数字医疗在糖尿病管理中的应用进展

生活方式信息(如吸烟、饮酒、运动、饮食等)、影像学数据(如CT、磁共振成像及超声影像等)及生物学数据(如生化指标、基因数据等)构成的大数据系统，以确定最佳诊疗方案的医疗方式[1]。相对于循证医疗以证据为基础，数字医疗作为一种新型的疾病干预模式逐渐被临床重视[2]。数字医疗将患者健康大数据，利用人工智能(artificialI)原理，整合患者的行为、心理等进行机器学习模式来预防、管理或治疗疾病[2-4]。它结合了设计、临床验证、实用性和数据安全领域的最新成果，既可医疗在糖尿病管理中的应用已有立场性文件可循[5-7]。近年来，数字医疗在的标准化等，为数字化管理糖尿病奠定了基础[8-10]。数字化糖尿病管理的果和生活质量等[5]。数字化糖尿病管理也可以帮助医师更好地跟踪和管理患者的状况，提高医疗服务质量和效率[2]。变成可能[11]。在糖尿病领域，一些基于AI和机器学习的数据模型、医疗设具等，并已经获得美国食品和药物管理局的批准[12]。尿病的患病率。Abbasi等[13]利用logistic回归、Cox比例风险模型或威布尔分布分析等统计模型对预测非糖尿病个体5~10年内糖尿病发病的有效性进行治指南(2020年版)》[9]。Hatmal等[14]报道了基于医疗数据，利用前馈值。我国学者发现使用极限梯度提升(XGBo病患者[15-16],而基于妊娠患者的体重指数、甲状腺激素水平、脂蛋白a等7个变量逻辑回归模型能在早孕期高准确性预测妊娠期糖尿病的发生[11],利用数字技术来预测和筛查糖尿病并发症也已经成为可能[17-18]。在欧体重指数、糖化血红蛋白、血压和吸烟习惯等7个变量，准确率达到0.838[17]。利用数字技术筛查糖尿病视网膜病变已经是一项非常成熟的技术并被广泛使用，我国也全面推广了基于AI的糖尿病视网膜病变的筛查[18-22]。在预测糖尿病心力衰竭方面，利用临床数据、实验室检查和心电图变量构建糖尿病心力衰竭预测模型，具有良好临床适用性[23]。在预测糖尿病患者蛋白尿的发展[24]。有研究发现，通过机器学习可以有效预测糖尿病肾脏病进展到终末期肾病的发生率[25]。践中。2018年美国食品和药物监督管理局批准了一项基于人工智能的自动化决策支持系统(AdvisorPro),该系统通过将患者持续葡萄糖监测和自我监测的血糖发送到云服务器，并利用AI远程分析和提出胰岛素剂量调整的方试验发现，基于AI引导的患者目标血糖的达标率和低血糖的发生率均不低于常规专家管理组。类似的研究也发现，基于AI的决策支持系统对1型糖尿病患者血糖方面更有优势[27-28]。还有研究表明，利用数字技术计算膳食成分，并方法在血糖控制和低血糖风险降低方面具有显著的优势[28-30]。基于临床决策支持的研发还涉及患者护理、足部保护、减重计划制定等[31]。amadi等[32]研究了一种基于持续葡萄糖监测信号分析的膳食检测系统，该系化合物估计的灵敏度为91.3%,误差为23.1%。研发数字化的自动检测运动的工具和系统，从而指导糖尿病患者科学运动也已经成为现实。Turksoy等[33]提出使用k近邻分类算法来自动检测患者运动类型和强度，Jacobs等[34]提出强度来指导1型糖尿病患者的运动，均取得良好的效果。理的达标[4,35-36]。上改变了招募患者和数据收集模式[3,10,37]。缺失，最终导致无法使用数据来指导患者的诊疗[38]。第三，在推动数字化医影响[3-5,7]。虽然数字医疗已经在糖尿病管理中发挥了相当的作用，面对AI及机器深度onmedicine[J].MolCells,2022,45(9):620-621.DOI:10.14348/molce[3]FagherazziG,RavaudP.Digitaldiabetes:pesprevention,managementandresearch[J].DiabetesMetab,2019,45[4]CahnA,AkirovA,RazI.Digitalhealthtechnologyanddianagement[J].JDiabetes,2018,10(1):10-17.DOI:10.1111/1753-040enceandbigdataindiabetescare:apositanassociationofmedicaldiabetologists[J].JMedInternetRes,2022(6):e16922.DOI:10.2196/16922.mobileapplicationsindiabetes[J].DiabetesResClinPract,201[7]FlemingGA,PetrieJR,Bergenstal technology:benefits,challenges,andrecommendations.aconsensuseportbytheEuropeanAssociationfortCare,2020,43(1):250-260.DOI:10.2337/dci1P,KärajamäkiA,etal.Novelsubgroupsofadulclusteranalysisofsi018,6(5):361-369.DOI:10.1016/S2213-8587(18)30051-2.[9]中华医学会糖尿病学分会.中国2型糖尿病防治指南(2020年版)[J].