人工智能无需指尖测试即可通过心电图检测低血糖水平

华威大学的研究人员开发了一种新技术，使用非侵入式可穿戴传感器通过心电图检测低血糖。该传感器具有最新的人工智能功能，可以从原始心电信号中检测低血糖事件。

NHS目前提供连续血糖监测器(CGM)用于检测低血糖(血液或皮肤中的血糖水平)。他们使用一个带有小针头的侵入式传感器来测量组织液中的葡萄糖，然后将警报和数据发送到显示设备。在许多情况下，他们需要使用侵入性手指点刺血糖水平测试每天两次进行校准。

然而，来自华威大学的Leandro Pecchia博士团队在2020年1月13日发表在《自然史普林格》杂志《科学报告》上的一篇论文中证明，他们可以发现由现成的无创可穿戴传感器获得的原始心电图信号引起的低血糖事件。

对健康志愿者的两项试点研究发现，低血糖检测的平均灵敏度和特异性约为82%，与当前的CGM性能相当，尽管它是非侵入性的

华威大学工程学院的莱安德罗佩奇亚博士评论道：

“指尖从来都不是令人愉快的，在某些情况下，它们特别麻烦。晚上用手刺肯定不舒服，尤其是儿科病人。

“我们的创新之处在于，利用人工智能自动检测低血糖，心电图跳动很少。这是有道理的，因为心电图可以在任何情况下(包括睡觉)检测到。”

该图显示了一段时间内算法的输出：绿线代表正常葡萄糖水平，红线代表低葡萄糖水平。水平线代表4摩尔/升葡萄糖值，这被认为是低血糖事件的重要阈值。实线周围的灰色区域反映了测量误差线。

沃里克模型强调了在低血糖事件中每个受试者的心电图是如何变化的。下图就是一个例子。实线表示葡萄糖水平正常(绿线)或低(红线)时两个不同受试者的平均心跳。红色和绿色阴影代表心跳周围平均值的标准偏差。对比突出显示，在次要事件期间，这两个受试者的心电图波形变化不同。特别是，受试者1在假设期间显示出明显更长的QT间期，而受试者2没有。

垂直线表示在确定心跳是属于低还是正常时每个心电图波的相对重要性。

从这些条形图中，训练有素的临床医生可以看到，对于受试者1，T波位移将影响分类，反映受试者处于低位时心室复极缓慢。

在受试者2中，心电图最重要的成分是P波和T波的上升，这表明当受试者处于低水平时，心房去极化和心室激活的阈值会受到特别大的影响。这可能会影响后续的临床干预。

之所以能得到这个结果，是因为华威AI模型是利用每个被试自己的数据进行训练的。受试者之间的差异如此之大，以至于使用相同的组数据来训练系统不会产生相同的结果。同样，基于我们系统的个性化治疗可能比目前的方法更有效。

莱安德罗佩奇亚博士的评论：

“上面强调的差异可以解释为什么以前使用心电图检测低血糖事件的研究失败了。这些对象之间的差异会阻碍由相似组的心电图数据训练的AI算法的性能。”

“我们的方法可以个性化检测算法，并强调低血糖事件如何影响个人心电图。基于这些信息，临床医生可以使治疗适应每个人。显然，需要更多的临床研究来在更广泛的人群中证实这些结果。这就是我们寻找合作伙伴的原因。”