1型糖尿病低血糖预测算法:系统综述gydF4y2Ba

简介gydF4y2Ba

糖尿病是一种反复发作的疾病，涉及患者血糖的持续控制和自我管理。1型糖尿病(T1D)患者血糖水平调节不当可导致严重问题，如肾衰竭、心力衰竭、中风和失明[gydF4y2Ba1gydF4y2Ba］．相比之下，通过适当的糖尿病护理，患者可以过上富裕的生活。然而，过度严格的血糖控制会增加低血糖的可能性，血糖水平迅速下降，如果不立即采取适当的护理，可能会导致昏迷和潜在的死亡。gydF4y2Ba

低血糖的担忧是成功控制高血糖的障碍，因为它鼓励胰岛素不足。减少低血糖发生的方法包括指导和咨询，及时提高对低血糖的认识，以及开发可减少低血糖发生的预测技术方法。血糖自我监测需要在一天中多次采集血液样本。目前，连续血糖监测(CGM)系统的使用允许实时收集血糖水平信息。相比之下，现代可穿戴设备可以产生和分析大量的数据，这就是为什么现代技术经常与这些产品结合使用，从收集到的数据中处理和检索有价值的信息。它们还具有几种不同的监测功能，如GPS、心率、心电图(ECG)和皮肤温度，这些对于评估糖尿病相关指标都很重要[gydF4y2Ba2gydF4y2Ba］．此外，通过评估可穿戴设备获得的数据，可以监测T1D患者身心健康状态的几个关键指标，如血糖水平、卡路里、体力活动和压力水平。这些设备的主要优点是能够以连续和谨慎的方式跟踪患者的日常生活，而不影响他们的正常日常活动。gydF4y2Ba

人工智能算法已被广泛应用于糖尿病预测或作为诊断工具，特别是2型糖尿病[gydF4y2Ba3.gydF4y2Ba］．机器学习模型已被用于预测近期的血糖水平，并通知患者提前采取适当措施，以避免低血糖或高血糖发作[gydF4y2Ba4gydF4y2Ba］．一个准确的预测因子可以改善T1D患者的生活质量。gydF4y2Ba

本文的目的是回顾新兴的检测方法和方法，以识别低血糖发作。具体而言，我们研究了用于改善血糖监测并提高其评估未来血糖水平有效性的方法;这可能有助于预测未来低血糖发作的过程。总的来说，这些方法非常有价值，因为它们是否可以帮助预测过程，这对于避免可能导致重大健康后果的潜在危险的低血糖发作至关重要。最后，我们讨论了旨在早期识别和预防夜间低血糖发作的预测方法，如果不及早发现，可能导致“死在床上”综合征。如上所述，这些方法进行了分类，并讨论了它们提出的技术。gydF4y2Ba

方法gydF4y2Ba

文章识别gydF4y2Ba

遵循PRISMA(系统评价和元分析首选报告项目)指南进行系统文献检索[gydF4y2Ba5gydF4y2Ba]被执行。在这项研究中，我们使用了gydF4y2BaPubMedgydF4y2Ba，gydF4y2Ba谷歌gydF4y2Ba学者gydF4y2Ba，gydF4y2BaIEEEgydF4y2Ba伊克斯托gydF4y2Ba,gydF4y2BaACMgydF4y2Ba数字图书馆查找有关T1D患者低血糖检测技术的文章。在探索和组合了许多搜索词以确保得到最广泛的结果后，我们使用了以下术语:“低血糖”、“预测”、“检测”、“连续血糖监测”、“CGM”、“1型糖尿病”、“T1D”、“HRV”、“心率变化率”、“机器学习”和“深度学习”。gydF4y2Ba

