演講開場與背景介紹
接下來的議程將由 Andrea Facchinetti 博士為我們帶來精彩的演講，主題聚焦於進階連續葡萄糖監測 (CGM) 以及應用於糖尿病管理的人工智慧 (AI) 演算法。
非常感謝主持人的介紹，很榮幸能來到這裡。今天的演講將環繞著兩個核心要素展開。第一個核心要素是連續葡萄糖監測 (Continuous Glucose Monitoring, CGM) 感測器。我們都非常清楚 CGM 感測器在糖尿病治療與管理上所帶來的巨大效益，它不僅能提供即時的讀數、設定警報、識別血糖趨勢，還能有效偵測低血糖 (Hypoglycemia) 與高血糖 (Hyperglycemia) 事件。CGM 創造的價值無庸置疑。
第二個核心要素則是人工智慧 (Artificial Intelligence, AI)。目前為止，我們已經聽過許多關於 AI 的簡報。在 2026 年的今天，當我們提到人工智慧時，多數人腦中首先浮現的往往是生成式 AI (Generative AI)，也就是諸如 ChatGPT、Gemini、Claude 等商業工具，這些工具讓我們能夠快速生成影片、文字、程式碼，甚至是各種圖像。簡報中也特地以海綿寶寶裡的派大星 (Patrick Star) 腦部連接微晶片的幽默圖像，來點出這些由 AI 生成的視覺元素。
但我們千萬不能忘記，人工智慧的範疇遠大於生成式 AI。這是一個非常廣泛的概念，我們可以追溯到一世紀前對 AI 的最初定義：也就是創造出能夠像人類一樣思考與推理的機器。在發展初期，這主要依賴人類編寫程式碼來模仿人類的推理過程；而現在，受惠於龐大數據的可用性，我們擁有了機器學習 (Machine Learning, ML) 與深度學習 (Deep Learning, DL)。我們開始逐漸減少依賴人類手動編程，轉而讓系統直接從數據中學習，從而讓 ML 和 DL 系統具備執行簡單或複雜任務的能力。在本次演講中，請大家將 AI 視為一個廣泛且宏大的概念。
AI與CGM結合的研究趨勢與核心議題
為了了解目前的研究趨勢，我在 PubMed 上進行了簡單的文獻檢索，觀察有多少論文探討了 CGM 與 AI 演算法在糖尿病領域的結合應用。數據顯示，這類論文的數量正在非常快速地成長，我們可以預期未來這個主題的文獻將會爆發性地增加。
在這些論文中，探討頻率最高的主題是葡萄糖預測 (Glucose prediction)。有大量的研究致力於短期或中期的未來葡萄糖濃度預測，其最終目的在於嘗試識別出潛在的低血糖與高血糖事件。
與預測緊密相連的第二個主要主題是決策支援系統 (Decision Support Systems, DSS)。我們該如何擷取特徵、預測事件，進而為使用者產生警報或具體的醫療建議？當然，一旦建立了決策支援系統，下一步就是將其落地應用，這時我們就需要開發行動應用程式 (Mobile Apps)，將我們的研究成果真正帶入臨床實踐中。
此外，還有許多論文聚焦於倫理問題、AI 的透明度與公平性，以及法規遵循等層面。當我們談論 AI 時，我們討論的是大數據以及在這些數據上訓練出來的模型，我們必須確保這些工具是可解釋的 (Interpretable and Explainable)，因此「可解釋性」是這些論文中被頻繁提及的另一個關鍵議題。最後一個重要主題是由 AI 驅動的自動胰島素給藥系統 (Automated Insulin Delivery, AID)，正如 Kovacev 教授在開幕演講中深入探討的那樣。
聚焦第一型糖尿病：利用穿戴式裝置數據減輕決策負擔
由於時間有限，我將把重點放在預測 (Prediction)、決策支援系統 (DSS) 以及可解釋性 (Explainability)，並將焦點鎖定在我的專業領域：第一型糖尿病 (Type 1 Diabetes, T1D)。
我們都知道，第一型糖尿病的照護是一個需要持續學習的過程。患者在其一生中，每天 24 小時、每週 7 天都必須執行大量的處置動作。這種持續不斷的操作，帶來了極為沉重的決策負擔 (Burden in the decision-making process)。那麼，我們該如何利用剛才提到的兩個要素（CGM 與 AI）來減輕這份負擔呢？
