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式传感器通过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.Leandro Pecchia博士采用了这项新技术。来自华威大学。

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。

然而，沃里克大学的Leandro Pecchia博士的团队今天在2020年1月13日发表的结果发表在《自然·斯普林格》杂志上的题为《精密医学和人工智能:基于ECG的降血糖事件检测深度学习的初步研究》中科学报告证明，利用人工智能的最新发现(即深度学习)，他们可以从使用现成的非侵入式可穿戴传感器获取的原始ECG信号中检测降血糖事件。

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。在夜间服用指尖无疑是令人不快的，尤其是对于小儿科患者而言。

“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。这很重要，因为在任何情况下，包括睡眠中都可以检测到心电图。”

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。实线表示当葡萄糖水平正常(绿线)或低(红线)时两个不同受试者的平均心跳。红色和绿色阴影表示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，训练有素的临床医生看到，对于受试者1，T波位移会影响分类，反映出当受试者处于体位低下时，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来训练系统将不会产生相同的结果。同样，基于我们系统的个性化治疗可能比当前方法更有效。

Leandro Pecchia博士评论:

“以上突出显示的差异可以解释为什么以前使用ECG检测低血糖事件的研究失败了。这些受试者间差异将阻碍通过同类ECG数据训练的AI算法的性能。”

“我们的方法可以个性化地调整检测算法，并强调降血糖事件如何影响个体的心电图。根据这些信息，临床医生可以使治疗适应于每个个体。显然，需要更多的临床研究来确认更广泛人群中的这些结果。这就是为什么我们正在寻找合作伙伴。”

文章来源：《心电图杂志(电子版)》 网址: http://www.xdtzzzz.cn/zonghexinwen/2020/0709/379.html