人工智能还不是医学中的常规设备，但它可能很快会改变医生处理医疗保健的方式，包括糖尿病并发症的预测和诊断。

根据加州大学旧金山分校临床医学教授，米尔斯半岛医学中心糖尿病研究所医学博士医学主任David C.Klonoff的说法：使用人工智能，医生可以结合大量数据源来捕捉患者在某个时间点的情况，识别具有特定数据组合的结果，然后计算个体患者发展为特定疾病的可能性或并发症。


图片来源：pixabay

Klonoff说：我们的想法是，信息非常详细，您可以访问大型数据库中如此多的患者，因此您可以很好地预测接下来会发生什么。

AI在这里起着关键作用：虽然个体医生可以分析相对少量的信息，但AI可以处理来自许多来源的大量数据。这种能力就是为什么它可能在糖尿病护理领域被证明如此改变游戏规则的原因。

Klonoff说：并不是说结论超出了人脑所能想出的范围。事实上，人类通常可以得出相同的结论。然而，数据的组合如此之多，在某些情况下，关系非常小。要将所有这些关系关联起来，人类需要数月甚至数年才能得出结论。因此，虽然从理论上讲，人脑可以做到这一点，但实际情况是，对于特定的患者，医生没有几个月或几年的时间来得出结论。他们想立即做出预测，为此，我们有计算机和AI来处理。

海量数据

根据Klonoff的说法，在糖尿病护理中考虑人工智能时，可以使用许多数据源，包括遗传学、基因组学、血液测试、医疗记录、药物记录和保险索赔。

Klonoff指出，尤其是对于糖尿病而言，来自可穿戴设备（例如连续血糖监测仪或运动监测仪）的新陈代谢数据，以及使用节律带、可穿戴血压设备或呼吸追踪器对心血管系统进行生理监测的数据也很重要。此外，还应考虑有关行为和环境的信息。

尽管数据量可能令人生畏，但拥有多个信息源可以减轻患者和医生的负担。遗传和基因组数据从两个不同的角度提供有关患者对特定病症易感性的见解，而血液测试可以诊断不同的疾病或对未来的健康问题发出危险信号。保险理赔可以填补患者病史中的空白，药物数据可以提供有关治疗依从性的信息。

每条信息本身可能只会转化为风险的微小差异，也许只会增加1%。然而，如果其他因素将风险再增加1%等等，它实际上可以成为一个有意义的数字。

为了做出预测，AI将来自特定患者的信息与具有相似特征的患者的信息进行比较。在这种情况下，目标是尽可能将患者与数据集中的其他人匹配。

Klonoff说：你越能定义你的病人是谁，你就能更好地进行比较。当医生使用AI进行研究时，他们会尝试尽可能具体地描述每个患者的特征，以便他们真正比较风险非常相似的人。

然而，这个系统的一个缺陷是，真实世界的数据不仅在本质上是回顾性的，而且往往与随机临床试验中发现的质量不相上下。在这样的试验中，数据的收集更加细致。相比之下，Klonoff指出，电子健康记录主要用于提供AI在常规临床实践中使用的信息，其设计目的是治疗患者，而非研究目的，因此可能不完整。

即便如此，随机临床试验着眼于非常具体的问题，这使得他们的结论的推断变得复杂。

一般来说，当你将你的患者与随机临床试验的数据进行比较时，你会发现可能有数百名患者可以与之进行比较，但如果你获得的图表具有较低质量的真实世界证据，你可能能够将您的患者与数百万其他患者进行比较。有时，数量可能会弥补质量的不足。

当在人工智能的背景下使用时，图像对于诊断和预测糖尿病并发症也很重要，尤其是糖尿病视网膜病变、糖尿病周围神经病变和糖尿病足溃疡。根据Klonoff的说法，对于这些情况，诊断或预测中涉及的模式识别（一种称为机器学习的AI形式）有时可能依赖于二维图像的分析。

模式识别对于诊断涉及图片的情况非常有用，例如对视网膜进行成像以寻找视网膜病变，查看皮肤活检以查看是否存在表明神经病变的神经缺失或足部图片以检测糖尿病足溃疡。

精细化诊断，预测糖尿病并发症

根据Cynthia Huang及其同事在2022年糖尿病科学与技术杂志上发表的一篇评论，研究人员正在研究AI在改善多种糖尿病并发症的预测和诊断方面的潜力。

虽然不是很主流，但最重要的进步可以说是在使用AI诊断糖尿病性视网膜病变方面取得的。2018年，FDA批准了IDx-DR（IDx LLC），这是一种软件程序，使用人工智能算法分析用视网膜相机拍摄的眼睛图像，并向医生提供结果。据该机构的新闻稿称，这是第一款获准上市的设备，无需临床医生也可以解释图像或结果即可做出筛查决定。2020年，另一个自主AI系统EyeArt AI诊断系统（Eyenuk Inc.）也获得了FDA批准用于诊断糖尿病性视网膜病变。最近，在2022年，AEYE Health(AEYE Health Inc.)获得了FDA的许可，可以销售一种基于AI的诊断视网膜病变的筛查系统。

