開場介紹
（主持人 Akturk 博士）：各位現場與線上的聽眾歡迎回來。現在我們將開始下一場會議。我是來自芭芭拉·戴維斯中心（Barbara Davis Center）的 Akturk 博士，將與 Clements 博士共同主持這場「科學平行議程第 11 場：革新糖尿病照護——人工智慧、機器學習與連續血糖監測的實務應用」。我們今天的第一位講者是來自西班牙赫羅納大學（Universitat de Girona）與 CIBERDEM 的 Josep Vehí 博士，他的講題是**「利用人工智慧與機器學習最佳化血糖控制：經驗教訓與下一步」**。
演講大綱與 AI 的關鍵時刻 (A Pivotal Moment in AI)
非常感謝大家。今天我將為各位概述人工智慧（Artificial Intelligence, AI）與機器學習（Machine Learning, ML）在糖尿病領域的發展，接著我們會深入探討在這個過程中所學到的經驗教訓（Lessons Learned）以及未來的下一步。
首先，我們正處於 AI 發展的一個「關鍵時刻」（Pivotal Moment），也就是**生成式 AI（Generative AI）**出現的轉捩點。以 ChatGPT 的發布為例，它在短短兩個月內就突破了一億名使用者，這徹底改變了整個技術版圖。因此，我習慣將我們的研究方法區分為兩個時代：「生成式 AI 之前（Before Generative AI, BG Era）」與「生成式 AI 之後（After Generative AI, AG Era）」。
回顧過去的 60 到 70 年間，我們其實早就擁有了人工智慧的技術與方法。例如，在 1970 年代早期，我們就已經有應用於臨床決策支持與診斷的專家系統（Expert systems）。然而，在糖尿病領域，我們當時所缺乏的是「數據」。直到後來，我們終於獲得了連續血糖監測（CGM）的數據。
有了這些 CGM 數據後，我們見證了顯著的成就。例如利用基於案例推理（Case-based reasoning）來計算胰島素劑量（Boluses），或是大家熟知的 MDlogic 系統，它結合了模糊系統（Fuzzy systems）與專家系統。隨後，隨著深度學習（Deep learning）的革命，我們發展出大量的方法來預測血糖、預測低血糖或高血糖事件。接著是 Transformer 架構的出現，這正是促成現今大型語言模型（LLMs）問世的關鍵基礎。
在方法論的演進上，這實際上是一個巨大的典範轉移：
生成式 AI 之前的時代：預測性 AI 與自動化控制 (BG Era)
大約在 20 年前，這在歷史上其實不算太久，我們開始從連續血糖監測儀獲得數據並應用演算法。這使得開發**自動胰島素輸送系統（AID systems）**成為可能。隨後，我們整合了穿戴式裝置（Wearables）的數據，以及電子健康紀錄（EHRs）的資料。正是因為能夠取得這些融合的數據，大量 AI 與機器學習的應用才得以被開發出來。
目前的技術水準（State of the Art）發展到了什麼程度呢？在**血糖預測（Glucose forecasting）**方面，我們已經能夠獲得臨床上可接受的準確度。以最新的指標來看，CNN-LSTM 模型在 90 分鐘的預測準確度可達 94.7%，而 LSTM 對於低血糖預測的敏感度甚至超過 97%。常見的關鍵模型包含了 LSTM、CNN-LSTM、Transformer-LSTM、SVR、ARIMA 以及注意力網路（Attention networks）等。
但是，請務必注意：模型的解釋性（Interpretability）至關重要。我們雖然能得到準確的預測，但當我們利用這些預測來做出醫療決策時，我們必須清楚知道我們是如何解釋這些結果的。研究指出，兩個準確度相似的 LSTM 模型，可能會給出危險且截然不同的胰島素劑量建議，因此基於 SHAP（SHapley Additive exPlanations）的解釋性分析是絕對必要的。
在生成式 AI 出現之前，我們已經將許多先進技術整合到 AID 系統中：
生成式 AI 之後的時代：生成式 AI、數位雙生與基礎模型 (AG Era)
當我們進入生成式 AI 時代，我們所做的第一件事就是生成合成數據（Synthetic data）。透過生成對抗網路（GANs）、變分自編碼器（VAEs）與擴散模型（Diffusion models），我們有效解決了數據稀缺的問題，並彌合了實驗室與現實世界之間的差距（Reality gap）。