穿戴式裝置 (Wearable devices) 已經被證明在減輕患者負擔方面極具實用價值。這包含了 Dexcom CGM 感測器、用於估算膳食攝取量並顯示膳食日誌或照片的智慧型手機應用程式、智慧胰島素筆與穿戴式胰島素幫浦，以及如 Apple Watch 等活動追蹤器。對於我們生物工程師而言，這些將各種裝置輸入轉化後的資料，代表著極為龐大且豐富的病患生成數據集 (Rich patient-generated dataset)。這些數據集包含了代表葡萄糖水平波動的連續曲線，並標記了特定事件（如代表胰島素推注的紅色標記、代表進食區間的粉紅區塊等），這正是我們用來開發基於 AI 演算法的珍貴資源。
開發AI決策支援系統：餐時胰島素劑量計算機 (Insulin Bolus Calculator)
這裡我將舉一個結合 CGM 與 AI 來減輕第一型糖尿病決策負擔的實例：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數據，而我們面臨的首要問題是：我們希望在這個系統中放入哪些模組？
第一個模組可能是一個胰島素劑量計算機 (Insulin bolus calculator)。我們希望能減少患者在計算餐時胰島素劑量時的心智負擔，同時我們希望這個計算出來的劑量是「最佳化」的，以避免在餐中或餐後還需要採取任何額外的補救動作。
現今龐大的數據可用性，使得包含我們團隊在內的眾多研究小組，能夠開發出各種演算法來優化胰島素推注的計算。AI 能夠從該名病患以及其他病患過去的膳食數據中進行學習，進而優化胰島素劑量的計算過程。
在帕多瓦大學 (UNIPD)，我們開發了多種利用 AI 技術的方法學。根據我們團隊最近發表的論文，我們比較了多種模型在早餐後六小時內的血糖控制表現，包含 MIBSFMIB_{SF}MIBSF 、 MIBLASSOQMIB_{LASSO_Q}MIBLASSOQ 、重新校準的 MIBrecalibratedMIB_{recalibrated}MIBrecalibrated 、 MIBXGBoostMIB_{XGBoost}MIBXGBoost 以及 MIBLightGBMMIB_{LightGBM}MIBLightGBM 。結果顯著證明了基於 AI 最佳化的胰島素劑量計算機的威力：使用 LightGBM 模型可將目標範圍內時間 (Time in Range, TIR) 的中位數顯著提升至高達 80.6% [51.6-100.0]；同時，它也能有效降低血糖風險指數 (Blood Glucose Risk Index, BGRI) 降至 4.8[2.2-9.5]；而其估算最佳推注劑量 ( MIBoptMIB_{opt}MIBopt ) 的均方根誤差 (RMSE) 也降至最低的 3.54 U (Pellizzari et al., 2025)。這些結果不僅展示了 TIR 的增加和風險的降低，更顯示出 AI 計算結果與處理該次進食所需的「完美最佳劑量」之間的差距正在大幅縮小。
葡萄糖預測模組與模型透明度的挑戰
另一個不可或缺的模組是葡萄糖預測 (Glucose prediction)。龐大的可用數據強烈呼喚我們採用基於 AI 的方法來預測未來的葡萄糖濃度，並觸發預防性的警報。大家都很清楚預測的運作方式：例如現在是早上 9 點，我們需要一個演算法來預測未來的血糖濃度，這樣我們就能採取例如預防性的低血糖治療，藉此避免或減輕即將發生的危急事件。
但是，如果我今天要建構一個 AI 決策支援系統，我應該將哪一種 AI 演算法放入這個模組中？由於我們談論的是 AI，目前的焦點大多集中在從數據中學習的黑盒子模型 (Black-box models) 上，這些模型確實推動了 AI 應用的普及。
最近，我們針對基於 AI 的機器學習與深度學習演算法進行了一次文獻回顧，發現了各式各樣的演算法架構，其輸入資料時間窗口從 30 分鐘到 360 分鐘不等。這些結構包括多層感知器 (Multilayer Perceptrons, MLP)、卷積神經網路 (Convolutional Neural Networks, CNN) 以及長短期記憶網路 (Long Short-Term Memory, LSTM) 等等。
