這是一份根據講者演講內容為主軸，並融合簡報（Slides）內容進行延伸、補充與強化的二合一詳細演講手稿。簡報中未於口語提及但具有補充價值的細節，均已標示為 底線 以資識別。
轉變糖尿病管理的未來：人工智慧與連續血糖監測的結合
第一部分：人工智慧決策支援系統（AI-DSS）的解釋性與未來發展
(講者：Dr. Andrea Facchinetti，延續其先前關於 AI 在第1型糖尿病應用的演講結論)
在臨床醫師應用人工智慧（AI）時，我們需要能讓我們理解 AI 演算法「正在建議什麼」以及「正在預測什麼」的工具。在我們最近發表的一項研究中，我們展示了一個例子：假設有兩種結構相似的長短期記憶（Long Short-Term Memory, LSTM）預測演算法，它們接收相同的輸入數據，並表現出相似的預測效能。例如，在 30 分鐘與 60 分鐘的預測範圍內，兩者的均方根誤差（Root Mean Square Error, RMSE）數字非常接近。老實說，如果單看這些數字，我會選擇第一種演算法，因為它的均方根誤差稍微低一點點。
然而，在這裡我們必須將這些數字與**解釋性（Explainability）和可解讀性（Interpretability）**連結起來。如果我們使用像 SHAP 這樣的工具，它能幫助我們理解所提供的預測結果背後是否具有生理學意義。在這個例子中，SHAP 會告訴我們，第二種演算法其實比第一種更好，因為它符合生理學邏輯：碳水化合物的增加會提升血糖預測值，而胰島素的增加則會降低血糖預測值。這裡的關鍵訊息是：我們必須高度重視演算法的解釋性與可解讀性。在這次大會中，我們也展示了一個名為 FineTT 的預測架構，它正是將這些生理學限制條件納入考量的模型。
當然，你可以在一個基於 AI 的決策支援系統（DSS）中加入許多其他模組。例如，你可以回溯到 AI 最初的定義——透過人為編程來模仿臨床醫師與使用者的推理邏輯，創造出能夠識別高風險時刻的演算法。舉例來說，當演算法發現低血糖風險升高的時刻，它能模仿臨床醫師的思維，主動呼叫進行預防性的低血糖處置。請記住，AI 的概念是非常廣泛的。沿著同樣的方向，你也可以開發演算法來識別高血糖風險極高的時刻，並採取相應的糾正措施。
如何開發這些 AI 演算法：數位雙生（Digital Twins）的應用
總結上述，我向大家展示了一些基於 AI 的演算法範例，但最主要的問題是：**我們該如何開發它們？**我們應該直接進行臨床試驗來證明它們的效能以及減輕負擔的能力嗎？在 2026 年，答案是：我們應該首先求助於「數位雙生」（Digital Twins）技術。
數位雙生是第1型糖尿病患者的虛擬副本。透過為個體建立數位雙生模型，我們可以在其上測試任何我們想測試的演算法，改變任何我們想改變的決策，並進行各種「假設性（what-if）」的情境模擬。數位雙生能夠極大地加速 AI-DSS 的開發，並促進這些工具的**個人化（Personalization）**發展。
目前市面上已經發布了幾款數位雙生工具。我們團隊發布了一款名為「Replay-BG」的數位雙生工具，它很快就會推出 全新的、對使用者非常友善的介面，讓任何人都能輕易操作、上傳數據，並測試不同的情境與處置措施。正是 Replay-BG 讓我們得以開發出剛剛向各位展示的各種 AI 演算法，包括：餐時胰島素劑量計算器、優化兒科多針注射（MDI）患者胰島素劑量的演算法、預防性校正劑量演算法等。此外，數位雙生也能用於數據擴增（Data Augmentation），藉此提升預測演算法的效能。
結論與未來展望
總結本次報告的核心重點：
最後，我要感謝我的團隊 (UNIPD 生物工程團隊的資深成員包含 Giovanni Sparacino、Simone Del Favero，以及年輕成員 Francesco Prendin、Luca Cossu、Elisa Pellizzari、Alberto Gastaldello、Andrea Calzavara 等人)，沒有他們，這些研究與今天的報告都不可能完成。如同簡報上穿著龍蝦裝的荷馬·辛普森（Homer Simpson）迷因圖所說：「現在我將接受你們的提問」（Now I will take your questions.），如果您有任何問題，我很樂意解答。(聯絡方式：andrea.facchinetti@unipd.it)
