AI 強化極度胰島素阻抗之預測：精準糖尿病照護的機器學習突破
AI-ENHANCED PREDICTION OF EXTREME INSULIN RESISTANCE - A Machine Learning Breakthrough for Precision Diabetes Care
講者：Dr. Sanjay Singla (Omnia Hospital, Patiala) 共同作者：Makkar B.M., Soota K., Patil S., Raghunandan A., Shaikh A. 會議：ATTD 2026 (巴塞隆納) | 發表編號：OP005, ID 581 | 場次：AS01 - Big Data and AI-Based Decision Support
利益衝突聲明與合規揭露
講者聲明無任何利益衝突，未接受業界贊助或講者費。本簡報中提及的任何醫療設備、軟體或設備之商業名稱僅供科學實證參考與資訊分享用途，不代表講者或大會的背書或推薦。
核心臨床挑戰：極度胰島素阻抗的現狀
幾年前，我診治了第一位患有「極度胰島素阻抗 (Extreme Insulin Resistance)」的病人。當時我們稱之為「脆性糖尿病 (Brittle diabetes)」，面對這樣的病況，我們毫無頭緒，只能不斷增加胰島素劑量並祈禱病情好轉。然而，今天我將展示一個預測模型，它能在危機爆發的六個月前就提前預見，更重要的是，我將展示當我們根據這個早期警訊採取行動時，能帶來什麼樣的改變。
極度胰島素阻抗的定義為 HOMA-IR 指數大於 10。這項併發症影響了約 15% 的第二型糖尿病 (T2D) 患者。這個數字聽起來或許不夠驚人，直到你親自坐在這些病人對面——他們可能已經使用了三、四種甚至五種降血糖藥物，但血糖依然失控，連他們的心臟科醫師也對如何解釋其心血管風險感到絕望。
這其中最具破壞性的一點在於：這一切其實並非不可避免。我們一直面臨的根本問題是：傳統臨床方法無法在極度胰島素阻抗發作前進行預測，也沒有經過驗證的生物標記或評分工具能提供可靠的臨床前預警。到了 HOMA-IR 突破 10 被確診時，顯著的代謝損傷已經發生——胰島貝他細胞 (Beta cell) 儲備耗盡，肝臟葡萄糖失調已根深蒂固。此時，我們已經不是在「管理疾病」，而是在「清理殘局」。這種狀況更推升了心血管風險、貝他細胞衰竭，以及複雜的「多重用藥 (Polypharmacy)」瀑布效應。直到現在，我們從未擁有過一個真正有效的早期預警系統。
研究設計與多模態資料方法學
為了解決這個問題，我們建立了一個基於大量真實世界數據的模型。
這項研究使用的是真實病患的縱向追蹤數據。模型總共整合了來自三個核心領域的 47 個變數：
將這三大類 47 個變數結合在一起，我們便能描繪出一幅新陳代謝惡化的「表型輪廓 (Phenotypic picture)」，這是任何單一生物標記都無法獨立提供的。
機器學習模型架構
在模型架構方面，我們採用了「深度前饋神經網路 (Deep feed-forward neural network)」。架構包含一個具備 7 個節點的輸入層（整合 CGM 變異度、睡眠模式、發炎生物標記、HbA1c 與血脂、穿戴式指標等數據），隨後連接三個隱藏層（分別為 6、4、4 個節點），並運用了丟棄正則化 (Drop-out regularization) 技術。
模型以完整的 47 個變數作為輸入進行訓練，輸出的結果為二元分類 (Binary Classification)：該患者在未來六個月內是否會發展出 HOMA-IR > 10 的極度胰島素阻抗？ 模型會同時提供預測的機率分數 (Probability score) 與行動閾值。
一項關鍵的方法學重點是：我們的驗證世代是「完全獨立的」。這來自不同的患者、不同的醫療中心，模型在訓練期間從未接觸過這些數據。這絕對不是把內部交叉驗證「偽裝」成外部交叉驗證。
模型表現與臨床效益對比
在這個獨立的外部驗證世代 (n=3,240) 中，AI 模型展現了驚人的預測力：
我在這個領域待得夠久，對表面上看起來很漂亮的數字總是抱持懷疑，所以我必須提供一個真正具有臨床意義的比較。我們讓模型與標準臨床評估 (Standard Clinical Assessment) 進行對決。標準臨床評估包含了我們傳統的完整工具箱：HbA1c 變化軌跡、空腹胰島素、血脂以及醫師的臨床直覺。面對同一批患者，標準臨床評估的準確度為 73%。
我們的 AI 模型在此基礎上，帶來了 +21.2% 的顯著提升。 我想精確地解釋這個差距代表什麼：73% 的準確度並非毫無用處，但它不足以讓你做出「不可逆的重大臨床決策」；然而，一個 AUC 達到 0.97 的工具卻可以。我們在心臟科常規使用 Troponin I 或 NT-proBNP，正是因為它們的鑑別力足以支撐重大決策，而這個 AI 模型已經達到了同樣的級別。這不是漸進式的改善，這是**「臨床輔助工具」與「精準臨床儀器」之間的本質區別**。
關鍵預測特徵與機制洞察 (Feature Importance Weights)
模型達到了 94.2% 的準確度，但它究竟依賴了哪些數據？透過 SHAP 分析，我們獲得了特徵層級的解釋力 (Feature-level interpretability)，其結果非常具有啟發性：
機制的啟示：模型學到的（也是我認為本研究中最重要的機制學課題）是，極度胰島素阻抗是透過**「模式 (Pattern)」**來宣告它的到來，而不是透過任何單一的實驗室數值。不規律的血糖軌跡、破碎的睡眠、慢性的低度發炎——在危機真正爆發之前，「訊號早已隱藏在雜訊之中」。這為我們觀察這種疾病提供了一個全新的視角，並對我們應當如何部署連續血糖監測產生了直接的臨床影響。
早期偵測：改變臨床時間線
演算法平均能提早 6.3 ± 2.1 個月 識別出高風險患者。有了這段前置時間 (Lead time)，我們終於獲得了一個極其寶貴的治療空窗期 (Therapeutic window)。這不僅僅是統計學上的好奇心，而是切實的臨床實踐：
回想我演講開頭提到的那位病人，如果當時有這個能提早六個月運行的工具，我們就能開啟完全不同的對話，採取完全不同的介入措施。
臨床影響與介入結果 (Intervention Outcomes)
數據證明了這個策略確實有效。針對被演算法標記並接受結構化早期介入（量身定制的藥物治療、睡眠優化、代謝監測）的患者，我們看到了顯著的結果：
以絕對數字來看：這個模型每找出 100 位高風險患者，透過早期介入，我們就能比標準照護額外預防 16 例極度胰島素阻抗的發生。 這意味著有 16 位患者不需要面臨多重注射藥物的困境；16 位患者未來五年的心血管軌跡被徹底改變；16 個家庭不需要經歷我過去四十年來目睹的煎熬。這就是真正的「轉譯醫學跨越 (Translational leap)」。
結論
總結來說，我們實現了四大核心突破：