纳入和排除标准gydF4y2Ba

搜索于2021年6月进行，仅限于2005年以后的文章。与此同时，还设置了一个警报，以避免遗漏文章。对所选文章的参考文献进行分析，以提取其他相关文章，必要时在谷歌Scholar中进行补充搜索，以查找进一步的信息，并根据每个子主题的原创作品完成综述。所有作者讨论并同意纳入和排除标准。如果有分歧，作者会通过讨论来达成共识。在筛选过程的第一步，期刊文章和会议论文被认为适合纳入，而信件、通信和综述文章被排除在这一系统评价之外。文章报道的新型葡萄糖传感器显示出足够宽的线性检测范围血液或间质测量符合条件。对于预测算法，符合条件的文章必须报告葡萄糖预测的方法，并提供所使用的数据集、方法和性能指标的详细信息。我们包括了在确定的预测范围内预测葡萄糖值的算法，以及那些专门预测未来最多24小时的低血糖事件的算法。为了符合资格，一项研究必须专注于低血糖或包括基于患者数据的低血糖预测或检测技术。 The patient group had to have T1D, whereas the trials had to have a control group. Studies that described the same methodology and technology as an already included study without significant distinction were excluded. We excluded trials that focused on the primary prevention of diabetes, those targeting gestational diabetes, those pertaining to a closed-loop or artificial pancreas system, and those that primarily focused on type 2 diabetes.

结果gydF4y2Ba

研究选择gydF4y2Ba

上述文献检索共得到397个结果。在397篇文献中，去除15篇(3.8%)重复后筛选出382篇(96.2%)，348篇(87.7%)因不符合我们的资格标准而被排除。在阅读了其余34篇文章的全文后，免费提醒帮助添加了3篇同样基于上述筛选过程进行评估的文章，最终总共包含了19篇符合条件的文章。gydF4y2Ba图1gydF4y2BaPRISMA流程图[gydF4y2Ba5gydF4y2Ba]，说明了本综述的检索和筛选程序。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

研究特点gydF4y2Ba

预测算法有助于进一步提高T1D患者的生活质量和避免低血糖的能力。它们使患者能够早期干预并成功预防低血糖发作。几种方法引入了预测低血糖的新算法。然而，只有少数人试图评估它们在现实生活中的临床疗效和优势。每项回顾研究的细节都在gydF4y2Ba表1gydF4y2Ba，在这里我们报告出版物，使用的数据集，预测模型所基于的技术，以及模型的结果精度。gydF4y2Ba

低血糖预测算法gydF4y2Ba

Mordvanyuk等人的一项研究[gydF4y2Ba6gydF4y2Ba]，作者使用UVA-Padova T1D模拟器检查了11名T1D患者的资料，该模拟器是弗吉尼亚大学和帕多瓦大学为研究目的开发的系统。在他们的方法中，他们提出了对患者数据使用k-最近邻，以及与饮食序列相关的细节，以预测可能的低血糖或高血糖发作。他们的研究结果表明，连续数据的使用可以极大地改善预测结果，特别是当估计决定了膳食类型(即早餐、零食和午餐)时。当只考虑碳水化合物摄入量、速效胰岛素剂量和餐前血糖时，他们的方法获得了88%的敏感性。gydF4y2Ba

在血糖预测方面，这些研究中使用的算法包括线性自回归模型和状态空间时间序列模型，分类算法如支持向量机(SVM)，分类树，逻辑回归和随机森林[gydF4y2Ba7gydF4y2Ba-gydF4y2Ba10gydF4y2Ba］．保罗等人[gydF4y2Ba7gydF4y2Ba]研究了广义自回归条件异方差(GARCHs)模型在T1D儿童CGM谱上的应用。他们的目的是分析血糖时间序列和变异性，以及可靠的血糖水平预测的可行性。GARCH方法的预测能力与其他现有建模技术进行了比较，如低阶和高阶自回归模型和状态空间模型，其中GARCH方法被证明在识别葡萄糖曲线的可变性和提供更可信的短期未来血糖水平预测方面是有效的。gydF4y2Ba

我们的研究是专门针对T1D患者进行的，他们对这种类型的预测算法的需求最大，因为他们对外源性因素的高度敏感性和他们的血糖变异性增加而更加复杂。在Jensen等人的实验中[gydF4y2Ba8gydF4y2Ba]，作者建立了一种模式分类方法来增强低血糖的实时识别。他们检查了10名T1D患者的数据，这些患者经历了17次胰岛素诱导的低血糖发作。然后分析这些发作以提取特征，包括最近胰岛素摄入时间和CGM信号的线性回归，以及不同时期的其他测量(峰度和偏度)。在SVM模型中使用各种特征组合，并对其性能进行测量，结果发现了所有17例低血糖事件，其中1例假阳性，提前时间为14分钟。gydF4y2Ba

