第十一場科學平行會議：以人工智慧、機器學習與連續血糖監測徹底改變糖尿病照護

各位現場與線上的觀眾歡迎回來。現在是我們下一場會議開始的時間。我是來自芭芭拉·戴維斯中心（Barbara Davis Center）的 Akturk 醫師，將與 Clements 醫師共同主持本場會議。

本場會議是「第十一場科學平行會議：以人工智慧、機器學習與連續血糖監測（CGM）徹底改變糖尿病照護」。我們的第一位講者是來自西班牙的 Josep Vehí 博士，他將為我們主講「以人工智慧與機器學習最佳化血糖控制：經驗學習與下一步」。

生成式 AI 出現前後的發展分水嶺

非常感謝。我將為各位概述人工智慧（AI）與機器學習在血糖控制上的發展，接著探討我們學到的經驗與未來的下一步。

我們正處於一個關鍵時刻，也就是生成式 AI（Generative AI）的出現。ChatGPT 的推出是一個分水嶺，在短短兩個月內就吸引了超過一億名使用者。因此，我將這些方法劃分為「生成式 AI 出現前」與「生成式 AI 出現後」兩個階段。

早在六、七十年前，人工智慧的技術就已經存在，例如 1970 年代早期的臨床決策支援系統與診斷專家系統。然而，當時我們缺乏的是糖尿病的專屬數據。直到我們能夠從連續血糖監測（CGM）取得數據後，我們才見證了顯著的成就。例如，利用基於案例的推理（Case-based reasoning）來計算胰島素劑量，或是眾所周知的 MDlogic 系統，結合了模糊邏輯與專家系統。

隨著深度學習的革命，我們開發了許多預測血糖、低血糖或高血糖事件的方法，例如 CNN-LSTM 模型在 90 分鐘的臨床預測準確率可達 94.7%，而 LSTM 模型對低血糖預測的敏感度也超過 97%。接著，Transformer 架構的出現，真正促成了大型語言模型（Large Language Models, LLMs）的發展。

這是一個過渡的過程：我們從「邏輯」走向「語言」，從「案例」走向「上下文脈絡」，從「特徵」走向「表徵」（例如目前的大型語言模型或多模態 AI）。我們也從處理「不確定性」走向「機率」，利用生成式方法來創造數據與虛擬雙子（Virtual Twins）。系統的能力從單純的「感知」進化到「推理」，並透過代理式 AI（Agentic AI）從「預測」走向「規劃」。這些都是目前即將應用於血糖控制的工具。

預測性 AI 與自動化控制（BG 時代）

當我們在二十年前首次取得 CGM 數據時，這促成了自動胰島素給藥（AID）系統的發展。隨後，我們整合了穿戴式裝置的數據以及電子健康紀錄（EHR）。有了這些數據的存取權，AI 與機器學習的應用得以蓬勃發展。

在目前的技術水準下，我們的血糖預測已經能達到很好的準確度。但必須注意的是，模型的可解釋性（Interpretability）至關重要。我們雖然能獲得預測結果，但必須清楚知道如何解讀這些結果，以及我們將如何利用這些預測來採取行動，因為兩個準確度相似的模型，可能會給出截然不同且具危險性的胰島素建議，這時就需要如 SHAP 分析等工具來輔助。

在生成式 AI 出現之前，我們已經將許多技術整合到 AID 系統中。例如，使用神經網路編碼的 AID 演算法（NAP）、能減少 10.8% 高血糖時間的自動進食偵測（RAP）、透過深度增強式學習（Deep Reinforcement Learning）讓代理程式從病患互動中學習最佳給藥策略，以及整合體能消耗數據的穿戴式擴增 AID 系統。這些方法同時也被用來持續監測病患的狀態。

生成式 AI、數位雙生與基礎模型（AG 時代）

邁入生成式 AI 時代，我們做的第一件事就是「生成數據」。我們利用真實病患的數據來建立生成模型，創造出合成病患（Synthetic patients）。這些技術包含了 GANs、VAEs 與擴散模型（Diffusion models），能有效解決數據稀缺的問題。有了這些合成病患，我們就能在更安全的環境下開發並測試演算法，然後再將其部署到實際應用中。

一個典型的例子是數據驅動的數位雙生（Data-driven Digital Twins）。很久以前我們使用的是如 UVA/Padova 模擬器這類基於常微分方程的機制模型（Mechanistic models）。後來我們發展出數位雙生，而現在我們可以進一步走向數據驅動的數位雙生，以捕捉真實世界的變異性。然而，純數據驅動模型有其自身的問題（例如缺乏可解釋性），因此我們正邁向混合建模（Hybrid modeling）：結合數據以反映真實生活情境，同時納入生理學限制，以確保模擬的合理性與完整性。

