人工智能无需指尖测试即可通过心电图检测低血糖水平

发表在《自然史普林格》杂志《科学报告》上的一篇论文证明，他们可以利用人工智能的最新发现(即深度学习)来发现由现成的无创可穿戴传感器采集的原始心电信号引起的低血糖事件。

对健康志愿者的两项试点研究发现，低血糖检测的平均灵敏度和特异性约为82%，与当前的CGM性能相当，尽管它是非侵入性的。

华威大学工程学院的Leandro Pagea博士评论道：

“指尖永远不会令人愉快。在某些情况下，它们特别麻烦。晚上绑手肯定不舒服，尤其是儿科病人。

“我们的创新在于使用人工智能自动检测低血糖，心电图跳动很少。这是有意义的，因为心电图可以在任何情况下检测到，包括睡觉。”

该图显示了算法在一段时间内的输出：绿线代表正常的葡萄糖水平，红线代表低血糖水平。水平线代表4 mol/L葡萄糖值，其被认为是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线。

Warwick模型强调每个受试者的心电图在低血糖事件期间如何变化。下图就是一个例子。实线代表葡萄糖水平正常(绿线)或低(红线)时两个不同受试者的平均心跳。红色和绿色阴影表示心跳周围平均值的标准偏差。强调在次要事件期间，这两个受试者的心电图波形变化是不同的。特别是，受试者1在虚期表现出明显更长的QT间期，而受试者2则没有。

垂直线表示在确定心跳是低还是正常时每个ECG波的相对重要性。

从这些柱状图中，经过训练的临床医生会看到，对于受试者1，T波位移会影响分类，反映受试者在低视力时，心室复极缓慢。

在第二个受试者中，心电图最重要的成分是P波和T波的上升，这表明受试者在低水平时，心房去极化和心室激动的阈值会受到很大影响。这可能会影响后续的临床干预。

之所以能得到这个结果，是因为华威AI模型是用每个被试自己的数据训练出来的。受试者之间的差异如此之大，以至于使用同一组数据的训练系统不会得到相同的结果。同样，基于我们的系统的个性化治疗可能比当前的方法更有效。