西达赛奈健康科学大学研究人员开发了一种基于人工智能的模型，能够识别住院患者在低血糖发生前长达24小时的风险。这种长短期记忆(LSTM)模型发表在《npj Digital Medicine》期刊上，可以帮助临床医生更早干预，预防并发症，包括在严重情况下可能发生的抽搐、昏迷和长期心律失常。
该模型解决了医院护理中长期存在的一个挑战。低血糖，也称为低血糖症，是住院患者中常见且可能危及生命的并发症，包括接受糖尿病治疗的患者、手术前禁食的患者或重症监护患者。然而，目前尚无广泛使用的工具来预测哪些住院患者可能会出现低血糖。
"目前，大多数医院对低血糖的处理是被动反应式的，即在患者血糖下降后我们才进行干预，"该研究的高级作者、医学部质量和创新副主任兼糖尿病项目主任Roma Gianchandani博士表示。
模型如何追踪风险
西达赛奈研究人员开发的AI模型分析患者电子健康记录中的药物、实验室结果、饮食和其他数据的模式。该模型在为期五天的时间内每四小时收集一次信息，并利用这些信息预测患者是否会在未来24小时内出现低血糖。
研究人员使用了2014年至2025年间西达赛奈医疗系统三家医院超过14.3万例成年患者住院数据来开发和测试该模型。研究人员还使用前瞻性医院数据测试了该工具，以确认他们的初步发现。
该研究的主要作者、西达赛奈Meyer研究中心项目科学家Amanda Momenzadeh博士表示："该AI模型旨在患者出现低血糖前向护理团队发出警报，并识别导致该风险的关键因素。通过向护理团队提供可操作的见解，它还旨在支持医院糖尿病管理计划。"
医院中的潜在影响
研究人员估计，该工具可以帮助大型医院每天预防约3-4例低血糖事件。如果推广到全球所有医院病床，其影响将十分显著。
该研究的高级作者、西达赛奈计算生物医学系助理教授Jesse Meyer博士表示："令人兴奋的是，这不仅仅是一个理论模型，而是构建并验证为可以使用医院已收集的数据进行实时前瞻性工作的工具。通过更早地识别高风险患者，我们有机会减少可预防的并发症并提高患者安全性。"
如果广泛采用，该模型可能会为患有糖尿病和其他影响血糖状况的住院患者提供更主动、数据驱动的护理。
Amanda Momenzadeh等人，《住院患者低血糖预测的实时深度学习模型的开发与前瞻性评估》，《npj Digital Medicine》(2026)。DOI: 10.1038/s41746-026-02874-1
期刊信息：《npj Digital Medicine》
由西达赛奈医疗中心提供
【全文结束】