英國華威大學的研究人員利用一種非侵入式可穿戴傳感器，依靠最新的人工智能，從原始心電圖信號中檢測出低血糖水平。這項新技術由華威大學的Leandro Pecchia博士研發。

目前，英國國家醫療服務體系（NHS）提供連續血糖監測儀（CGM）用于檢測低血糖（血液或皮膚中的血糖水平）。他們使用帶有小針頭的侵入式傳感器測量組織液中的葡萄糖，并向顯示設備發送警報和數據。在許多情況下，他們需要每天兩次的校準與侵入性的手指刺血糖水平測試。

然而，華威大學Leandro Pecchia博士團隊在1月13日在Nature Springer期刊Scientific Reports上發表了一篇新論文，題為“精密醫學和人工智能： 基于心電圖試點研究深度學習低血糖事件檢測，證明利用人工智能的最新發現（如深度學習），可以通過非侵入性可穿戴傳感器從原始心電圖信號中檢測低血糖事件。

兩項針對健康志愿者的試點研究發現，低血糖檢測的平均敏感性和特異性約為82%，與目前的CGM性能相當，但無創。

華威大學工程學院的Leandro Pecchia博士評論道：

“從手指頭才學從來都不舒服，在某些情況下還特別麻煩。夜間從手指頭采血當然是不愉快的，特別是對兒童來說?！?/p>

“我們的創新在于利用人工智能通過幾次心電圖跳動來自動檢測低血糖。這是非常有用的，因為心電圖可以在任何情況下檢測到，包括睡眠。”

圖中顯示了算法隨時間的輸出：綠線表示正常血糖水平，紅線表示低血糖水平。橫線表示4mmol/L的葡萄糖值，該值被認為是發生低血糖事件的重要閾值。實線周圍的灰色區域反映了測量誤差。

沃里克模型強調了每個受試者在低血糖事件中心電圖的變化。下圖是一個范例。實線表示兩個不同受試者在血糖水平正常（綠線）或較低（紅線）時的平均心跳。紅色和綠色的陰影代表心跳在平均值附近的標準偏差。

比較表明，這兩名受試者在低血糖事件中心電圖波形變化不同。特別是，受試者1在低氧期QT間期明顯延長，而受試者2則不然。

垂直豎線表示每個心電波在判斷心跳是低血糖跳動還是正常時的相對重要性。

從這些條形圖中，一位訓練有素的臨床醫生看到，受試者1的T型波的位移，反映出當受試者處于低氧狀態時，心室的復極速度較慢。

在受試者2中，心電圖最重要的組成部分是P型波和T型波的升高，這表明當受試者處于血糖降低狀態時，心房的去極化和心室激活的閾值受到了特別的影響。這可能會影響隨后的臨床干預。

這個結果是可能的，因為華威的人工智能模型是用每個受試者自己的數據訓練的。主體間差異如此之大，以至于使用隊列數據訓練系統不會得到相同的結果。同樣，基于這個系統的個性化治療可能比當前的方法更有效。

Leandro Pecchia博士評論道：

“上述的差異可以解釋為什么先前使用心電圖檢測低血糖事件的研究失敗了。在隊列心電圖數據上訓練的人工智能算法的性能將受到這些學科間差異的阻礙?！?/p>

“我們的方法能夠對檢測算法進行個性化調整，并強調低血糖事件如何影響個體心電圖。基于這一信息，臨床醫生可以使治療適應每個人。顯然，需要更多的臨床研究來證實這些結果在更廣泛人群的作用。這就是我們尋找合作伙伴的原因。”