 AI 的建議，因此我們需要教育。這種教育應該將臨床醫師和使用者都納入循環中，讓他們能夠信任這些即將普及到每個人手中的新工具。

關於未來的發展，當然是數位雙生、AI 工具與大型語言模型（Large Language Models, LLMs）的結合，用以解釋數據並制定有效的建議。這個未來的願景，我的同事 Giacomo Cappon 博士在昨天早上的全體會議中已經為大家詳細介紹過了。

最後，我想感謝我的團隊。沒有他們，這項工作和今天的演講就不可能完成。感謝大家的聆聽，如果大家有任何問題，我很樂意解答。