可穿戴設備機器學習可以預測糖尿病前期患者的近期血糖控制

賓夕法尼亞大學的研究人員發現，使用可穿戴設備，尤其是手腕上的設備，以及機器學習方法可以預測血糖控制。一組研究人員不再依賴只能預測患者血糖控制是否會在未來5到10年內從前驅糖尿病發展為糖尿病的傳統方法，而是發現將來自可穿戴顯示器的實時數據和機器學習方法相結合可以創造只需六個月的數據即可準確和近期的血糖控制預測。

這項由賓夕法尼亞大學佩雷??爾曼醫學院領導的研究為通過更直接的干預措施潛在地預防該人群中的許多人患糖尿病打開了大門。這些發現發表在NPJDigitalMedicine上。

“雖然三分之一的成年人患有糖尿病前期，但我們缺乏一種實時識別患者是否正在發展或遠離發展為糖尿病的方法，”主要作者、醫學博士、工商管理碩士、副教授MiteshPatel說賓夕法尼亞大學醫學博士和Ascension臨床轉化副總裁。“衛生系統和保險公司可能能夠使用此類信息來更好地推薦行為或藥物的改變以預防糖尿病，就像風險預測評分已經被用于預防心臟病一樣。”

糖尿病前期是指患者的血糖升高，但未達到糖尿病的水平。這些患者有發展為該疾病的風險，因此醫生通常根據為預測血糖控制而開發的模型(技術上稱為“血糖”控制)以及時間點基線數據(例如測試或從約會中收集到的信息。短期預測數據仍然有限，大多數預測集中在未來5到10年。

在預防方面還有很多不足之處。因此，PennMedicine的研究人員著手研究是否可以創建一個模型，使預測更加直接，使用可穿戴設備和預測公式的組合，應用或不應用機器學習技術。

參與者是通過PennMedicine招募的，并被隨機分配到研究的不同分支。每位患者都獲得了一個跟蹤身體活動、心率和睡眠活動的設備，并被分配了一個佩戴在手腕或腰部的可穿戴設備。這些設備與WaytoHealth同步，這是一個用于跟蹤數據的PennMedicine平臺，該平臺每天都從設備中提取信息。所有患者還接受了類似同步的電子體重秤。六個月后，每位患者都接受了實驗室測試和最后的稱重。總共有150名參與者完成了這項研究。

當研究小組分析他們的數據時，他們發現，幾乎全面，使用腕部可穿戴設備的患者對血糖控制的預測明顯更好。這包括患者的血糖控制是否更好或惡化。研究人員注意到，佩戴腕部設備的患者比佩戴腰部可穿戴設備的患者平均多走1000步。

“這是一項隨機試驗，因此基線時的活動水平應該相似，但由于我們發現腕戴用戶的步數更高，這可能表明他們在一天中佩戴設備的時間更長，”帕特爾說。“與腰部佩戴的可穿戴用戶相比，這可能導致預測的差異。”

將機器學習預測模型與使用的傳統模型進行比較，研究人員發現機器學習模型具有一致的優勢。當數據按使用的設備類型細分時，與腕戴設備配對時，機器學習的預測能力會變得更強。

然而，當機器學習方法也與傳統模型相結合(并與腕戴式設備配對)時，預測能力最高。

研究人員表示，下一步是將研究使用的預測模型整合到正常護理系統中，以覆蓋更廣泛的患者群體。這可能是一個輕微的障礙，但賓夕法尼亞大學已經憑借其開發的平臺占據了一席之地。

“組織需要一個可擴展的平臺來捕獲和綜合這些數據，并在理想情況下生成自動響應，以便可以大規模提供反饋，”資深作者、健康激勵和行為經濟學中心主任KevinVolpp醫學博士說。“我們開發了WaytoHealth平臺，Penn已經使用該平臺成功地將遠程患者監測數據整合到各種臨床環境中的臨床護理中。這個平臺被的許多組織使用，健康之路或類似的東西可以用來幫助更廣泛地實施這些類型的方法。”