針對第一型糖尿病的多變數全自動胰島素傳輸系統 (Multivariable Fully-Automated Insulin Delivery for T1D)

本場專題演講發表於 2026 年第 19 屆先進糖尿病科技與治療國際研討會 (ATTD 2026, 西班牙巴塞隆納)。研究團隊由伊利諾理工學院 (Illinois Institute of Technology) 化學與生物工程學系的 M. Ahmadasas、M. Rashid、Ali Cinar，以及伊利諾大學芝加哥分校 (University of Illinois Chicago) 護理學院的 L. Quinn 共同組成。

講者 Ali Cinar 在此聲明其利益衝突：獲得 Dexcom 的設備支援，並接受來自美國國家衛生院 (NIH) 國家糖尿病與消化及腎臟疾病研究所的經費贊助。

這場演講的內容將與各位平時聽到的不太一樣，我們不只是單純報告傳統的實驗結果，也不會只討論目前市面上已經商業化的自動胰島素傳輸 (Automated Insulin Delivery, AID) 系統。我們將把目光放得更遠，探討某種程度上的「下一代」系統。

重新定義「全自動胰島素傳輸」的概念

目前在人工胰臟 (Artificial Pancreas, AP) 或是 AID 系統的領域中，我們看到了許多不同的名詞標籤，例如：混合閉環系統 (Hybrid closed-loop)、進階混合閉環系統 (Advanced hybrid closed-loop)、自動胰島素傳輸 (Automated insulin delivery)，以及全自動胰島素傳輸 (Fully-automated insulin delivery)。

而在過去十五年來，我們團隊的焦點始終放在全自動胰島素傳輸上。我們對於全自動胰島素傳輸系統的概念是：在任何會影響血糖恆定的干擾事件發生時，使用者在任何時候都不需要手動輸入任何資訊。當然，系統會保留讓他們手動輸入資訊的「選項」，但這絕對不是「必須」的。

系統會將感測器收集到的所有數據進行自動解讀，以偵測、分類並量化這些干擾，接著預測這些干擾可能產生的影響，以便 AID 系統做出適當的控制決策。我們的目標是，在血糖數值發生劇烈變化之前，就能提早偵測到這些干擾。要達成這個目標，除了連續型血糖監測儀 (CGM) 之外，使用者唯一需要的就只是一個穿戴式感測器（例如智慧手環）。這類手環目前市價大約只要三百美元，如果再多花五十美元，它甚至還能兼具手機的功能。

探索性實驗：我們的「萊特兄弟首航」時刻 (Kitty Hawk Moment)

**如同 1903 年萊特兄弟在小鷹鎮 (Kitty Hawk) 駕駛飛行者一號完成人類首次動力飛行一般，我們也進行了具備突破意義的初步探索性實驗。**我們在診所的日間環境進行了為期兩天的實驗。

在第一天，受試者使用的是他們自己平時配戴的商業化混合閉環系統 (HCL AID)，並且像平常一樣，手動輸入所有的進食與運動資訊。而在第二天，受試者切換成使用我們的多變數全自動胰島素傳輸系統 (mvAID)，在這一天當中，他們完全不需要手動輸入任何資料。

在這兩天的實驗中，我們安排了相同的挑戰情境，包含了進食 (Meals)、運動 (Exercise)（包含在跑步機上跑步、騎固定式腳踏車，有時兩者交替進行），以及急性心理壓力事件 (Acute psychological stress events)。這些壓力事件包含了模擬發生車禍的汽車駕駛、玩高強度的電子遊戲，以及心算測驗等**（任何機構審查委員會 IRB 所允許的壓力測試活動）**。此外，部分的體能活動和心理壓力事件是同時並行發生的。

系統效能比較結果 (mvAID vs. 商業版 HCL AID)

