圖片來源：華威大學
華威大學的研究人員開發了一種新技術，該技術使用無創可穿戴傳感器通過ECG檢測低血糖水平，該傳感器具有最新的人工智慧，可以從原始ECG信號檢測降血糖事件。
目前，NHS可提供連續血糖監測儀（CGM）用於低血糖檢測（血液或皮膚中的糖水平）。他們使用帶小針頭的侵入式傳感器測量組織液中的葡萄糖，該傳感器將警報和數據發送到顯示設備。在許多情況下，他們需要每天兩次使用有創手指刺血糖水平測試進行校準。
但是，沃里克大學的Leandro Pecchia博士的團隊今天（2020年1月13日）在Nature Springer上發表了題為「精密醫學和人工智慧：基於ECG的降血糖事件檢測深度學習的先導研究」的論文《科學報告》雜誌證明，利用人工智慧的最新發現（即深度學習），他們可以從使用現成的非侵入式可穿戴傳感器獲取的原始ECG信號中檢測出降血糖事件。
兩項針對健康志願者的試點研究發現，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，儘管是非侵入性的
華威大學工程學院的Leandro Pecchia博士評論說：
「指尖永遠不會令人愉悅，並且在某些情況下特別麻煩。在夜間服用指尖無疑是令人不快的，尤其是對於小兒科患者而言。
「我們的創新在於利用人工智慧通過很少的心電圖搏動自動檢測低血糖。這很重要，因為在任何情況下，包括睡眠中都可以檢測到心電圖。」
該圖顯示了一段時間內算法的輸出：綠線代表正常的葡萄糖水平，紅線代表低的葡萄糖水平。水平線代表4mmol / L葡萄糖值，這被認為是降血糖事件的重要閾值。連續線周圍的灰色區域反映了測量誤差線。
圖片來源：華威大學
Warwick模型突出顯示了降血糖事件期間每個受試者的心電圖如何變化。下圖是一個示例。實線表示當葡萄糖水平正常（綠線）或低（紅線）時兩個不同受試者的平均心跳。紅色和綠色陰影表示心跳周圍平均值的標準偏差。比較突出顯示這兩個對象在次要事件期間的心電圖波形變化不同。尤其是，受試者1在假想期間表現出明顯更長的QT間隔，而受試者2則沒有。
豎線表示每個心電圖波在確定心跳是否分類為低或正常時的相對重要性。
從這些條形圖上，訓練有素的臨床醫生看到，對於受試者1，T波位移會影響分類，反映出當受試者處於體位低下時，心室的復極化較慢。
在受試者2中，ECG的最重要組成部分是P波和T波的上升，這表明當該受試者處於低水平時，心房的去極化和心室激活的閾值會受到特別影響。這可能會影響後續的臨床干預。
由於使用每個受試者自己的數據訓練了Warwick AI模型，因此可以得到此結果。主體間的差異是如此之大，以至於使用同類群組數據來訓練系統將不會產生相同的結果。同樣，基於我們系統的個性化治療可能比當前方法更有效。
Leandro Pecchia博士評論：
「以上突出顯示的差異可以解釋為什麼以前使用ECG檢測低血糖事件的研究失敗了。這些受試者間差異將阻礙通過同類ECG數據訓練的AI算法的性能。」
「我們的方法可以個性化地調整檢測算法，並強調降血糖事件如何影響個體的心電圖。根據這些信息，臨床醫生可以使治療適應於每個個體。顯然，需要更多的臨床研究來確認更廣泛人群中的這些結果。這就是為什麼我們正在尋找合作夥伴。」