通过AI系统优化2型糖尿病血糖控制

2型糖尿病（T2D）是常见的慢性疾病，给社会造成巨大的经济负担。数据显示，我国每9个成人中就有一个糖尿病患者，其中将近50%的糖尿病患者使用胰岛素注射治疗。如何为这些糖尿病患者精确高效地调整胰岛素用量一直以来是困扰医学界的难题。 

传统的胰岛素剂量调整很大程度上依赖医生的经验，并遵循临床指南调整患者胰岛素，达到血糖控制目标。由于糖尿病患者对胰岛素反应的个体差异性，以及糖尿病病程进展对胰岛素需求的变化，传统的胰岛素治疗模式无法满足日益增长和动态变化的临床需求，因此制定个体化、精、动态的胰岛素调整策略具有重要的临床意义和社会价值。 

研究团队采用强化学习算法构建了2型糖尿病的胰岛素决策模型；并从计算机模拟效果、专家评估、真实世界患者疗效评估，证实了该模型可制定个体化、精、动态的胰岛素治疗方案，或将作为潜在的有效工具辅助临床医生管理2型糖尿病患者，减轻医疗负担，助力分级诊疗，赋能慢病管理。

该研究利用CT数据开发了一款人工智能（AI）系统，可用于诊断新冠肺炎，还能够将其与其他常见肺炎和正常对照区分开来，从而协助放射科医生和内科医生进行快速诊断，帮助临床医生对抗COVID-19。

在这项研究中，研究团队基于中山医院等多家医疗机构的住院2型糖尿病患者的电子病历数据，采用强化学习（Reinforcement Learning，RL）算法，以患者模型作为环境，通过和动态患者环境的试错交互来学习有效的策略，并引入有监督学习以保证决策的安全。

为评估模型的性能，研究团队进行了一系列从计算机模拟到临床部署的研究。模型开发阶段的评估显示，患者模型可以准确预测患者血糖状态，而策略模型可以学习和模仿医师的实践，并给出优化的胰岛素推。回顾性模拟研究采用定量和定性指标比较AI和医生方案，结果显示，与初级和中级医生相比，AI模型在2型糖尿病患者血糖管理方面表现出更好的控制高血糖和降低低血糖风险性能。前瞻性临床部署研究进一步证实了AI推剂量的可接受性，且随着人机互动和信任提高，医生对AI推剂量的采纳率提高。概念验证的可行性临床试验发现采用该模型干预期间，患者每日平均血糖下降并达到血糖控制目标，且干预过程中未发生严重低血糖或酮症酸中毒等不良事件。 

总而言之，该研究结果表明，基于强化学习的动态胰岛素调节方案（RL-DITR）系统有潜力成为优化T2D患者血糖控制的AI工具，帮助医生更好的管理糖尿病患者。值得注意的是，虽然该研究主要是在2型糖尿病住院患者中进行实施和测试，但如果进行适当的集成和持续开发，该系统可以扩展应用到诸如门诊患者管理和居家患者管理等广泛的临床场景，实现糖尿病患者的全方位智慧管理。