几项研究，包括一项于2021年在JAMA Network Open上发表的评估EyeArt系统的研究，表明许多AI系统诊断糖尿病视网膜病变的敏感性和特异性对于检测可转诊的糖尿病视网膜病变具有很高的敏感性和特异性。然而，2021年发表在Diabetes Care上的一项研究表明，当使用真实世界的视网膜成像数据时，七种基于AI的自动化糖尿病视网膜病变筛查系统的敏感性和特异性存在显著差异。

Huang及其同事表示，关于如何得出总体结论的问题仍然存在。

由于深度学习算法的黑盒性质，可能很难理解眼底图像的哪些特定特征有助于确定视网膜分级。正在开展积极的研究来解决这些问题，例如注释病变和感兴趣区域的可解释人工智能程序，以及从视网膜图像中检测合并症的人工智能程序，如CVD、肾病和神经病。

糖尿病足溃疡是人工智能取得一些成功的另一个领域。具体来说，一些机器学习算法已经证明能够检测图像中的糖尿病足溃疡。例如，在2019年发表在IEEE Journal of Biomedical and Health Informatics上的一项研究中，研究人员开发了一种深度学习模型——机器学习的另一个方面——使用在糖尿病足溃疡定位方面表现相对较好的图像数据库。

在实际发展之前预测糖尿病足溃疡，这将是一个重大的胜利，虽仍然有些难以捉摸。然而，2021年发表在Vascular上的一项研究表明，一种使用糖尿病足溃疡的六个风险因素创建的人工智能算法预测了发生这种情况的可能性，准确率接近80%。

AI也被研究用于糖尿病肾病的诊断，多项研究表明，与该病患者的传统风险评分相比，除了临床数据外，AI的使用表现良好。例如，2021年发表在Diabetologia上的一项研究表明，与早期糖尿病肾病患者的其他临床模型相比，机器学习的预后风险评分改善了对肾脏结局的预测。

研究人员还转向机器学习来改进糖尿病周围神经病变的早期诊断。据Huang及其同事介绍，定性、定量生理和解剖学测试可以使用AI诊断糖尿病性神经病变。作者指出，例如，研究人员开发了一种算法，该算法使用主要临床因素来对疼痛性和非疼痛性神经病变进行分类，而其他人则将振动感知阈值传感器连接到机器学习算法，该算法结合了患者临床特征以评估糖尿病性神经病变的风险.此外，涉及解剖成像（包括MRI和角膜共聚焦显微镜）的深度学习算法显示出诊断该病症的希望。

这些基于AI的算法的持续发展预计将在糖尿病周围神经病变诊断中发挥核心作用，作为临床医生的临床诊断辅助工具或作为患者的在线风险或诊断计算器。

人工智能在医学中的未来

尽管AI已经进入了许多领域，但它在常规医疗实践中的应用却滞后了，这主要是因为在EHR实施之前不存在支持该过程所需的数据量。根据Klonoff的说法，随着医疗保健系统终于迎头赶上，EHR大步向前，为人工智能在医学中的应用打开了大门。

除了EHR生成的信息外，公司现在正在收集来自许多不同医院的数据，并提供可供购买的数据集。Klonoff指出，与一个医院系统中包含的数千个患者相比，这些使医生和研究人员能够访问数百万患者的去识别化数据，这将允许进一步完善人工智能以预测、诊断和治疗各种医疗状况。

根据Klonoff的说法，尽管这些海量数据具有显着优势，但也存在一些缺点。首先，更多的信息转化为更多的组合和可能的结果，这需要复杂的软件，而现在可能还不存在。其次，对患者进行高度详细的描述对于创建可以说明特定患者结果的算法很重要，但让某人过于独特也可能会产生问题。

Klonoff说：如果你深入研究太多，那么你就没有人可以与那个病人进行比较。在我们真正伤害到自己之前，我们必须弄清楚要钻多深。

在研究可以帮助提升AI的因素时，Klonoff表示，生物样本库可能是不可或缺的一部分，可以提供对疾病和状况及其与临床数据关联的更多洞察力。

如果有人向生物库提供血液样本，那么我们就可以进行大量测试，包括针对特定条件的测试或针对甚至不一定具有明显临床价值的事物的基因组测试。我们甚至可以在某天进行目前尚不存在的测试。

不过，目前，医生和研究人员掌握了大量信息，应该继续使用这些信息来寻找不仅可以诊断而且可以预测和预防疾病的方法。

我们收集的数据越多，我们就能更好地预测我们现在所处的结果。医学的一部分是预测接下来会发生什么。当然，如果这是一个不利的结果，那么我们想要预测我们可以做些什么来防止这种情况发生。我们可以通过拥有更多数据和采用AI等技术做出更好的预测。

参考资料：