目前已有臨床證據顯示，數位雙生能提升 AID 系統的效能，例如在一項人機共同適應的隨機對照試驗中，目標範圍內時間（TIR）從 72% 顯著提升至 77%。此外，數位雙生也被用於調整第二型糖尿病的胰島素介入，在一項為期一年的介入研究中，病患的 HbA1c 平均降低了 1.8%。

基礎模型（Foundation models）與大型語言模型（LLMs） 也為糖尿病帶來了許多新應用：

血糖預測：例如 Time-LLM 與 TimeGPT，能在無需微調的情況下超越傳統深度學習模型。
病患衛教與指導：結合檢索增強生成（RAG）架構的聊天機器人，能提供個人化衛教並提升準確度。
臨床決策支援系統：例如 DeepDR-LLM，表現已可媲美內分泌科住院醫師。
糖尿病專用模型：人們正在開發如 Diabetica 等專為糖尿病微調的大型語言模型。
多模態整合：我們現在有能力在系統中整合各種不同類型的數據，並透過 LLM 進行多模態 CGM 查詢與分析。

從臨床證據來看，在特定的控制器設定與情境下，我們已經可以達到 80% 的目標範圍內時間（TIR）。這證明了無論是在生成式 AI 出現前後，這些方法的應用都帶來了實質的效益。

經驗學習（Lessons Learned）

在應用這些方法的過程中，我們學到了幾個重要的教訓：

經驗一：臨床試驗與真實世界的落差

研究環境與真實世界之間存在著巨大的鴻溝。在臨床試驗中，我們擁有完整、正確的數據集，且飲食流程受到嚴格控制；但在真實世界中，我們面臨的是數據遺失、感測器雜訊與訊號中斷。因此，演算法必須具備足夠的強健性（Robustness）來處理這些問題。

此外，真實世界中充滿了不規律的飲食、運動與壓力。許多系統是針對特定族群開發的，如果跨族群轉移，模型預測能力（AUC）可能會下降高達 15%。我們必須考慮到不同族群以及各種特殊生理狀況，例如生病、月經週期、懷孕與老化。在不受監督的自由生活條件下，設計系統時必須將這些無法預期的情況納入考量。

經驗二：設備必須適應人類，而非人類適應設備

這對我來說非常重要。目前，病患正以他們自己的方式在使用自動胰島素給藥（AID）系統。在某種程度上，病患就像是「第二個控制器」，他們會採取行動，有時甚至試圖「駭客（hack）」系統。

例如，病患可能會想：「我想要獲得更多胰島素，所以我向系統輸入我正在進食的假訊號，這樣系統就會給我更多劑量。」或者在運動時，他們會切換到夜間模式，甚至直接關閉系統。病患正在做一些自動控制器完全不知情的事情。這導致我們有兩個互不協調的控制器同時在運作，這也是為什麼目前的 AID 系統在 TIR 表現上會遇到約 75% 的天花板瓶頸。

我們的解決方案是建立 「人機協同（Human-in-the-loop）」框架（例如 HIDEX 系統）。系統必須能監督並了解病患的狀態。例如，病患今天可能處於「生病模式」或「安全模式」，今天的目標不是追求完美的 TIR，而是避免高血糖。

我們擁有豐富的 AI 工具，必須明智地運用它們來處理這些複雜性。我們需要透過混合自動機（Hybrid automata）來監控病患的行為模式，偵測那些系統無法直接看到的動作（如漏打胰島素或補充碳水化合物）。控制器必須學會適應病患，而不是要求病患去適應控制器。

針對運動情境的挑戰與 PEDAL-T1D 研究

延續上述的經驗，運動是一個極大的挑戰。根據共識報告的建議，有些病患會將 AID 系統切換至運動模式，但其他人則會用自己的方式「駭」系統，因為要讓系統適應不同病患的運動需求非常困難。

我們需要將人類納入迴圈中來處理運動問題。控制器可以主動提供建議，例如在真正需要時建議補充碳水化合物，而不是一律在運動前補充，因為預測運動後的血糖變化並不容易。不同類型、強度的運動會帶來完全不同的生理反應。運動雖然可以透過穿戴式裝置自動偵測，但也可能由病患自行宣告，或者病患根本不宣告，這就可能導致血糖驟降。

為此，我們在去年 11 月於距離這裡約 100 公里的赫羅納（Girona）進行了一項名為 PEDAL-T1D 的臨床試驗。這是一場 75 公里的礫石自行車騎乘活動，共有 30 位第一型糖尿病成人患者與 15 位對照組參與，我們收集了 CGM、動力踏板、心率、GPS 以及生物樣本等多模態數據。

