AI赋能双闭环可穿戴胰岛素输送系统，为精准糖尿病管理带来新突破
糖尿病作为一种全球性的慢性疾病，预计到2030年将影响全球6.43亿人。传统的治疗方案将血糖检测与胰岛素输送分离，效率较低且易导致严重并发症。近年来，由连续血糖监测仪控制的闭环胰岛素输送系统虽能更有效地控制血糖，但其依赖的CGM读数一旦出错，可能导致胰岛素过量，引发低血糖甚至致命风险。同时，虽已有葡萄糖响应胰岛素能根据体内血糖水平动态释放胰岛素，但缺乏集成电子系统进行精准调控，风险犹存。
为此，香港大学张世明教授团队提出并开发了一种新型“双闭环”可穿戴胰岛素输送系统。该系统集成了实时血糖分析的CGM、释放速率受实际血糖水平调控的葡萄糖响应胰岛素，以及一个能够预测未来30分钟血糖趋势的定制化AI算法，旨在解决传统单闭环系统的安全风险。初步体内测试显示，该系统在维持正常血糖时长、减少高低血糖事件及降低血糖波动方面均优于传统系统。相关论文以“An AI-embedded, Wearable Dual Closed-Loop Insulin Delivery System for Precision Diabetes Management”为题，发表在
Advanced Materials上。
该双闭环系统的核心设计理念如图1所示。系统由三个关键部分组成：连续血糖监测仪、胰岛素泵以及协调二者的AI算法。图1a展示了系统的整体构成，包括用于实时血糖分析的CGM、能根据血糖浓度释放胰岛素的GRI储库，以及实现边缘计算的定制算法模块。图1b的剖面示意图进一步揭示了CGM传感器、算法处理器与胰岛素泵之间的内在联系与数据流。为了实现精准控制，研究团队开发了一套基于比例-积分-微分控制的学习框架，并量化部署于边缘设备（图1c）。与传统的单闭环电控系统相比，这种双闭环设计能够显著减少血糖波动，降低高血糖和低血糖的发生率（图1d）。
图1. 所提出的双闭环胰岛素输送系统整体概念图。 a) DuoLoop关键组成部分示意图，包括CGM、算法和胰岛素泵。 b) 描绘DuoLoop中各组件相互关系的剖面示意图。 c) 采用PID学习框架实现双闭环系统量化边缘AI的工作流程与机制示意图。 d) 商用单闭环系统与DuoLoop系统血糖动态对比示意图。与传统单回路电闭环系统相比，DuoLoop显示出更低的血糖波动以及更低的高血糖和低血糖发生率。 Kp：比例增益，Ki ：积分增益，Kd ：微分增益。
系统的有效性首先建立在GRI的可靠性能上。如图2所示，GRI由修饰后的聚合物与胰岛素通过静电作用形成纳米复合物（图2a）。该复合物溶液清澈，在透射电镜下可见直径约100纳米的均匀纳米胶束（图2b, c, d）。体内实验证实了其葡萄糖响应特性：当给糖尿病大鼠注射葡萄糖引发血糖快速上升时，GRI能迅速响应，释放胰岛素峰值，随后随着血糖向正常水平回落，胰岛素释放也相应减弱，展现了良好的自我调节能力（图2e）。与普通重组人胰岛素相比，单次注射GRI能维持更长的正常血糖时间（图2f, g, h）。
图2. GRI的合成与验证。 a) GRI的葡萄糖响应机制示意图。 b) 聚合物（固体）和聚合物-胰岛素复合物（GRI，溶液）的光学图像。 c) 聚合物-胰岛素复合物纳米材料的TEM图像。 d) GRI纳米材料的尺寸分布。 e) 糖尿病大鼠腹腔注射葡萄糖后，血糖触发的胰岛素释放行为。 f) 单次注射RHI（25 U/kg）后糖尿病大鼠的ISF葡萄糖水平。 g) 单次注射GRI（25 U/kg）后糖尿病大鼠的ISF葡萄糖水平。 h) 相应的正常血糖持续时间。本工作中ISF葡萄糖浓度定义如下：低血糖（<2.8 mM）、正常血糖（2.8–11.1 mM）和高血糖（>11.1 mM）。