(主持人 Mark 接話：非常感謝 Dr. Facchinetti。為了掌握時間，請大家把問題保留到最後。現在，我們將從義大利帕多瓦大學，切換到丹佛的芭芭拉·戴維斯糖尿病中心（Barbara Davis Center），我們將聆聽 Dr. Halis Akturk 探討 CGM 在癌症免疫療法（免疫檢查點抑制劑）引發之第1型糖尿病的早期偵測角色。)
第二部分：CGM 在早期偵測癌症免疫療法引發之第1型糖尿病的角色
(講者：Dr. Halis K. Akturk) (大會資訊：ATTD, Advanced Technologies & Treatments for Diabetes, 2026年3月11-14日，西班牙巴塞隆納)
非常感謝 Mark。我今天要講的主題是：CGM 在早期偵測癌症免疫療法（也就是免疫檢查點抑制劑，Immune Checkpoint Inhibitor, ICI）所引發的第1型糖尿病中扮演的角色。這是我的利益衝突聲明，我與糖尿病科技公司有研究合作 (研究支持包含：Roche, Dexcom, Medtronic, Abbott；顧問身分包含：Roche, Dexcom, Medtronic, Mannkind)。
什麼是免疫檢查點（Immune Checkpoints）？
首先，我想解釋一下什麼是免疫檢查點。這涉及到腫瘤免疫學（Tumor Immunology）。當 T 細胞與抗原結合細胞互動並作出反應時，它們之間會傳遞訊號，細胞上存在著各種受體。
這意味著當 T 細胞與抗原呈現細胞（或如腫瘤細胞等其他細胞）互動時，如果 PD-1 或 CTLA-4 訊號被活化，它們實際上發出的是「抑制訊號」。這是我們免疫系統的一部分機制，為的是防止免疫系統攻擊宿主自身的正常細胞。
然而，腫瘤細胞非常狡猾，它們會透過在表面表現 PD-L1 受體來逃避免疫系統的追殺。 當腫瘤細胞的 PD-L1 與 T 細胞的 PD-1 發生結合時，這會向 T 細胞傳遞一個「錯誤的訊號」，告訴 T 細胞「這是宿主細胞，不要攻擊」。因此，T 細胞就不會去摧毀腫瘤細胞。
但如果我們使用藥物（如 PD-1 抑制劑、PD-L1 抑制劑或 CTLA-4 抑制劑）來干擾並阻斷這種 CTLA-4 或 PD-1/PD-L1 的連結，我們實際上是在重新活化 T 細胞，並告訴 T 細胞：「去把那個腫瘤細胞殺掉！」這就是免疫檢查點抑制劑作為癌症藥物的作用原理。由於其在癌症治療上的卓越療效，這類癌症療法在 2018 年獲得了諾貝爾獎。(參考文獻：Junzo H. PNAS 2007)
癌症免疫療法的增長趨勢
癌症免疫療法的使用量正在急劇增加。如果你查看歐洲（ESMO）和美國（ASCO）的腫瘤學指南，對於第3期和第4期的實體腫瘤，特別是從黑色素瘤（Melanoma）開始，這類藥物已經成為晚期癌症的標準治療（Standard of Care）。 全球市場規模高達數百億美元，且正在快速成長 (根據2025年癌症免疫療法全球市場報告，市場規模從2024年的 1109.1億美元，預計以高達 11.2% 的年複合成長率，成長至2029年的 1895億美元)。 自 2015 年 Nivolumab 作為首個 PD-1 抑制劑上市以來，這些療法已超越傳統化療，能達到非常好的存活率（5年以上、10年以上），甚至達到癌症的緩解或治癒。
副作用：癌症免疫療法引發第1型糖尿病 (ICI-T1D)
不過，這畢竟不是一場腫瘤學會議，我們今天感興趣的是它的副作用——第1型糖尿病。 這些藥物會引起各種免疫相關的不良事件（irAEs），(人體解剖圖顯示，副作用可能遍及全身，包含腦炎、腦下垂體炎、葡萄膜炎、甲狀腺炎、肺炎、心肌炎、肝炎、腎炎、腸炎等，而其中特別被紅圈標示出來的，正是「胰臟炎與自體免疫糖尿病」)。 根據 2019 年發表於《Diabetes Care》的人類胰臟研究 (Sho Y. 團隊)，透過免疫螢光顯微鏡觀察，可以看到 CD3、CD4、CD8 T 細胞與升糖素（Glucagon, GCG）的共染現象，以及 PD-L1 在胰島組織中的存在。這種 T 細胞（特別是 CD8）的大量浸潤，引起了嚴重的發炎反應，進而導致自體免疫糖尿病。這是在顯微鏡下極為典型的第1型糖尿病特徵。
發生率與發病時間
關於發生率，如果在當初藥物申請 FDA 註冊的臨床試驗中看，發生率不到 1%。這是因為註冊試驗通常排除了原本就有甲狀腺低下或任何自體免疫疾病的患者。但是，如果看真實世界（Real-World）的研究數據，發生率大約是 1.5% 到 3.5%，足足多了三倍。
觀察這類糖尿病的發病時間，它的發展速度非常快：
臨床表現特徵：高 DKA 比例與異常的 HbA1c