然而我們發現了一個關鍵現象：儘管這些演算法的內部架構各不相同，但它們展現出的預測效能卻十分相似。**例如在 30 分鐘的預測範圍內，這些模型的誤差大約都落在 18 至 24 mg/dL 左右。**面對這麼多表現雷同的演算法，我到底該選擇哪一個？
更重要的是，我們發現這其中絕大多數的演算法都缺乏透明度 (Lack of transparency)。這意味著這些純粹由資料驅動的「黑盒子」，其輸出結果無論是對於使用者還是臨床醫師來說，都難以輕易解釋。因此，我們迫切需要具備可解釋性與透明度的解決方案，也就是結合先驗知識 (Prior knowledge) 與第一原理模型 (First principle models) 的「白盒子 (White-box)」AI 模型。
整合生理約束的預測與高低血糖預防演算法
(以下內容為延續講稿邏輯，整合簡報之延伸說明)
針對預測模型的開發，我們深入探討了基於 LSTM 的架構。例如，我們設計了包含兩個平行 LSTM 組件的模組，兩者皆接收當下的連續葡萄糖監測數據 CGM(k)CGM(k)CGM(k) 、胰島素數據 INS(k)INS(k)INS(k) 以及碳水化合物數據 CHO(k)CHO(k)CHO(k) 作為輸入，並共同輸出未來預測範圍的葡萄糖濃度 CGM(k+PH)CGM(k + PH)CGM(k+PH) (Prendin et al., 2023)。
為了解決傳統無約束深度學習模型可能產生「生理上不正確 (physiologically incorrect)」預測的潛在風險，我們團隊開發了 PhyNet (受生理約束的預測器, Physiology-Constrained Predictor)。PhyNet 接收過去 17 個時間節點到當下的碳水化合物、CGM 與胰島素數據，透過平行的單一稠密層與 LSTM 進行運算，最終輸出未來 90 分鐘的預測 CGM 序列。在針對 404 位第一型糖尿病患者進行為期四週的居家隨機對照試驗中發現，雖然 CNN、LSTM 與 PhyNet 在均方根誤差 (RMSE 約為 19.45 至 19.66 mg/dL) 及時間增益 (Time Gain 約為 10.67 至 11.04 分鐘) 上的數據表現相近，但 PhyNet 能確保給出方向正確的生理效應，不僅維持了最先進的預測效能，對於第一型糖尿病的科技應用而言也更加安全可靠 (Calzavara et al., 2026)。
在實務應用上，我們利用這些預測技術設計了針對低血糖與高血糖的預防演算法：
數位孿生 (Digital Twin)：AI-DSS開發的強大推手
面對開發這些複雜 AI 決策支援系統的挑戰，我們引入了數位孿生 (Digital Twin, DT) 的概念。數位孿生是實體人物物理特徵的「虛擬副本 (Virtual replica)」，它是完全利用實際數據建立的，讓研究人員能夠運行各種醫療模擬，以強大且具備彈性的方式來支持決策過程。
為了落實數位孿生的應用，我們開發了一款名為 ReplayBG 的數位孿生工具 (Cappon et al., 2023)。這是一個具備全新、對使用者極為友善介面的網頁應用程式。透過這個平台，我們能夠直觀地查看目標範圍內時間 (TIR) 的分布百分比、平均葡萄糖 (例如 158 mg/dL)、血糖變異度 (例如 22.5%) 以及總每日劑量等核心指標。系統中央顯示了連續 24 小時的葡萄糖濃度曲線與基礎胰島素分布圖；右側的控制面板更允許我們自由調整碳水化合物、推注劑量及基礎胰島素參數，甚至能切換包含低血糖治療、胰島素劑量計算等不同功能的模組。
憑藉 ReplayBG 這項強大的數位孿生工具，我們目前已經成功開發出多款先進的 DSS 演算法，包括前面提過的餐時胰島素劑量計算機 (Pellizzari et al., 2025)、針對接受多次每日注射 (MDI) 療法之兒科族群的胰島素給藥系統、名為 drCORRECT 的預防性矯正推注演算法，以及用於個人化葡萄糖預測的數據增強演算法 (Prendin et al., 2025)。透過這些兼具預測力與透明度的 AI 工具，我們正穩步實踐減輕糖尿病患者日常決策負擔的終極目標。