张等[gydF4y2Ba9gydF4y2Ba]使用分类学习技术预测1小时内的低血糖事件。利用数据挖掘工具建立分类树，输入数据包括血糖测量值和胰岛素注射频率。该分类树预测低血糖的准确率和特异性分别为86%和89%。gydF4y2Ba

戴夫等人[gydF4y2Ba10gydF4y2Ba]调查了2种有效检测低血糖发作的不同方法。这些方法包括逻辑回归和随机森林。在他们基于机器学习的低血糖检测方法中，他们使用了112名T1D患者的数据，并依赖于广泛的特征提取过程来识别任何可能的血糖模式。他们的最终模型是考虑线性和非线性模型，并结合收集的特征。所提出的方法正确预测低血糖发作，分别在0 ~ 15分钟和15 ~ 30分钟的预测范围内达到了接近95%和94%的高灵敏度和约97%和95%的特异性。gydF4y2Ba

一些研究[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]结合了不同的算法来提高模型的性能，并利用每种算法的独特品质。所包括的方法中使用的不同算法根据其相似性分组，并在gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

Eren-Oruklu等[gydF4y2Ba11gydF4y2Ba]对54例T1D患者的数据集进行了3种不同的基于时间序列的低血糖预测方法的研究。他们的方法包括指数加权移动平均和累计和控制图，以及预测血糖水平的绝对值。每位患者都安装了美敦力CGM设备，每5分钟获得一次血糖读数。他们通过上述3种方法将CGM的综合警报与估计的低血糖警报合并。他们使用了30分钟的预测时间，其中方法的灵敏度分别为89%、87.5%和89%。gydF4y2Ba

这些研究中使用的一些预测算法使用线性回归或卡尔曼滤波器，这些计算方法使用先验数据进行短期预测，也可以集成到监测设备中。根据糖尿病控制和并发症试验[gydF4y2Ba24gydF4y2Ba]， 55%的低血糖事件发生在睡眠中;因此，一些研究[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba]讨论了T1D患者夜间低血糖的问题，并认为CGM警报在患者睡眠时可能无效[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba］．gydF4y2Ba

蔡斯等[gydF4y2Ba12gydF4y2Ba他们追踪了40名在夜间佩戴GlucoWatch CGM的患者，发现71%的患者整晚对警报没有反应。他们提出，当预期低血糖时，CGM传感器向泵发送信号，停止注射胰岛素。为了预测低血糖，他们使用了一个数学模型，该模型使用了一个包含特定预测算法的系统。这些算法包括线性投影、卡尔曼滤波、混合无限脉冲、统计预测和数值逻辑算法。通过使用当前和先前的血糖水平，这些算法预测了低血糖事件。当用于预测低血糖事件的算法数量超过指定的投票阈值时，警报被激活。其中，使用3种算法提示胰岛素泵暂停时，避免了夜间低血糖，敏感性为60%。然而，仅使用两种算法，夜间低血糖发生率的预防敏感性为84%。最后，这项研究发现，当投票阈值增加时，预测率下降，尽管他们提出的系统的目的是在夜间低血糖预测和误报概率之间建立一个平衡的比例。gydF4y2Ba

在白金汉等人进行的21个晚上的随机研究中，总共检查了3种预测算法变体[gydF4y2Ba13gydF4y2Ba]使用基于卡尔曼滤波器的模型。该实验包括19名成年T1D患者，他们已经使用MiniMed Paradigm实时胰岛素泵和美敦力软传感器血糖传感器。使用最终算法，53%的干预夜发生了泵停事件。初步的有效性结果表明，他们的最终算法将夜间低血糖降低了约50%。gydF4y2Ba

