Sztuczna inteligencja wspiera personalizację monitorowania glikemii u chorych na cukrzycę typu 1

Naukowcy z Jeonbuk National University opracowali nowy model sztucznej inteligencji, który może znacząco poprawić dokładność prognozowania poziomu glukozy we krwi u pacjentów z cukrzycą typu 1. Hybrydowy system integruje trzy komplementarne komponenty uczenia maszynowego, aby rozwiązać kluczowe problemy związane z indywidualną zmiennością fizjologiczną pacjentów oraz z ograniczoną zdolnością istniejących modeli do adaptacji do nowych użytkowników. Wyniki badań opublikowano w czasopiśmie Scientific Reports.

Cukrzyca typu 1 i wyzwania w kontroli glikemii

Cukrzyca typu 1 (T1D) jest chorobą autoimmunologiczną, w której układ odpornościowy niszczy komórki β trzustki produkujące insulinę. W konsekwencji pacjenci są zmuszeni do ciągłego monitorowania stężenia glukozy we krwi oraz stosowania insuliny w postaci iniekcji lub poprzez pompy insulinowe.

Precyzyjna kontrola glikemii jest kluczowa, ponieważ nawet niewielkie błędy w ocenie poziomu glukozy lub dawkowaniu insuliny mogą prowadzić do hipoglikemii lub hiperglikemii. Nieleczone zaburzenia metaboliczne zwiększają ryzyko powikłań ostrych oraz przewlekłych, w tym retinopatii, nefropatii, neuropatii czy powikłań sercowo-naczyniowych.

Systemy ciągłego monitorowania glukozy i rola sztucznej inteligencji

Systemy ciągłego monitorowania glukozy (Continuous Glucose Monitoring – CGM) stanowią jedno z najważniejszych narzędzi wspierających kontrolę metaboliczną u pacjentów z cukrzycą typu 1. Urządzenia te umożliwiają rejestrowanie poziomu glukozy w czasie rzeczywistym oraz przewidywanie przyszłych wartości glikemii.

W ostatniej dekadzie intensywnie rozwijano modele sztucznej inteligencji mające zwiększyć dokładność predykcji w systemach CGM. Jednak ich zastosowanie w praktyce klinicznej napotyka istotne ograniczenia. Najważniejsze z nich to znaczne różnice fizjologiczne między pacjentami oraz trudności w dostosowaniu modeli do nowych użytkowników, dla których dostępna jest niewielka liczba danych treningowych.

Dodatkowym problemem jest fakt, że wiele dotychczasowych modeli koncentruje się wyłącznie na krótkoterminowych lub wyłącznie na długoterminowych wzorcach zmian glikemii, nie integrując obu tych perspektyw.

Hybrydowy model BiT-MAML

Zespół badawczy kierowany przez prof. Jaehyuka Cho z Department of Software Engineering w Jeonbuk National University opracował nowy model sztucznej inteligencji o nazwie BiT-MAML, zaprojektowany w celu poprawy personalizacji predykcji poziomu glukozy we krwi.

Model wykorzystuje hybrydową architekturę, która integruje dwa zaawansowane podejścia deep learning:

• Bi-LSTM (Bidirectional Long Short-Term Memory) – sieć rekurencyjna analizująca dane szeregów czasowych w obu kierunkach, co umożliwia dokładne wychwycenie krótkoterminowych wzorców zmian glikemii.
  • Transformer – architektura wykorzystująca mechanizm wielogłowej uwagi (multi-head attention), pozwalająca modelować długoterminowe zależności i cykliczne zmiany związane z trybem życia, dietą czy aktywnością fizyczną.

Podczas procesu uczenia zastosowano podejście meta-learningowe Model-Agnostic Meta-Learning (MAML). Metoda ta umożliwia szybkie dostosowanie modelu do nowych pacjentów przy wykorzystaniu jedynie niewielkiej ilości danych treningowych. Model uczy się na podstawie szerokiego zbioru danych pochodzących od różnych pacjentów, dzięki czemu jest w stanie szybciej adaptować się do nowych profili metabolicznych.

Jak podkreśla prof. Cho:
„Dynamika poziomu glukozy we krwi nie jest taka sama u wszystkich pacjentów. Wzorce fizjologiczne osoby starszej mogą znacząco różnić się od wzorców obserwowanych u młodego dorosłego. Nasz model pokazuje, że tę zmienność można uwzględnić poprzez tworzenie bardziej spersonalizowanych systemów predykcyjnych.”

Walidacja modelu i ocena zdolności generalizacji

Aby ocenić skuteczność modelu, badacze zastosowali schemat walidacji Leave-One-Patient-Out Cross-Validation (LOPO-CV). W tej metodzie model jest trenowany na danych pochodzących od kilku pacjentów, a następnie testowany na danych nowego pacjenta, których wcześniej nie „widział”.

W praktyce oznaczało to trenowanie modelu na danych pięciu pacjentów i testowanie jego skuteczności na szóstym pacjencie. Taka procedura pozwala ocenić zdolność modelu do generalizacji, czyli przewidywania poziomu glukozy u nowych użytkowników.

Znacząca redukcja błędu predykcji

Wyniki badań wykazały, że model BiT-MAML osiąga istotnie niższy błąd predykcji w porównaniu z konwencjonalnymi modelami opartymi wyłącznie na LSTM.

Błąd prognozy wahał się od 19,64 mg/dL u jednego pacjenta do 30,57 mg/dL u innego. Wyniki te potwierdzają poprawę dokładności prognozowania glikemii, choć jednocześnie pokazują, że zmienność między pacjentami pozostaje istotnym wyzwaniem dla modeli predykcyjnych w realnych warunkach klinicznych.

Znaczenie dla przyszłych systemów monitorowania glikemii

Autorzy badania podkreślają, że rozwój skutecznych, spersonalizowanych systemów prognozowania glikemii wymaga zaawansowanych modeli sztucznej inteligencji oraz rygorystycznych metod ich oceny.

Zastosowanie takich rozwiązań może przyczynić się do stworzenia bardziej precyzyjnych systemów CGM, które będą skutecznie wspierać pacjentów z cukrzycą typu 1 w różnych grupach wiekowych – od dzieci po osoby starsze. W dłuższej perspektywie może to poprawić kontrolę metaboliczną, ograniczyć ryzyko powikłań oraz zwiększyć bezpieczeństwo terapii insulinowej.

Źródło: Scientific Reports, Artificial intelligence model for personalized blood glucose prediction
DOI: https://doi.org/10.1038/s41598-025-13491-5