中华糖尿病杂志，2021,13(4):317-411.DOI:10.3760/115791-20[10]PinaAF,MenesesMJ,Sousa-Limalearningtotacklediabetesmanagement[J].Eur3(1):e13890.DOI:10.1111/eci.13890.[11]WuYT,ZhangCJ,MolBW,etal.Earlypredictionofgestationalning[J].JClinEndocrinolMetab,2021,106(3):el191-e12database[J].NPJDigitMed,2020,3:118.DOI:10.1038riskofdevelopingtypeindependentexternalvalidationstudy[J][14]HatmalMM,Abdworksmodelforpredictingtype2diabetFokIpolymorphism,lipidprofileanddemographicdata[J].Biasel),2020,9(8):222.DOI:10.3390/biology9080222.iques[J].JPersMed,2022,12(6):905.DOI:-yearriskofincidentdiabetesealth,2021,9:626331.DOI:10.3389/fpubh.2021.626331.topredictdiabetescomplications[J].JDiabe2(2):295-302.DOI:10.1177/1932296817706375.[18]LjubicB,HaiAA,Stanojevicofdiabetesmellitususingadvancedmachinelearningalgorithms[J].JAmMedInformAssoc,2020,27(9):1343-1351.DOI:10.1093/jamia/ocaangfordiabeticretinopathy:thereal-worldemergingapplication[J].CurrDiabRep,2019,19(9):72.DOI:10.1007/s11892-019-1189-3.rdiabeticretinopathyOpinOphthalmol,2020,31(5):357-365.DOI:10.1097/ICU.OO0000000000[21]XieY,NguyenQD,HamzahH,etal.Artificieleophthalmology-baseddiabeticprogramme:aneconomicanalysismth,2020,2(5):e240-e249.DOI:10.1016/S2589-7500(20)30060-1.[22]ZhaoY,LiX,LiS,etal.Usingmachinedevelopriskpredictionmodelsf[J].FrontEndocrinol(Lausanne),2022,13:876559.D[23]SegarMW,VaduganathanM,Patelredicttheriskofincidentheartfailurehospit42(12):2298-2306.DOI:10.2337/dc19-0587.[24]KhitanZ,NathT,SanthanamP.Machineleaictingalbuminuriainpersonswithtype2diabetes:aeLOOKAHEADCohort[J].JClinHypertens(Greenwi[25]ZouY,ZhaoL,ZhangJ,etal.Develoonofmachinelearningalgorithmsforend-stagerenaldiseaseriskpredictionmodelofpeokidneydisease[J].RenFail,2022,44(1):562-570.DOI:10.1080/0886022X.2022.2056053.systeminyouthswithtype1diabetes[J].NatMed,2020,26(9)1384.DOI:10.1038/s415[27]NimriR,TiroshA,MullerI,etal.dailyinjectionstherapy[J].DiabetesTechnolTher,2022,24(8):564-572.DOI:10.1089/dia.2021.0566.tes[J].NatMetab,2020,2(7):612-619.DOI:1mobilephone-basedsystemversusself-estimationsofindividualswithtype1diabetesRes,2016,18(5):e101.DOI:10.2196/jmir.5567.[30]CapponG,VettorettiM,MarturanoF,asedapproachtopersonalizeinsulinboluscalculusglucosemonitoring[J].[31]ContrerasI,VehiJ.Artificialintelligencefo2018,20(5):e10775.DOI:10.2196/10775.timationofunannouncedmealsformultivariableartificialpystem[J].DiabetesTechnolTher,2018,20(3):235-24