算法输入、过程和输出gydF4y2Ba

随着cgm、胰岛素泵和身体活动追踪器等设备的日益普及，以及T1D患者碳水化合物的计数，可以收集到各种各样的数据，用于预测血糖。根据收集的数据、复杂性和算法的最终目标，在一些研究中使用了各种方法，并有1或2个补充数据输入，通常是胰岛素剂量、碳水化合物，甚至两者都有。前面提到的输入数据很容易获得，因为它们通常是在传感器增强型泵试验中捕获的，并且为建模提供了足够的精度。在许多评估研究中，生理模型对这2个额外的数据输入进行了处理[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba，gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]以获得额外的特征，以确定胰岛素作用或膳食的影响和动态，以便通过预测算法更好地解释。gydF4y2Ba

有证据表明，在预测模型中包含胰岛素和碳水化合物数据通常会提高算法的性能，即使是非常小的数量。然而，除了临床试验之外，在临床试验中，患者是根据他们对指示的依从性和他们的能力(例如，计算碳水化合物)而被故意选择的，在现实生活环境中，这样的输入似乎不太可能。gydF4y2Ba表2gydF4y2Ba介绍了在每一项回顾研究中被考虑和分析的特征，以及gydF4y2Ba多媒体附件2gydF4y2Ba根据他们考虑的问题的年份提出低血糖预测参考文献的数量;值得注意的是，我们有2021年前6个月的数据。gydF4y2Ba

Georga等人的研究[gydF4y2Ba14gydF4y2Ba]，作者使用来自最近患者档案的数据提供了他们的支持向量回归模型，用于预测睡眠期间的低血糖事件，以及白天，超过30分钟和60分钟的时间跨度。低血糖阈值为70mg /dL，患者资料包括血糖读数、饮食、胰岛素剂量、体育活动以及其他因素，以解释先前的低血糖、运动和睡眠引起的复发性夜间低血糖。他们的模型是基于在不受限制的环境中15名T1D患者的数据集开发的。夜间低血糖预测的敏感性为94%，时间延迟分别为5.43和4.57分钟。当不考虑体力活动时，30分钟和60分钟视界对非夜间事件的敏感性分别为92%和96%，时间延迟均小于5分钟。然而，当考虑到体力活动时，在每个时间跨度内，日敏感性降低了8%和3%。总之，他们认为他们的方法是可靠的，夜间和白天的预测精度都很高，超过90%。gydF4y2Ba

活动的衣物gydF4y2Ba

另一个影响血糖水平的重要因素是体育锻炼。伯塔奇等人[gydF4y2Ba15gydF4y2Ba]研究了身体活动监测器的使用情况，以收集心率、能量消耗以及为提高模型预测能力而采取的步数等数据。特别地，作者通过FreeStyle Libre CGM设备和身体活动监测器(Fitbit Alta HR, Fitbit)研究了T1D成人夜间低血糖的预测。在为期12周的研究中，10名患有T1D的成年人在家中自由生活的条件下接受了检查;获得了有关T1D、CGM和身体活动跟踪器管理的详细信息。将监督机器学习算法应用于数据，并开发预测模型来预测夜间低血糖的发生。作者得出结论，使用他们的方法可以预测70%的夜间低血糖。其中SVM模型的预测得分最高，灵敏度为78.75%，特异性为82.15%。gydF4y2Ba

总的来说，将患者活动信号作为算法的输入可以提高其可预测性，这在实践中表明，许多广泛可用的活动监测系统都足够准确，可以用于这项任务。在低血糖预测过程中，合并不同的模型和检查每个系统中数据格式的可变性方面，潜在的问题可能更具技术性。其他相关信息，如压力、医疗和患者生活中的日常事件，可以视为潜在的输入，这可能有助于区分这些预测模型。gydF4y2Ba

瓦赫迪等人[gydF4y2Ba16gydF4y2Ba]研究了一种基于机器学习的模型的适应性，该模型预测持续的血糖水平，旨在通过使用生理和体育锻炼数据来预防低血糖。他们使用美敦力MiniMed 530G胰岛素输送装置以及Enlite传感器，收集了93名T1D患者4个月的生理测量、体育活动和营养数据。总的来说，他们的研究结果表明，该模型预测的葡萄糖水平非常接近用Enlite传感器测量的葡萄糖值。gydF4y2Ba