我們的工作流程是：獲取真實病患數據 →\rightarrow→ 建立生成模型 →\rightarrow→ 產生合成病患（Synthetic patients） →\rightarrow→ 在這些合成病患上開發與測試演算法 →\rightarrow→ 最後以更安全的方式進行臨床部署。這種合成數據的應用包括：改善低血糖預測、利用 Seq2seq CGAN 開發與真實反應一致的 T1D 模擬器、為罕見事件（如夜間低血糖）進行數據擴增，以及作為隱私保護下的數據共享替代方案。當然，我們也面臨著 GANs 的模式崩潰（Mode collapse）、合成數據保真度驗證，以及臨床信任度等挑戰。
另一個重要的進展是數據驅動的數位雙生（Data-Driven Digital Twins）。過去很長一段時間，我們使用的是基於常微分方程（ODE）的機制性模型（Mechanistic models）。現在，數位雙生整合了極大量的數據與特徵，我們發展出從個人數據中利用機器學習建立的數據驅動模型。然而，這有其自身的黑盒子問題。因此目前的共識是邁向混合模型（Hybrid modeling）——不僅納入能反映現實生活變異性的真實數據，同時也必須結合生理學的限制條件（Physiological constraints），以確保模擬結果是合理且完整的。
關於數位雙生的臨床證據：
**基礎模型（Foundation Models）與大型語言模型（LLMs）**在糖尿病照護中開啟了全新的應用領域。目前我們已經看到了以下發展：
經驗與教訓 (Lessons Learned)
從應用這些方法的過程中，我們學到了什麼？以下是四個核心教訓：
教訓一：實驗室與現實世界的巨大差距 (The Lab-to-Real-World Gap)
在臨床試驗或研究環境中，我們擁有經過整理、完整且正確的數據集。但在真實世界中，每個人都經歷過：我們面臨大量的缺失數據、感測器雜訊（Sensor noise）以及訊號遺失（Signal loss）。我們的演算法必須具備足夠的穩健性（Robustness）來應對這些問題。
此外，實驗室的餐食方案是受到嚴格控制的，參與者也都是經過挑選且高度積極的。但在現實世界中，人們有著不規律的飲食、突發的運動，並且處於無監督的自由生活條件下（Free-living conditions）。更重要的是，許多系統是針對高度同質性的特定群體開發的，但我們必須將模型應用於更多元的人群，並考慮到各種特殊生理狀況，例如：生病（Illness）、月經週期（Menstrual cycle）、懷孕（Pregnancy）、老化（Aging）以及其他合併症。如果沒有處理好這些變數，跨人群的模型轉移可能會流失高達 15% 的 AUC 預測效能。
教訓二：設備必須適應人類，而不是人類適應設備 (The Device Must Adapt to the Human)
對我而言，這是非常重要的一課。現今的病患正在用「他們自己的方式」在使用 AID 系統。目前所有 AID 系統（無論廠牌、演算法或硬體）的 TIR 表現都遇到了一個大約 75% 的天花板。
在某種程度上，病患就像是一個系統毫不知情的「隱藏控制器（Hidden controller）」。為了達到目的，他們有時會試圖「駭（Hack）」這個系統。例如：「我想要更多的胰島素，所以我告訴系統我要吃一頓飯（即使我沒有），這樣系統就會給藥」；或者「當我要運動時，我就切換到夜間模式（Nocturnal mode），甚至直接關閉系統」。病患因為受不了僵化的設定而覆蓋系統指令，或是因為碳水計算與事前宣告的負擔太重，做出了系統無法觀察到的行為（如補救性攝取碳水或遺漏給藥）。
這導致了我們同時有「兩個」控制器在運作，而且彼此之間毫無協調。因此，我們提出了**「人機迴路框架（Human-in-the-Loop Framework, 簡稱 HIDEX）」**。我們必須把人當作積極的合作夥伴，而不是干擾源（Disturbance source）。 HIDEX 的三層架構包含：
延伸教訓二：運動是糖尿病管理的下一個前沿挑戰
與上一點相關，運動是我們遇到最大的難題。在共識報告中我們看到，有些病患會乖乖使用 AID 的運動模式，有些則會自己駭入系統。因為要讓系統滿足不同病患對運動的各種需求，實在太困難了。 不同的運動類型影響截然不同：有氧運動會導致血糖下降並增加低血糖風險；而高強度/阻力訓練則會因反調節荷爾蒙而導致血糖上升。即便在同一場運動中，反應也會因強度、時間、體內活性胰島素（IOB）、體能與先前活動而異。
