深度学习在真实世界1型糖尿病管理中的安全性挑战

血糖模拟可在不伤害患者的情况下评估1型糖尿病(T1D)管理策略的有效性。深度学习算法为扩展模拟器能力提供了一条有前景的途径;然而,这些算法存在局限,即不一定能学习到生理正确的血糖动态,并可能从训练数据中的混杂因素学到错误且潜在危险的关系。在真实世界场景中这可能更为重要,因为数据并非在严格的研究方案下收集。本工作探讨了使用在真实世界数据上训练的深度学习算法来建模血糖动态的影响。我们从OpenAPS Data Commons处理了自由生活数据,并补充了患者报告的挑战性糖尿病事件标签,构成了最详细的真实世界T1D数据集之一。该数据集用于训练和评估最先进的血糖模拟器,比较它们在安全关键场景下的预测误差,并使用Shapley Additive Explanations (SHAP)评估所学动态的生理适当性。虽然深度学习的预测精度超越了广泛使用的数学模拟器方法,但模型在安全关键场景下性能下降,且难以利用自我报告的饮食和运动信息。SHAP值分析还表明,模型从根本上混淆了胰岛素和碳水化合物的作用,而这是T1D管理最基本的原则之一。本工作强调了在T1D及更广泛的医疗健康领域使用深度学习建模真实世界系统时考虑生理适当性的重要性,并针对构建对真实世界数据约束具有鲁棒性的模型提出了建议。