精准的血糖预测是系统实现优化调控的前提。研究团队采用Transformer深度神经网络架构开发了血糖预测模型（图3a）。该模型在训练集和测试集上均表现出极高的预测可靠性。如图3b, c, e, f所示，无论是在训练集内还是训练集外的糖尿病大鼠数据上，模型预测的血糖动态曲线与实际测量值高度吻合。相关性分析进一步证实了预测值与实测值之间的强关联性（图3d, g）。
图3. DuoLoop系统的算法开发与验证。 a) 血糖预测转换模型的结构示意图。 通过比较预测的血糖动态（使用血糖预测转换）与糖尿病大鼠的实际血糖动态，在b,c) 训练集内测试集和e,f) 训练集外测试集上对算法进行实验验证。 d) 训练集内测试集和g) 训练集外测试集上预测与实际ISF葡萄糖水平的相关性分析。
基于准确的预测，团队构建了PID闭环控制算法，并将其集成到一个经过改装的微型胰岛素泵中（图4a-c）。该泵具备蓝牙无线通信功能，可接收CGM预测数据并控制胰岛素输送。验证实验表明，遵循算法推荐的GRI剂量和输注时机，能有效将血糖维持在正常范围内（图4d-f）。而故意减少或增加胰岛素剂量，则分别导致了高血糖（图4d）和低血糖（图4e）；在非推荐时间窗输注胰岛素，其控制效果也较差（图4f），这凸显了精准剂量和时机的重要性。
图4. DuoLoop系统的算法实现与验证。 a) DuoLoop的整体轮廓和布局。 b) 半定制胰岛素泵的光学图像。插图：胰岛素泵控制系统的用户界面。 c) 突出主要电子元件的功能框图。 通过比较算法推荐GRI输送剂量（d）减少剂量；（e）增加剂量）和时机（f）下的血糖水平与非算法剂量和时机条件下的血糖水平，对算法进行实验验证。
最终，集成了CGM、算法和胰岛素泵的完整可穿戴DuoLoop系统在1型糖尿病大鼠模型上进行了安全性与有效性验证（图5a, b）。系统工作原理如图5c所示：当CGM检测到血糖上升趋势时，算法激活胰岛素泵在规定时间内输注胰岛素；在高血糖期间加速释放，当血糖恢复正常后，GRI的释放速率降低以维持稳定。与仅使用GRI的单一化学闭环系统（图5d）或使用普通胰岛素、仅由CGM和算法控制的单一电闭环系统相比（图5e, f），DuoLoop系统展现出显著的优越性。它不仅减少了每日所需注射次数，更显著降低了血糖波动的标准差和变异系数（图5g, h），并将正常血糖时间占比提升至98.82%，同时将高血糖和低血糖事件的发生率降至极低水平（图5i-k）。这些改进直接归功于双闭环设计与GRI的协同作用。
图5. DuoLoop系统集成与可穿戴安全验证。 a, b) 佩戴在大鼠背部的集成DuoLoop系统示意图及实物图，显示其无线操作模式。 c) DuoLoop系统操作流程示意图。 d) 与单一化学闭环系统（定期注射GRI）的血糖曲线对比。 e, f) 单一电闭环系统与DuoLoop系统的血糖曲线对比。 g, h) 两种系统血糖波动的标准差（SD）和变异系数（CV）对比。 i-k) 两种系统在正常血糖、高血糖和低血糖范围内的时间百分比对比。
综上所述，这项研究成功开发了一种集AI算法、葡萄糖响应胰岛素与可穿戴硬件于一体的双闭环胰岛素输送系统，在动物实验中展现出相较于传统单闭环系统更优的安全性和血糖调控效能。尽管在饮食控制模型、临床转化及长期稳定性方面仍需进一步探索，但这项工作标志着向精准糖尿病管理迈出了重要一步。研究者展望，这种双（或多）闭环设备的概念未来或可应用于其他可穿戴系统，以调控更多疾病的代谢过程，满足更广泛的临床需求。
热门跟贴