我們不能只依賴簡單的提高目標值或減少基礎率。在 HIDEX 框架中，我們需要由 AI 提出協調性的建議，例如「在真正需要的時候（而不是單純在運動前）建議病患攝取碳水化合物」。我們利用生成式對抗網路（GAN-based）訓練具備運動意識的數位雙生，學習個人的反應，進行「如果運動更久、更強」的情境模擬。結合穿戴式裝置的自動運動偵測與混合自動機，我們能及時掌握運動的開始與模式轉換。
PEDAL-T1D 臨床試驗 為了更深入了解患者在長時間運動下的行為與生理反應，我們在去年（2025年）11月於西班牙赫羅納（Girona）進行了一項名為 PEDAL-T1D 的臨床試驗。這是一場約 75 公里的礫石自行車賽（Gravel cycling）。當天陽光明媚，一切都很順利。
我們招募了 30 名第一型糖尿病成人與 15 名無糖尿病對照組。參與者佩戴 Dexcom G7/One+ CGM、功率計踏板（Favero Assioma）、心率監測器與 GPS，並收集了運動前後的尿液、唾液與血液樣本，記錄了胰島素劑量、碳水攝取與自覺量表（RPE），建立了一個強大的多模態資料庫。
初步結果顯示出極度異質性（Heterogeneous）的血糖反應：相同的活動，卻產生了從穩定在範圍內，到劇烈波動（高於 350 mg/dL，或低於 70 mg/dL，甚至夜間延遲效應）的各種軌跡。例如，參與者 PEDAL08 呈現緩慢下降、PEDAL13 劇烈飆升至 350、PEDAL17 則經歷了 300 →\rightarrow→ 100 →\rightarrow→ 250 的劇烈震盪。 除了生理反應，病患的需求也大不相同：有些病患只是想跟朋友輕鬆騎車出遊；但有些病患追求的是競技表現，他們會要求「我想要系統輸送更多的胰島素，因為這樣我就可以攝取更多的碳水化合物來提升運動表現」。在設計未來的運動控制器時，我們必須將這些真實世界的行為與多樣性納入考量。
教訓三：預測本身是不夠的 (Prediction Is Not Enough)
單純的精準預測是不夠的。成功的系統需要具備可操作性、具備上下文意識的建議，以及安全的控制機制。
如果我們訓練一個演算法來處理餐後反應，並將它作為劑量建議器（Bolus advisor），那麼**結果的解釋性（Interpretability）**是非常重要的。臨床醫師與病患都必須理解為什麼 AI 會給出這樣的建議，否則可能會導致極度危險的後果。 完整的安全工作流程必須是：數據 →\rightarrow→ 預測 →\rightarrow→ 上下文脈絡（Context，如運動、壓力需要不同策略） →\rightarrow→ 決策行動 →\rightarrow→ 安全檢查（Safety Check，如 IOB 限制、SAFE 約束） →\rightarrow→ 病患。部署後也必須持續監控系統是否出現偏差或退化。
教訓四：公平性與取用門檻 (Equity and Access)
如果我們不刻意關注這點，AI 很有可能會擴大糖尿病照護中既有的健康差距。 我們面臨許多挑戰：
下一步與戰略優先事項 (Next Steps & Strategic Priorities)
了解這些教訓後，我們的下一步是什麼？
結論：打造以人為本的多學科生態系統
總結今天的演講，未來的血糖管理將是一個全面性的綜合系統：我們將擁有由 LLM 驅動的 Agentic AI，利用檢索增強生成（RAG）來進行教練指導、監控與治療建議（兼具主動與被動反應）；我們將整合來自多模態的大量數據，並結合虛擬人類雙生（Virtual human twins）、嚴肅遊戲（Serious games）等工具來賦權病患；加上先進的分群分析（Segmentation analytics），建構出一個完整的生態系統。
給各位的帶回家訊息（Take-home messages）：
未來是屬於多學科合作且以人為本（Human-centered）的。 歷史上這是我們第一次擁有如此強大的工具與武器，能夠整合所有資源來解決問題並真正幫助病患。但最核心的理念在於：「沒有我們的參與，就不要替我們做決定（Nothing about us without us）」。
我們必須將病患置於整個發展體系的中心。病患必須是系統的共同設計者（Co-designers），而不僅僅是被動的終端使用者（End-users）。我們必須與病患並肩工作，才能開發出真正適應他們日常生活的系統。
非常感謝大家的聆聽。
（主持人）：謝謝 Vehí 博士。那麼，我們準備進入下一個...