這項研究的目標不僅是開發包含長時間運動的數位雙生模型，更是為了了解病患在面對長時間運動時的行為模式。初步結果顯示，病患的血糖反應具有極高的異質性，同樣的活動，有些人的血糖穩定在目標範圍內，有些人則飆升至 350 mg/dL 以上，或在運動後發生低血糖。

此外，病患的需求也大不相同：有些人只是想和朋友輕鬆騎車；有些人則追求運動表現，他們會要求：「我想獲得更多的胰島素，這樣我才能攝取更多碳水化合物來提升表現。」在設計運動專用的控制器時，這些個人化的需求與反應都必須被納入考量。

經驗三：光有預測是不夠的

預測結果必須具備可解釋性。我們雖然能獲得預測，但在根據這些預測做出臨床決策時必須非常謹慎。從數據到預測，還需要結合情境脈絡（Context），轉化為可執行的行動，並經過安全檢查（如 IOB 限制）後，才能應用於病患身上。

如果我們訓練一個系統來處理餐後血糖反應，並用正常生活中的數據（根據碳水化合物計算的常規劑量）來餵養演算法，當我們想將這個系統轉用作「劑量建議器（Bolus advisor）」時，其結果必須是臨床醫師與病患都能理解的。否則，這可能會導致非常危險的後果。

經驗四：公平性與資源近用（Equity and Access）

如果缺乏刻意關注，AI 可能會擴大現有的健康差距。首先是數位素養落差（Literacy gap），病患需要接受訓練才能使用這些系統，而高齡、低識字率或偏鄉人口面臨較高的排除風險。其次是缺乏代表性的數據，目前的模型多半基於高收入國家的數據訓練，可能無法推廣到全球其他地區。此外還有負擔能力的障礙，以及文化適應的問題。舉例來說，在某些國家，人們習慣一整天都在喝加糖的茶，要讓系統適應這種截然不同的飲食文化與生活習慣，絕非易事。

下一步與未來戰略優先事項

基於這些經驗，我們的下一步是什麼？

基準測試與開放數據：我們需要更多標準化的臨床指標與開放數據集（如 OhioT1DM、Replace-BG）。為了在保護隱私的前提下利用大量數據進行訓練，聯邦學習（Federated Learning） 是一個解決方案，讓模型在各醫院本地端學習，只共享參數而不共享病患隱私數據。
多模態融合與數位雙生：我們仍處於多模態融合的初期階段，未來需要將血糖以外的胰島素、飲食、活動、心率、睡眠與壓力等數據整合進數據驅動的數位雙生中，作為個人化引擎。
基礎模型與 LLMs 的應用：雖然初期的基礎模型已經發表，但仍有很大的成長空間。它們為我們提供了使用自然語言與病患互動的機會，並能應用於血糖預測、風險預測、結合 RAG 的臨床決策支援，以及開發糖尿病專用的多模態代理式 AI 系統，實現主動式與自主性的照護管理。同時，LLM 也能根據病患的識字程度，提供客製化的 AI 預測解釋。
法規的演進：監管途徑必須隨之進化。我們必須從傳統的固定演算法監管，轉向適應 AI 的動態框架，例如 FDA/EMA 的軟體即醫療器材（SaMD）框架與預定變更控制計畫（PCCP），並落實持續學習演算法的上市後監控。
建立以人為本、跨領域的生態系統：這是最重要的一點。

結論

總結來說，未來一個全面性的血糖控制系統，將會包含使用 LLMs 與 RAG 技術的代理程式，能提供主動與被動的衛教指導、監測與治療建議。它將整合多模態數據，並結合虛擬人類雙生（Virtual human twins）、甚至嚴肅遊戲（Serious games）等元件來賦權病患。

請帶走以下幾個核心訊息：

AI 與機器學習已證實能改善血糖預後。
設備必須適應人類，而不是人類適應設備。
預測是必要的，但光有預測是不夠的。
生成式 AI 出現後，開啟了全新的框架與邊界，讓我們能開發出三年前根本無法想像的技術。
未來是跨領域且以人為本的。

在歷史上，我們首次擁有強大的工具與武器來應對糖尿病的挑戰並幫助病患。我們必須將病患置於核心，實踐「沒有我們的參與，就不要替我們做決定（Nothing about us without us）」的理念。病患必須是系統的共同設計者（Co-designers），而不僅僅是使用者。 我們必須與病患攜手合作，開發出真正適應他們的系統。非常感謝各位。