人工智能增强型可穿戴设备，如连续血糖监测仪（CGMs），已显著提高了糖尿病患者甚至前期糖尿病患者更好地理解和控制血糖的能力。但关于AI增强型可穿戴设备的研究参差不齐，往往仅关注少数几种设备、数据类型和AI模型。
布法罗大学的研究人员在《npj Digital Medicine》杂志上发表了首项针对前期糖尿病和2型糖尿病患者的AI增强型可穿戴设备的全面元综述（对研究的研究）。他们的结论是，这些设备具有巨大潜力，一旦克服某些挑战，这些潜力将得以实现。
当看到AI增强型CGM可以每几分钟提供一次数据，而不是每天仅提供几次读数时，该研究的通讯作者、UB雅各布斯医学院和生物医学科学学院医学副教授拉斐尔·弗雷泽博士清楚地认识到AI增强型可穿戴设备对糖尿病患者的帮助程度。
从后视镜到抬头显示器
弗雷泽说："随着新型AI模型展现出识别模式并在血糖变化发生前进行预测的能力，很明显，糖尿病护理可以从在问题发生后作出反应，转变为预见和预防问题。" "那一刻，我意识到AI确实可以改变日常管理和长期结果。AI将CGM从后视镜转变为抬头显示器。"
"对于糖尿病患者，AI赋能的可穿戴设备有可能提供更及时和个性化的指导，帮助他们避免血糖波动并更有信心地管理日常决策，" 弗雷泽说。"对于临床医生来说，关键收获是这些工具可能有助于更早识别风险并支持更高效的护理。"
虽然需要更大规模的研究来评估CGM对前期糖尿病患者的益处，但早期使用可穿戴设备结合AI可能支持生活方式改变，甚至可能延迟或预防发展为糖尿病。
该领域的研究正在迅速增长，但迄今为止的研究分散在不同的设备、数据类型和AI模型之间，使得难以看到整体情况。
识别最佳方法和需解决的差距
弗雷泽解释说："我们希望将所有内容汇总在一起，以了解我们实际知道什么、什么已经得到一致证实以及证据仍然薄弱的地方。" "我们的目标是确定哪些方法似乎最有效、局限性在哪里，以及在AI赋能的可穿戴设备成为临床护理中的常规工具之前需要解决哪些差距。"
这些研究人员均来自UB医学院人口健康部门，他们从5,000项同行评审研究中选出了60项研究，这些研究考察了AI和可穿戴技术在糖尿病管理中的整合。
有许多积极的发现。弗雷泽说："AI增强型可穿戴设备可以提前1-2小时预测血糖变化，帮助个人保持更稳定的控制，并接收反映其日常作息、活动水平和睡眠模式的个性化指导。"
这些系统还有可能通过筛选大量数据并突出需要关注的内容来减少临床工作量。
但研究人员也发现AI增强型可穿戴设备存在问题的方面；例如，AI增强型可穿戴设备基于不同的AI模型，这些模型必须在广泛采用前透明化并得到验证，弗雷泽说。
弗雷泽解释说："许多AI模型作为'黑箱'运行，使临床医生和患者难以理解或信任其建议，" "这限制了它们在指导前期糖尿病和2型糖尿病患者的日常决策中的有用性。"
例如，他说，一个AI赋能的血糖应用程序可能会警告用户他们的血糖可能在接下来的30分钟内上升，但不会提供任何关于触发预测的原因的见解，无论是最近的餐食、活动减少、压力升高、睡眠不良还是正常的日常波动。
弗雷泽说："当人们看不到警报背后的'原因'时，他们难以决定采取什么行动，使该工具在现实生活中帮助大大减少。"
他补充说，在一些研究中，有限的样本量和狭窄的人口统计代表性降低了研究结果的广泛适用性。此外，缺乏标准化的基准数据集意味着结果并不总是容易在研究之间进行比较。实际障碍，如研究中包含的数据质量不一致、在临床工作流程中的有限整合，以及可穿戴设备的成本和可及性，也阻碍了这些设备的广泛采用，弗雷泽说。
选择最佳AI模型
另一个影响CGM对患者和临床医生效果的因素是它使用的AI模型类型。
弗雷泽解释说："不同的AI模型适用于不同类型的数据和预测任务。" "旨在学习随时间模式的模型，如长短期记忆网络或类似架构，往往在连续血糖数据上表现更好，因为它们可以跟踪趋势并预测未来变化，" 他说。"像Transformer这样的新型模型特别擅长整合多种形式的数据，如血糖、心率、睡眠和身体活动，这可以更全面地了解身体的代谢状态。"
然而，他补充说，有时更简单的模型更容易被临床医生解释。"因此，挑战不仅仅是选择最强大的模型，而是选择一个不仅表现良好，而且易于理解和临床可信的模型，" 他说。"'正确的'AI是适合数据并且可以在医生办公室解释的AI。"
更多信息： 拉斐尔·A·弗雷泽等人，《人工智能与可穿戴技术在糖尿病和前期糖尿病管理中的整合》，《npj Digital Medicine》（2025）。DOI: 10.1038/s41746-025-02036-9
期刊信息： npj Digital Medicine
由布法罗大学提供
【全文结束】