以下是我們觀察到的一些結果。以受試者二號為例，當他從自己原有的混合閉環系統 (HCL AID) 切換到我們的多變數全自動系統 (mvAID) 時，其目標範圍內時間 (Time in Range, TIR; 70–180 mg/dL) 的變化非常小，改善幅度不到百分之一**（從 51.64% 微幅上升至 52.05%）。但是，其嚴格目標範圍內時間 (Tight Time in Range, TITR; 70–140 mg/dL) 卻從大約 4.5% (4.39%) 飆升到了 26% (26.02%)**，同時血糖風險指數 (Glycemic Risk Index, GRI) 也從 45 (45.71) 降低到了 38 (38.35)。此外，在大於 250 mg/dL 的嚴重高血糖時間 (TAR2)，mvAID 成功將其從 8.79% 降至 0%。

對於受試者三號，其 TIR (70–180 mg/dL) 從 66% (65.95%) 顯著進步到了 77% (76.71%)，嚴格目標範圍內時間 (TITR) 從 31% (30.85%) 提升到了 49% (49.31%)，而血糖風險指數 (GRI) 則從 27 (27.23) 降低到了 23 (23.01)。在受試者三號使用 mvAID 期間，雖然系統有記錄到一定比例的低血糖時間（54–70 mg/dL 的 TBR1 為 2.74%），但實際上回報的最低 CGM 數值為 68 mg/dL，這只是剛好掠過低血糖的邊緣，程度非常輕微。

從血糖與胰島素給藥的時序圖 (Time-series plots) 中，大家可能會注意到這兩種方法在給予額外劑量 (Bolus) 時的模式有很大的不同。商業版 HCL 系統傾向於給予頻率較低、但單次劑量較大的 Bolus；而我們的 mvAID 系統則是給予劑量較小、但頻率更高的胰島素注射。

在 mvAID 的 CGM 曲線圖上半部，大約在中午 11:30 左右，大家可以看到一個紅色的菱形標記。這代表系統當下意識到血糖值正在下降，因此系統主動建議受試者攝取「救援碳水化合物」(Rescue carb)。這正是為什麼系統能讓可能發生的低血糖事件維持在非常輕微狀態的原因。相對地，HCL 系統的圖表則顯示出使用者必須手動標記大量的活動，如打電動、跑步加心算、開車與進食等。

邁向全自動人工胰臟的挑戰：MESS 因素

要邁向完全自動化，我們面臨的挑戰在於系統必須能夠「即時偵測」那些會破壞血糖恆定 (Euglycemia) 的主要因素的發生，並且必須能夠「評估」這些因素對血糖濃度的潛在影響。

我們將這四個我們最關注的擾動變數統稱為 MESS：

當這些因素同時存在 (Co-exist) 時，要偵測並定性這些因素就會變得更加困難。

控制理論基礎：前饋控制與回饋控制 (Feedforward vs. Feedback Control)

如果我們回到控制理論的基礎，在典型的系統方塊圖中，我們有一個目標血糖值 (Target Glucose) 輸入到加總節點，然後訊號進入控制器 (Controller)、再到胰島排液幫浦 (Pump)，最後進入人體 (Body)。人體輸出的結果會由血糖感測器 (Glucose sensor) 讀取，並作為測量到的血糖數值 (Measured Glucose level) 形成負回饋循環回到加總節點。這是標準的回饋控制 (Feedback control)，也就是系統單純看著目前的血糖值來做出決策。

但除此之外，我們還必須考慮前饋控制 (Feedforward control)。這意味著我們必須將有關「干擾因素」(Disturbances, 即 MESS) 的資訊直接提供給控制器，讓控制器能預先思考該如何應對。

