人工智能可以通过心电图检测低血糖水平 而无需进行指尖测试

华威大学的研究人员开发了一种新技术，该技术使用无创可穿戴传感器通过ECG检测低血糖水平，该传感器具有最新的人工智能功能，可以从原始ECG信号中检测降血糖事件。

NHS目前提供连续血糖监测仪(CGM)，用于低血糖检测(血液或皮肤中的糖水平)。他们使用带小针头的侵入式传感器测量组织液中的葡萄糖，该传感器将警报和数据发送到显示设备。在许多情况下，他们需要每天两次使用有创手指刺血糖水平测试进行校准。

但是，沃里克大学的Leandro Pecchia博士的团队今天在2020年1月13 日发表在《自然史普林格》杂志《科学报告》上的一篇论文中证明了利用人工智能的最新发现(即深度学习)，他们可以发现使用现成的非侵入式可穿戴传感器获取的原始ECG信号产生的降血糖事件。

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，尽管是非侵入性的

华威大学工程学院的 Leandro Pecchia博士评论说：

“指尖永远不会令人愉悦，并且在某些情况下特别麻烦。晚上用手刺肯定不愉快，尤其是对于小儿科患者。

“我们的创新在于利用人工智能通过很少的心电图搏动自动检测低血糖。这是有意义的，因为在任何情况下(包括睡觉)都可以检测到ECG。”

该图显示了一段时间内算法的输出：绿线代表正常的葡萄糖水平，红线代表低的葡萄糖水平。水平线代表4mmol / L葡萄糖值，这被认为是降血糖事件的重要阈值。连续线周围的灰色区域反映了测量误差线。

Warwick模型突出显示了降血糖事件期间每个受试者的心电图如何变化。下图是一个示例。实线代表当葡萄糖水平正常(绿线)或低(红线)时两个不同受试者的平均心跳。红色和绿色阴影代表心跳周围平均值的标准偏差。比较突出显示这两个对象在次要事件期间的心电图波形变化不同。尤其是，受试者1在假想期间表现出明显更长的QT间隔，而受试者2则没有。

竖线表示每个心电图波在确定心跳是否分类为低或正常时的相对重要性。

从这些条形图上，受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，反映出当受试者处于低视状态时，心室的复极化较慢。

在受试者2中，ECG的最重要组成部分是P波和T波的上升，这表明当该受试者处于低水平时，心房的去极化和心室激活的阈值会受到特别影响。这可能会影响后续的临床干预。

由于使用每个受试者自己的数据训练了Warwick AI模型，因此可以得到此结果。主体间的差异是如此之大，以至于使用同类群组数据训练系统不会得出相同的结果。同样，基于我们系统的个性化治疗可能比当前方法更有效。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！