图片

这篇文章介绍了一种利用迁移学习预测数字孪生的护士参与式人工智能（AI）系统，用于2型糖尿病的精准管理。

 

随着全球范围内2型糖尿病（T2D）发病率的不断攀升，其带来的严重并发症和生活质量负面影响已成为全球公众健康面临的重大挑战。鉴于个体特征和生活方式对治疗方案及患者预后的显著影响，迫切需要开发精准且个性化的管理策略。

 

图片

传统的T2D管理方法主要依赖于药物治疗和患者自我管理教育，但往往难以实现长期有效的血糖和体重控制。近年来，机器学习算法的应用为提高血糖控制水平提供了新的思路，其中包括支持向量机、高斯过程、集成方法、多层感知器、时间序列卷积神经网络、深度卷积神经网络以及循环神经网络（RNN）和长短期记忆（LSTM）模型等。然而，这些方法在处理小样本和不平衡数据集时，以及在结合护士专业知识和患者个性化数据方面存在局限性，且大多数研究侧重于胰岛素输注设备的控制而非提供饮食和活动建议。因此，本研究提出了一种护士参与式的人工智能反馈系统，利用迁移学习预测数字孪生模型和进化优化的在线控制模型，实现对2型糖尿病患者的血糖和体重的精准管理。

图片

该研究是一项辅助性随机对照试验（RCT），与主要RCT同时进行。其模型开发和分析包括数据预处理、预测模型构建、优化、评估以及在环控制模型的开发。数据来源于6个月、分层、随机对照试验中，通过移动健康设备收集。研究招募了60名超重/肥胖的成年人（18岁及以上），其中包括40名T2D患者。患者被随机分配到酮类饮食或低脂、低热量饮食组，并自我监测饮食。
研究的核心是在线控制模型，它利用了一个基于人工神经网络的预测数字孪生模型，该模型通过迁移学习进行训练。预测数字孪生模型接收患者的自我监测数据（体重、食物日志、身体活动和血糖）作为输入，并预测患者的未来状态。此外，该模型还结合了护士的专业知识，通过进化优化算法在移动健康设备中提供每日建议。

 

图片

研究结果表明，经过训练的护士参与式预测管理模型在所有患者中实现了≥80%的预测准确率。干预组的参与者表现出每日步数改善的趋势，总热量和总碳水化合物摄入量稳定或改善。与基线相比，干预组表现出显著的体重减轻（p值为4.7331-8，平均为5.871磅），并在一段时间内维持血糖水平（p值为0.661）。
总之，本研究开发了一种利用迁移学习预测数字孪生技术的护士参与式人工智能模型，该模型可通过提供基于人工智能的个性化反馈来促进T2D患者的自我管理。该模型利用基于迁移学习的人工神经网络作为预测数字孪生，学习T2D患者在特定饮食下的特征。研究结果表明，该模型在改善体重和血糖控制方面具有潜力，为T2D患者的精准管理提供了一种创新方法。未来研究应进一步验证其有效性和可行性，并探索其在更广泛患者群体中的应用。