另一个机器学习模型是Maritsch等人正在进行的研究中开发的[gydF4y2Ba17gydF4y2Ba]，目的是利用可穿戴传感器收集的生理数据来识别低血糖。具体来说，1名T1D患者参加了一项为期一周的研究，佩戴Empatica E4智能手表收集生理数据，佩戴FreeStyle Libre CGM收集患者的血糖数据。报道的结果表明，生理数据确实可以用来推断低血糖阶段;然而，由于模型的高敏感性，经常观察到假阳性结果。然而，他们打算使用基于人工智能的技术，使分类输出为患者所理解，并将他们的模型集成到可穿戴设备中，以提醒他们即将发生的低血糖发作。gydF4y2Ba

将CGM、胰岛素泵和活动跟踪器连接到移动设备的能力可以应用多种不同的算法和复杂的基于云的估计。上述几种预测算法的一个主要共同点是[gydF4y2Ba6gydF4y2Ba，gydF4y2Ba10gydF4y2Ba使用碳水化合物摄入量、胰岛素剂量和活动跟踪数据可以提高预测期间的准确性。最后，集成多个模型可以实现不同类型的低血糖警报，每个模型都针对特定的环境(活动、睡眠和饮食类型)设计。gydF4y2Ba

基于ECG的低血糖检测gydF4y2Ba

近年来，研究人员研究了低血糖水平对心脏电活动的影响。在低血糖期间，研究显示QT间期延长(Q波开始和T波结束之间的时间)，心率变异性(HRV)升高，心脏复极改变。因此，监测ECG改变可以提供一种检测低血糖开始的无创方法。新型ECG可穿戴设备的出现使心脏信号的收集变得轻松，并为通过ECG数据和使用深度学习技术识别低血糖铺平了道路。gydF4y2Ba

在San等人的研究中[gydF4y2Ba18gydF4y2Ba]，采用深度信念网络(DBN)构建了基于心电信号检测低血糖起始的深度学习系统。根据作者的说法，T1D患者发生低血糖的概率受QT间期延长的影响最大，尽管心率增加也会影响低血糖事件的状态。具体来说，他们建议的DBN通过特征转换提供了很高的分类性能。通过对系统的效率测试，15名T1D患儿参与并进行了夜间监测，结果显示，建议的DBN优于现有的其他方法，分类性能更高，敏感性和特异性评分分别为80%和50%。gydF4y2Ba

另一个预测血糖水平的深度学习框架最近被开发出来[gydF4y2Ba19gydF4y2Ba]，在微控制器单元上使用边缘推理。模型的性能是基于从12名T1D患者的临床数据集进行评估的，这些患者的葡萄糖是通过CGM测量的，以及通过长短期记忆人工循环神经网络进行的。这样的系统可以显著地帮助T1D护理，并最终用于各种糖尿病管理可穿戴设备，如胰岛素泵和cgm。gydF4y2Ba

一般来说，机器学习和深度学习方法在数据分析和预测方面展示了巨大的可能性，它们专注于自动学习行为和从大规模数据中提取特征。开发了深度学习模型[gydF4y2Ba20.gydF4y2Ba基于一种扩张循环神经网络(DRNN)，可以预测未来30分钟的葡萄糖水平。他们的DRNN模型在使用扩张时获得了相当广泛的神经元接受野，目的是捕捉长期关系，他们还使用迁移学习方法来利用来自不同患者的数据。gydF4y2Ba

一项研究(Li, K，未发表数据，2019年10月)建议使用深度强化学习，并基于UVA-Padova T1D模拟器的数据，为T1D患者提供双激素传递方法[gydF4y2Ba25gydF4y2Ba］．在激素传递策略方面，他们使用了双drnn;输入数据为血糖和碳水化合物，输出数据为胰岛素和胰高血糖素分布。总的来说，他们的研究结果表明，深度强化学习似乎有助于为T1D患者制定定制的激素传递策略。gydF4y2Ba

在另一个基于深度学习的混合模型中[gydF4y2Ba21gydF4y2Ba]，作者试图模拟基于计算机生成和实际患者数据的生理血糖技术的代谢行为。此外，他们通过长短期记忆递归神经网络模拟了一组胰岛素和碳水化合物摄入量的微分方程。结果表明，他们的模型对模拟患者表现更好，因为胰岛素和碳水化合物摄入量依赖于血糖水平的复杂性，这仅限于特定的一组参数。gydF4y2Ba