如果觀察這類患者發病時的糖化血色素（HbA1c）與罹患糖尿病天數的關係，會發現這與我們在門診看到的典型（Prototypical）第1型糖尿病完全不同。
比較：典型第1型糖尿病 vs. 免疫檢查點抑制劑引發之第1型糖尿病
這兩者之間有幾個關鍵的區別 (改編自 Akturk HK. NEJM 2018 與 JAMA 2019 研究)：
目前篩檢的盲點與 CGM 的介入
目前，這些免疫檢查點抑制劑通常每兩週或三週透過靜脈輸注一次（最近也有注射劑型）。在每次腫瘤科回診前，患者都會進行常規抽血，包含 TSH、綜合代謝檢測（CMP）、全血細胞計數（CBC）以及靜脈血糖。 但我們發現，光靠這樣根本不足以捕捉到第1型糖尿病的發展。
在我們發表於《Diabetes Care》2024年 的一項回溯性研究中，我們繪製了發展成 T1D 的患者（紅線，n=13）與未發展成 T1D 的對照組（藍線，n=76）的血糖變化圖。從發病前 18週 倒數計時，你可以看到，所有事情都集中在那短短的兩週內爆發。 假設今天（星期五）患者抽血，血糖是 70、80 或 90，結果 5 天或 10 天後，他們可能就會帶著高達數百或破千的血糖被送進急診室 (在第0週時紅線呈現戲劇性的垂直飆升)。我們與歐洲的其他團隊共同發表了這項發現：每兩週測量一次靜脈血糖，根本不足以預測或預見糖尿病的到來。
研究：使用 CGM 預防 DKA 並早期偵測
於是我們決定，我們能否使用連續血糖監測（CGM）來預測這些患者 T1D 的發展，並預防高死亡率與高發病率的 DKA？ 目前我們正在進行一項由 Abbott 和 Beatson Foundation 資助的臨床研究。研究目標是：
我們的研究設計是：與其篩檢抗體（因為發病太快且陽性率低），不如在患者接受免疫檢查點抑制劑（特別是 PD-1 和 PD-L1）前，先進行快速的 HLA-DR4 篩檢。如果結果為陽性（這類人發展 T1D 的風險高達 20-25%），我們就會在他們治療的前 90 天內讓他們佩戴 CGM，這個期間可以涵蓋 72% 的發病機率。 研究結果：目前為止，我們篩檢了 40 位患者，有 12 位高風險患者配戴了 CGM 進行監測。其中有 1 位患者發展出了 T1D，而我們成功地預防了 DKA 的發生！
全球首例：透過 CGM 即時觀看 T1D 的發展過程
我現在要更詳細地向各位展示這位成功預防 DKA 的患者的 CGM 報告。這是一位 60 歲的女性，正在接受 Pembrolizumab（一種 PD-1 抑制劑）輸注。在開始治療前，她完全沒有糖尿病史，A1c 與靜脈血糖都正常。 結果，她在治療的第一週就發展出了第1型糖尿病。
我們等於是在歷史上第一次，透過 CGM 即時（Real-time）觀看一個人活生生地在我們面前發展出第1型糖尿病！ 我們刻意觀察了它的變化過程。在典型的 T1D 第1期或第2期，變化通常需要幾個月或幾年，而在這裡，我們能看到極短時間內的變化，且從這裡學到的經驗，未來也能應用回典型的 T1D 上。
檢視她發病那一週的 CGM 數據（期間為 2025年6月25日至7月8日，共 14 天，CGM 活躍時間 96%）：
我們詳細來看她逐日的變化（CGM 目標範圍設定在 70-140 mg/dL 進行嚴格觀察）：
也就是說，她在接受第一劑藥物後，短短 10 天內就發展出了糖尿病。因為我們 24/7 遠端監控這位患者，所以我們在她血糖破表前及時介入並開始了胰島素治療，成功避免了她進入急診室甚至加護病房（要知道，在我們過去的患者中，超過 70-80% 會因此住進 ICU）。
針對這些初步數據，我們使用了 Freestyle Libre 3 感測器，並針對 15 天的數據進行了校正分析。如果將這位糖尿病案例與其他未發病的對照組比較，我們發現：
臨床處置建議與未來應用
面對這些患者，我們建議的處置流程如下：
未來的應用方向：
非常感謝大家。我也要再次感謝 Abbott Diabetes Care 與 Beatson Foundation 支持這項臨床研究，希望明年我們能分享更多見解。感謝芭芭拉·戴維斯中心的團隊，特別是 Emma Mason, Dicle Cengiz, Kagan E Karakus, Satish Garg 博士以及所有工作人員。如果有任何問題，我會在會後為大家解答 (聯絡信箱：Halis.akturk@cuanschutz.edu)。
(主持人 Mark 結語：我想感謝今天早上的三位講者，他們為我們開啟了一扇看見糖尿病照護未來的窗。感謝現場與線上的觀眾。如果你有問題，三位講者會在台前停留片刻，或者你可以在會議走廊上找到他們。非常感謝大家的參與。)