預測低血糖事件的混合深度學習與機制模型
(A Hybrid Deep Learning – Mechanistic Model for the Prediction of Hypoglycemic Events)
本研究由來自義大利卡坦扎羅大希臘大學 (Magna Graecia University of Catanzaro) 的博士生 Nilde Fera 主講。共同作者包括 A. Procopio, P. Zaffino, A. Cutruzzolà, A. Gnasso, C. Cosentino 與 C. Irace，研究團隊橫跨 ISIBIOLAB 與代謝疾病單位 (Metabolic Disease Unit)。此研究發表於 2026 年第 19 屆先進糖尿病科技與治療國際研討會 (ATTD, 巴塞隆納)。
利益衝突聲明 (Disclosure)
演講者聲明，本研究團隊沒有任何可能影響本研究客觀性的財務或個人利益衝突 (The authors declare that there are no financial or personal conflicts of interest that could affect the objectivity of this work)。
背景介紹與臨床未解難題
在第一型糖尿病 (Type 1 Diabetes) 的管理中，控制血糖濃度最常見的策略是胰島素治療，這通常需要患者每天進行多次的胰島素注射。然而，這種治療方式對患者而言是一種沉重的負擔，每日的基礎胰島素注射可能會大幅降低患者的治療依從性 (Treatment adherence)。
近年來，臨床上引入了一種全新的每週一次基礎胰島素 (New once-weekly basal insulin) 療法。雖然這項技術有望減輕患者負擔，但在 ONWARDS 6 臨床試驗的結果中卻顯示，使用此療法的患者有較高的低血糖發生率 (Higher incidence of hypoglycemia)。這種較高的低血糖發生率對患者構成額外的風險與負擔。
基於上述原因，本研究的核心目標是：建立一個模型來準確預測低血糖事件 (Hypoglycemic events) 以及葡萄糖的變化趨勢 (Glucose trend)。
數據來源與研究框架
本研究所使用的數據集由卡坦扎羅大希臘大學代謝疾病複雜手術單位熱心提供。數據集包含了 6 位患者長達一年的數據採集紀錄。對於每一位患者，我們掌握了以下關鍵資訊：
為什麼需要混合模型 (Hybrid Framework)？
從技術角度來看，傳統的機制模型 (Mechanistic model) 使用微分方程式來表示生理動態，具有很強的生理學基礎，但它們在捕捉數據中隱藏的複雜關係時會遇到困難。另一方面，基於人工智慧的模型 (AI-based model) 能夠極佳地捕捉複雜的非線性關係，但它們卻缺乏生理上的可解釋性 (Physiological interpretability)。
藉由將這兩種模型結合在一個混合框架中，我們可以將生理學知識與數據模式 (Data patterns) 結合起來，進而大幅提升預測的準確度。
工作流程與模型架構
我們的工作流程始於資料預處理 (Preprocessing phase)。我們從數據集中提取出每週一次的胰島素數據以及每日的推注數據。
接著，透過機制模型，我們模擬了內源性胰島素隨時間的變化。具體來說，我們使用了微分方程式：
這些機制特徵，連同 6 小時的連續血糖監測 (CGM) 數據，成為了我們混合深度學習模型的輸入。該模型同時執行兩項任務：
在深度學習的架構上，輸入陣列包含了 6 小時的 CGM 數據、6 小時的胰島素效應以及時間戳記 (Timestamp)。我們的混合深度學習模型結合了兩種架構：
藉由結合 LSTM 與 GRU，我們能夠進一步增強模型的預測效能。具體操作上，我們使用 藍色虛線代表的 6 小時 CGM 數據 (Input 6h) 作為訓練基礎，並進行 1 小時的預測視野 (Forecast horizon)。我們採用了 30 分鐘的滑動視窗 (Sliding window) 技術，針對每個視窗和每位患者進行相同的分析。最後，我們透過評估平均標準化殘差 (Average Normalized Residual, ANR) 來計算真實值與預測值之間的誤差。
預測結果與解讀
迴歸結果 (Regression Results)：血糖趨勢預測
我們挑選了 6 位不同患者的 6 種代表性情境來展示迴歸結果。
在圖表呈現上：
結果顯示，我們的模型達到了 ANR 中位數為 0.14，四分位距 (容差) 為 ± 0.18。這個極低的誤差值表明，模型預測出的數值非常貼近真實的血糖變化。
分類結果 (Classification Results)：低血糖事件預測
在分類結果方面，我們展示了一名患者在具代表性的一週內的數據。圖表中藍線代表血糖趨勢，紅色箭頭則標示了模型預測出的低血糖事件。
在總計 2,503 次的低血糖事件中，該模型正確預測了 1,884 次。其效能指標如下：
與未加入機制模型、僅單獨使用 LSTM 和 GRU 的模型相比，混合模型在預測能力上確認取得了更好的結果。我們也注意到目前的精確率 (50%) 相對較低，這主要是歸因於數據集的不平衡 (Unbalanced dataset) 所致。
結論與臨床意義
基於本研究的發現，我們得出以下主要結論：
現場問答 (Q&A)
問：您剛剛提到您面臨的是一個非常不平衡的數據集 (Unbalanced dataset)。那麼，您目前得到的精確率 (Precision) 數值（大約是 0.5 或 0.4）真的算是表現很差嗎？還是說有其他解釋這種結果的方法？ 答： 從這個角度來看，我認為精確率較低確實是因為我們目前的數據集資料量相對不足（且存在極端不平衡）。因此，我們未來需要納入更多的患者數據來進行測試，以便更好地了解在資料擴充後，這個精確率是否能得到實質的提升。
問：您是否已經將您的結果與其他執行低血糖分類的現有演算法進行過比較？或者您心中是否有計畫要進行這類的比較？ 答： 是的，我們目前正在進行這項工作，準備將我們的混合模型與文獻中已經存在的其他演算法進行全面的比較分析。