在非侵入性方法中，Ranvier等人[gydF4y2Ba22gydF4y2Ba]旨在基于从现成的传感器带连续收集的传感数据来检测低血糖事件;作者的方法基于两个不同的模型。第一个是低血糖的生理后果，即用户心电图特征的改变。他们还使用腰带上的加速度计和呼吸传感器来推断T1D患者的能量消耗，并将其与食物摄入量相关联，以估计血糖水平。然后，他们将这两个模型结合起来，以提高预测的准确性。gydF4y2Ba

奇霍兹等[gydF4y2Ba23gydF4y2Ba]提出了一种新的低血糖预测算法，他们获得了10例T1D患者的数据，这些患者在胰岛素诱导的低血糖期间进行了观察，并将收集的血糖样本作为参考。他们的设备包括计算心电图、铅II和最小监护RT CGM，每5分钟产生一次读数。提取的HRV模式与CGM数据一起纳入数学预测算法。奇霍兹等[gydF4y2Ba23gydF4y2Ba]将早期预测视为基于固定低血糖水平(3.9 mmol/L)的模式识别问题。因此，测量每位患者的血糖作为参考，将每个5分钟读数分为2组:在健康范围内的血糖(Cn)或低血糖(Chy)。每次血糖测量前的HRV和CGM特征用于评估该时间点是否低于3.9 mmol/L的低血糖阈值。结果，使用该算法对903个样本进行了评估，灵敏度为79%，准确率为99%。该算法能够预测所有16次低血糖事件，没有假阳性，相对于CGM设备的提前时间为22分钟。gydF4y2Ba

这些研究表明，ECG可以在自由生活环境下辅助患者检测低血糖发作。升级的设备和优化的算法可以使某些方法在实践中更精确、更简单地部署。虽然T1D患者可能不是第一批受益于这些技术方法的患者，但其他因内分泌、肝脏或心脏疾病等其他疾病而经历低血糖发作的非T1D患者，可能会受到这些基于ecg的算法的积极影响。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

在T1D低血糖风险管理的背景下，本综述评估了几种低血糖或血糖水平预测方法。每种方法都包括用于预测血糖水平的不同技术和工具。一般来说，低血糖预测算法可以为T1D患者提供有价值的替代方案，以预防可能的发作，因为有许多患者经历无症状的低血糖发作。gydF4y2Ba

所审查的几种方法已经被纳入商业可用系统;即Bertachi等人提出的方法[gydF4y2Ba15gydF4y2Ba]使用FreeStyle Libre CGM设备和Fitbit Alta HR身体活动监测器，这已被证明可以有效减少低血糖发作。几项评估研究的一个共同的关键方面是，包括碳水化合物消耗数据、胰岛素剂量或运动数据，可以在确定的(中期或长期)预测范围内提高算法的准确性。此外，集成各种模型可以实现低血糖警报的多个阶段，每个阶段都可以针对独特的场景进行定制，例如餐后、活动后或睡眠预测[gydF4y2Ba26gydF4y2Ba］．gydF4y2Ba