在傳統的每日多次注射 (MDI) 療法中，是由「使用者」自己來評估血糖與所有干擾因素，並手動注射胰島素。而在目前的混合閉環系統 (HCL) 中，這些干擾因素的資訊必須由使用者手動輸入，這對患者來說是一個重大的負擔。因此，全自動 AID 的核心挑戰在於：如何「自動地」估算這些干擾，並將資訊通知 AID 系統以調整胰島素的輸注速率。

mvAID 系統的現有特徵與下一代展望

我們目前的 mvAID 系統具備以下特徵：

新一代的 mvAID 系統 (NEW GENERATION) 將包含：

系統架構與穿戴式裝置生理訊號的應用

**在我們提出無需手動宣告的全自動人工胰臟架構（引用自 Ahmadasas 等人發表於 2025 年《Annual Reviews in Control 60》的研究）中，**這是一個典型的回饋控制迴路，我們所做的就是加入生物訊號 (Biosignals) 來產生其餘所需的資訊。

系統會從患者身上擷取「測量的干擾」訊號，這些訊號進入「進食偵測與評估」模組後，再作為前饋控制訊號與來自 CGM 的回饋控制訊號一起送入 MPC（智慧型手機），最後指揮胰島素幫浦。

這些生理訊號是從智慧手環等穿戴式裝置擷取而來的，最起碼我們會需要加速規 (Accelerometer) 以及血容積脈波 (Blood volume pulse, BVP / 心率) 的數據。如果能有皮膚溫度 (Skin temperature) 也會非常有幫助。膚電反應 (Galvanic skin response, GSR) 對於偵測壓力很好用，但它的訊號往往含有較多雜訊。此外，呼吸速率 (Respiration rate) 也是一項潛在指標。

重要的是，我們不只是單純測量感測器數值並直接拿來做決策。我們必須進入下一個層次，也就是計算出衍生變數 (Derived variables)：

要完成這些轉換，需要大量的後台運算，這包含了使用深度神經網路 (Deep Neural Networks, DNN) 或是多變量統計分析技術。

機器學習於臨床數據與自由生活數據的表現差異

當我們從整體來看系統表現時，您可以發現偵測的準確度相當高。**在利用手環數據透過 DNN 演算法（解讀加速規、BVP、GSR、皮膚溫度 4 種感測器）偵測體能活動與急性壓力的混淆矩陣 (Confusion Matrix) 中，**所有落在綠色對角線上的數據代表準確的分類預測。不在對角線上的元素則是誤診的案例，例如將心理壓力誤判為無事件，或是將無事件誤判為心理壓力。**在總共 18,953 個樣本中，只有 80 個樣本被誤分類，錯誤率僅 0.42%，平衡準確率 (Balanced Accuracy) 高達 98.59%。**但必須說明的是，這是基於在診所內收集的臨床數據，在那個環境下我們很清楚到底發生了什麼事，包含在訓練期間和實際比賽日（面臨預期性壓力與競爭性壓力）的不同血糖動態變化。

然而，當系統進入「自由生活 (Free-living)」的現實環境時，情況就完全不同了。這是另一種極端情況。**我們使用了用戶捐贈的 Tidepool T1D 歷史數據進行機器學習與模式識別（結合 1D 卷積層、Max pooling、LSTM 雙向長短期記憶網路與 Softmax 等複雜序列神經網路架構）。**在這個情境下，我們必須依賴病患手動回報的資訊，結果顯示，誤診的數量比起前一個臨床案例大幅增加。在混淆矩陣中可以明顯看到，系統在預測無事件、運動、進食，以及運動與進食同時發生的情況下，出現了更多的紅色錯誤預測區塊。

這正是為什麼我們不應該單純依賴病患手動回報的資訊，而是應該客觀地收集這些感測器數據並由系統自動解讀的根本原因。

結論與未來挑戰

總結來說：

致謝

最後，我要特別感謝伊利諾理工學院的朋友、同事與學生們；感謝來自伊利諾大學芝加哥分校、芝加哥大學 (University of Chicago) 以及哥倫比亞大學 (Columbia University) 的合作夥伴；感謝所有參與我們研究的第一型糖尿病病患。

同時，也要感謝提供資金贊助的美國國家衛生院 (NIH)、美國國家科學基金會 (NSF)，以及 Breakthrough