英国华威大学的研究人员利用一种非侵入式可穿戴传感器，依靠最新的人工智能，从原始心电图信号中检测出低血糖水平。这项新技术由华威大学的Leandro Pecchia博士研发。

目前，英国国家医疗服务体系(NHS)提供连续血糖监测仪(CGM)用于检测低血糖(血液或皮肤中的血糖水平)。他们使用带有小针头的侵入式传感器测量组织液中的葡萄糖，并向显示设备发送警报和数据。在许多情况下，他们需要每天两次的校准与侵入性的手指刺血糖水平测试。

然而，华威大学Leandro Pecchia博士团队在1月13日在Nature Springer期刊Scientific Reports上发表了一篇新论文，题为“精密医学和人工智能: 基于心电图试点研究深度学习低血糖事件检测，证明利用人工智能的最新发现(如深度学习)，可以通过非侵入性可穿戴传感器从原始心电图信号中检测低血糖事件。

两项针对健康志愿者的试点研究发现，低血糖检测的平均敏感性和特异性约为82%，与目前的CGM性能相当，但无创。

华威大学工程学院的Leandro Pecchia博士评论道:

“从手指头才学从来都不舒服，在某些情况下还特别麻烦。夜间从手指头采血当然是不愉快的，特别是对儿童来说。”

“我们的创新在于利用人工智能通过几次心电图跳动来自动检测低血糖。这是非常有用的，因为心电图可以在任何情况下检测到，包括睡眠。”

图中显示了算法随时间的输出:绿线表示正常血糖水平，红线表示低血糖水平。横线表示4mmol/L的葡萄糖值，该值被认为是发生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。

沃里克模型强调了每个受试者在低血糖事件中心电图的变化。下图是一个范例。实线表示两个不同受试者在血糖水平正常(绿线)或较低(红线)时的平均心跳。红色和绿色的阴影代表心跳在平均值附近的标准偏差。

比较表明，这两名受试者在低血糖事件中心电图波形变化不同。特别是，受试者1在低氧期QT间期明显延长，而受试者2则不然。

垂直竖线表示每个心电波在判断心跳是低血糖跳动还是正常时的相对重要性。

从这些条形图中，一位训练有素的临床医生看到，受试者1的T型波的位移，反映出当受试者处于低氧状态时，心室的复极速度较慢。

在受试者2中，心电图最重要的组成部分是P型波和T型波的升高，这表明当受试者处于血糖降低状态时，心房的去极化和心室激活的阈值受到了特别的影响。这可能会影响随后的临床干预。

这个结果是可能的，因为华威的人工智能模型是用每个受试者自己的数据训练的。主体间差异如此之大，以至于使用队列数据训练系统不会得到相同的结果。同样，基于这个系统的个性化治疗可能比当前的方法更有效。

Leandro Pecchia博士评论道:

“上述的差异可以解释为什么先前使用心电图检测低血糖事件的研究失败了。在队列心电图数据上训练的人工智能算法的性能将受到这些学科间差异的阻碍。”

“我们的方法能够对检测算法进行个性化调整，并强调低血糖事件如何影响个体心电图。基于这一信息，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证实这些结果在更广泛人群的作用。这就是我们寻找合作伙伴的原因。”