不幸的是，预测血糖水平的准确性可能会有很大的差异。这类研究中的数据收集可能受到各种限制因素的影响，包括低效率的硬件、受限的医疗保健环境、患者不遵守研究程序以及由于大量生物医学数据记录而造成的障碍。这些障碍迫使机器学习研究人员处理有缺陷的数据，并为他们的预测模型寻找变通方法[gydF4y2Ba27gydF4y2Ba］．此外，预测的准确性在很大程度上取决于糖尿病的类型、患者的生活方式[gydF4y2Ba28gydF4y2Ba]，以及是否存在其他慢性疾病。一些潜在的机制，如年龄、性别、肠道微生物群、心理因素和遗传特征，也可能导致结果的差异[gydF4y2Ba29gydF4y2Ba］．此外，我们注意到，前面提到的许多方法都是在计算机生成的模拟器患者上进行训练的(Li, K，未发表数据，2019年10月)[gydF4y2Ba6gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]或使用相对有限的数据集，这些数据集涉及能力强的患者[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba22gydF4y2Ba］．这些患者严格遵循给定的研究指南或处于监测环境中，这种环境避免了患者的日常生活，在日常生活中，患者大多不定期监测心率等事件，而这些事件通常对这些方法至关重要。我们还注意到一些方法使用的特性数量有限[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba9gydF4y2Ba，gydF4y2Ba11gydF4y2Ba，gydF4y2Ba13gydF4y2Ba，gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba］．这可能会对最终结果产生重大影响，因为有几个因素会影响血糖水平，每个因素的严重程度不同。相比之下，一些研究使用了各种各样的数据，如Cichosz等人提出的方法[gydF4y2Ba23gydF4y2Ba]，其中包括7种不同类型的特征。具体来说，他们使用了CGM读数、血糖仪测量值、胰岛素剂量、ECG、HRV、糖尿病持续时间和血红蛋白AgydF4y2Ba_{1 cgydF4y2Ba}并达到了99%的准确度和79%的灵敏度。在我们看来，为了提高这些方法的整体效率，研究人员有必要获得更大的数据集，并在他们的方法中考虑更多的特征。T1D患者血糖水平预测的金标准数据集将帮助数据分析师进行实验、比较和相应地微调他们的模型。gydF4y2Ba

CGM传感器被认为是糖尿病治疗的一次革命[gydF4y2Ba30.gydF4y2Ba]，有望增强个性化糖尿病治疗的数据驱动策略，并为预测模型的创建提供实时数据[gydF4y2Ba31gydF4y2Ba］．随着预测方法集成到CGM系统和其他设备中，预计未来对这种算法的临床研究将会增加。此外，使用流数据训练的深度学习算法的进化为葡萄糖预测提供了有希望的结果[gydF4y2Ba20.gydF4y2Ba］．低血糖预测模型的首要任务是在低血糖发生前提醒患者。在引用的研究中，研究人员试图在不同的预测范围内预测低血糖发作，从0到60分钟不等。总的来说，T1D患者的优势是显而易见的，因为他们有权在血糖水平达到临界点之前做出预防决定[gydF4y2Ba32gydF4y2Ba］．与任何新设备一样，教育是必要的，以避免过度反应的负面副作用。gydF4y2Ba

然而，目前的CGM技术存在寿命有限、皮肤刺激、粘连问题和消耗品费用等缺点，可能无法负担终身跟踪和预测。挑战在于使用主流的无创传感器，如腕带和智能手表，来建立可靠的低血糖和高血糖预测模型，遵循主流设备中可用的ECG和HR传感器的范式，并用于帮助心脏疾病患者[gydF4y2Ba33gydF4y2Ba］．gydF4y2Ba

限制gydF4y2Ba

应该在其局限性的范围内解释这一审查。我们使用了一组有限的术语来搜索文献。我们没有使用特定算法的关键词，我们可能无意中忽略了可能有助于T1D低血糖预测算法取得进展的研究。我们在有限的数据库中搜索文章(例如，gydF4y2BaPubMedgydF4y2Ba，gydF4y2Ba谷歌学者gydF4y2Ba，gydF4y2BaIEEE XploregydF4y2Ba,gydF4y2BaACMgydF4y2Ba数字图书馆)，是国际上使用最广泛的数据库。我们没有手工检索其他综述或纳入的研究中报道的任何研究，也没有评估评分者之间的信度。根据我们的纳入和排除标准，本综述纳入和审查了少量符合条件的研究，这限制了研究结果的泛化性。gydF4y2Ba

结论gydF4y2Ba

在这项系统综述中，我们包括了广泛的低血糖预测算法和系统，其中一些使用了特定的医疗或活动设备，如cgm和活动跟踪器。然而，这些方法不能单独推荐给患者;它们必须得到一项全面计划的支持，才能有效地支持医疗保健。具体而言，在部署正确的设备或技术来帮助T1D患者之前，需要进行教育和药物管理，以降低发生低血糖的概率。总的来说，我们的结论是，在接下来的几年里，与常用的cgm相比，其他低血糖预测方法将面临挑战，因为它们局限于事件检测，cgm也有可能通知患者他们的血糖变化率。gydF4y2Ba