邹显彤副研究员：人工智能在2型糖尿病精准治疗中的应用

2023年8月26~27日，由北京大学人民医院内分泌科与《中国糖尿病杂志》社联合举办的“第三届内分泌与代谢性疾病防治前沿学习班”正式开讲。本次学习班上，北京大学人民医院内分泌科邹显彤副研究员做了题为“人工智能在2型糖尿病的精准治疗中的应用”的报告。

专家简介

邹显彤 MD PHD

北京大学助理教授、副研究员、硕士生导师

北京大学人民医院内分泌科主治医师

2014获英国爱丁堡大学心血管专业PHD学位，2016年获北京大学内科学MD学位

从事糖脂代谢异常的临床、基础及交叉研究

主持国家级课题1项、省部级课题2项

在Lancet Diabetes & Endocrinology、Hepatology、Diabetologia等SCI期刊发表文章17篇，总被引次近500次

Lancet Regional Health - Western Pacific、Metabolites、Cells等杂志审稿人

获得2019年北京市科技新星称号

一

人工智能及精准医学简介

人工智能（AI）是一种能够执行与人类智能相关的计算机算法。近年来，以机器学习与深度学习为代表的AI技术飞速发展。其中，机器学习能够建立并优化数据输入与输出之间的映射关系，自动地在数据中学习规律，广泛应用于数据挖掘与预测。作为机器学习的分支与延伸，深度学习通过形成人工神经网络的方式，能够学习更为复杂的数据特征。

精准治疗，即为合适的患者在合适的时间选择合适的治疗。在糖尿病的精准治疗方面，现有美国糖尿病协会（ADA）指南[1]旨在促进从宏观上实现个体化治疗，强调健康的生活方式、糖尿病自我管理教育与支持（DSMES）以及健康的社会决定因素（SDOH）的作用。AI技术的应用，有望为糖尿病的精准治疗带来突破。

二

社区和全科医疗场景药物治疗的AI支持

在社区和全科医疗场景下，智能糖尿病管理工具被广泛运用于糖尿病的诊断、预防、监测与治疗，显示出提供个体化医疗建议的巨大潜力。然而，这类软件的开发通常缺乏临床试验支持，且存在数据安全相关的风险。在疗效方面，一项有关血糖管理软件应用的研究表明，2型糖尿病患者相较于1型糖尿病患者在血糖控制方面的获益更大。

同时，AI辅助决策机器人也适用于在全科和社区医疗场景下提供专科医疗服务。2021年国际糖尿病联盟（IDF）年会[2]上举办了糖尿病诊治人机大赛，装载了指南知识的AI辅助决策机器人在比赛中取得了比人类医生更高的分数。然而，真正意义上的AI医生尚未诞生。仍需解决AI在问诊、信息提取、正确性与医疗安全相关方面的关键问题。

三

专科医生药物治疗应用场景的AI支持

邹显彤副研究员指出，AI在专科医生药物治疗应用场景下大致有如下3种策略：

01

“先分型-后治疗”策略

运用非监督式学习等机器学习方法，AI能够基于患者临床特征进行分型，促进“先分型-后治疗”临床诊疗路径的建立。基于这一策略，邹显彤医生团队在聚类分型的基础上建立了糖尿病精准分型，并通过对临床试验进行事后分型，制定针对每一分型的诊治策略。

然而，聚类分型的应用也存在挑战。首先，有研究表明，在对药物疗效的区分度上，聚类分型不如传统指标如HbA1c、年龄、BMI等。其次，尽管新一代的复杂分型已经形成了“分型-并发症-治疗反应”三位一体的分型策略，然而，这一策略需要采用的分型变量较为复杂，如需要患者基因组数据等，难以临床推广。

02

“风险分层，高危干预”策略

通过学习以往临床研究数据，AI能够对患者进行风险预测，精准区分高危人群，指导医生前期干预。基于“风险分层，高危干预”这一策略，邹显彤医生团队针对糖尿病患者的蛋白尿进展开发了ML-ACR模型[3]。该模型能够精准识别糖尿病尿蛋白进展的高危人群，并据此建议SGLT2i类药物的干预，具有很高的疗效区分度。

同时，针对糖尿病患者的心血管并发症，研究表明，常用心血管风险评估工具在糖尿病患者中的准确度不足。相较于传统模型，机器学习模型的准确度更高。邹显彤医生团队开发的ML-CVD系列模型运用机器学习算法，对以往并发症风险预测模型进行优化，取得了较高的预测效力。

然而，为了达到较高的预测准确度，高精度的模型势必需要增加预测变量的维度，而过多的预测指标会导致操作的复杂性，为临床医生使用预测模型带来不便。为改善方便性这一问题，邹显彤医生团队基于患者临床基本特征，建立了有效识别糖尿病进展的预测模型ML-PR，将临床预测指标由17个简化为5个，极大提高了模型的临床实用性。为更进一步实现预测模型的全自动化，邹显彤医生团队还开发了基于CT图像识别的全自动糖尿病风险预测分型系统[4]。模型能够自动分割和评估CT图像中脏器的脂肪占比，并据此预测糖尿病风险分型。该模型参数较多，需要解决运算力、运算时间的问题。

03

基于“药物应答”的个体化预测策略

机器学习等AI技术强大的数据学习能力与预测能力，推动了“预测药物疗效，寻找最适药物”这一精准诊疗模式的实现。既往研究表明，AI能够通过学习卡格列净对3P-MACE个体之间的疗效差异，做出个体化疗效的判断[3]。基于“药物应答”的个体化预测策略，邹显彤医生团队开发了ML-PANPPAR模型。该模型从临床试验中预测西格列他那的“应答者”，能够分析并反馈糖尿病患者服用西格列他钠的降糖反应，进一步指导患者精准用药[5]。有关机器学习在糖尿病诊疗的应用，已集成为ML-Diabetes网站[6]，方便大家使用（中文界面如下图所示）。

四

总结

综上，2型糖尿病是一种异质性较高的疾病，AI可以在全科及专科两种应用场景辅助糖尿病的精准治疗。专科医生应用场景主要包括：数据驱动的精准分型、基于风险分层的精准干预以及基于药物应答的药物选择。虽然AI具有改善糖尿病精准治疗的潜力，但目前仍需要解决模型的准确性、方便性、重复性、运算力等问题。

参考文献

（上下滑动可查看）

1. American Diabetes Association. Diabetes Care. 2023; 46(Suppl. 1): S1-S291.

2. IDF 2021 International Human-Machine Competition in Diabetes Management. December 7th, 2021.

3. Zou X, et al. Diabetologia. 2022; 65(9): 1424-1435.

4. Zou X, et al. Obesity (Silver Spring). 2023; 31(6): 1600-1609.

5. Huang Q, et al. Diabetes. 2023; 72(Suppl 1): 841-P.

6.http://diabetesmodels.com:9001/index?type=0

声明：本文仅供医疗卫生专业人士了解最新医药资讯参考使用，不代表本平台观点。该等信息不能以任何方式取代专业的医疗指导，也不应被视为诊疗建议，如果该信息被用于资讯以外的目的，本站及作者不承担相关责任。