糖尿病管理与人工胰腺系统的发展
糖尿病是一种因体内胰岛素失调引发的慢性代谢性疾病，影响着全球数百万人。有效的血糖水平（BGL）调节对于预防高血糖（BGL > 180 mg/dL）和低血糖（BGL < 70 mg/dL）等并发症至关重要。人工胰腺系统（APS）通过整合连续血糖监测（CGM）与胰岛素自动输送（AID），构成了一个旨在模拟人体胰腺生理功能的闭环系统，代表了糖尿病管理领域的重大进展。APS的核心在于其控制算法，它负责计算并向患者体内输注最佳胰岛素剂量。
控制策略：从经典到智能
APS的控制策略涵盖了从经典方法到先进智能算法的广泛谱系。
- •
经典与线性控制方法
比例-积分-微分（PID）控制器等经典技术因其简单性和易于实现而长期被应用。PID控制器根据实时血糖水平与目标值的偏差来调整胰岛素输注。然而，它们可能难以适应血糖动力学的非线性和患者生理的变化。模型预测控制（MPC）则代表了更先进的策略，它利用葡萄糖-胰岛素动力学的数学模型来预测未来BGL，并据此优化胰岛素剂量。MPC能够结合预测信息并考虑胰岛素饱和及安全限制等约束，为实现更精准的控制和改善患者预后提供了潜力。
- •
非线性与鲁棒控制方法
为了应对系统的非线性特性，滑模控制（SMC）、线性二次高斯（LQG）控制、反步（Backstepping）控制等非线性策略被开发出来。例如，基于伯格曼最小模型的滑模控制律能够实现较快的稳定时间，但可能伴随超调等问题。这些方法通常被设计为对参数不确定性和外部扰动（如进餐）具有鲁棒性。
- •
人工智能与机器学习驱动的方法
近年来，机器学习（ML）算法已成为增强APS适应性和预测准确性的有力工具。诸如神经网络、支持向量机（SVM）和深度学习架构（如长短期记忆网络LSTM）等技术，擅长从包含历史血糖测量值、饮食摄入、运动水平等在内的大数据集中提取复杂模式，并学习个性化的葡萄糖-胰岛素动力学模型。
- •
预测与分类：ML模型被广泛用于血糖预测和糖尿病风险分类。例如，改良的自适应神经模糊推理系统（M-ANFIS）在Pima印第安人糖尿病数据集上展示了高分类准确率。解释性人工智能（XAI）方法，如SHAP，被用来增强模型透明度，阐明不同特征（如碳水化合物、血脂）对血糖预测的影响。
- •
控制与优化：强化学习（RL）为自适应胰岛素剂量决策提供了框架。智能体通过与模拟环境（如UVA/Padova模拟器）互动来学习最优策略，在维持血糖在目标范围内（TIR）方面显示出潜力，同时减少低血糖事件。深度强化学习算法，如软演员-评论家（SAC），已被用作基础-大剂量顾问，动态调整胰岛素输注。
关键组成部分与模型
除了控制策略，APS的开发还受到数学模型、数据集和硬件配置的影响。
- •
数学模型：用于理解和模拟葡萄糖-胰岛素动力学，范围从简单的伯格曼最小模型（3个状态变量）到更复杂的生理学模型，如Sorensen模型（19个变量，包含多器官隔室）和DallaMan模型（详细描述肝胰岛素提取）。这些模型是设计控制算法的基础。
- •
数据集与仿真器：研究依赖于各种数据集和工具，包括公开的Pima印第安人糖尿病数据集（PIDD）、基于真实患者数据的OhioT1DM数据集、连续血糖监测（CGM）数据，以及经过FDA认可的UVA/Padova T1DM代谢模拟器，后者常被用于在虚拟患者群体中安全地测试和验证控制算法。
- •
硬件在环（HIL）系统：允许在临床部署前，在模拟环境中对控制算法进行测试和验证，便于快速原型设计和迭代改进。
性能评估与挑战
APS的效能通过实验研究和临床试验进行评估，关键指标包括糖化血红蛋白（HbA1c）水平、目标血糖范围时间（TIR）、平均血糖（MG）、低于目标范围时间（TBR）、高于目标范围时间（TAR）、血糖标准差（STD）以及低血糖和高血糖指数（LBGI/HBGI）等。
尽管取得了显著进展，APS领域仍面临诸多挑战：计算复杂性、实时实现、临床验证、患者群体的异质性、血糖动力学的变异性，以及对个性化治疗方案的需求。数据驱动方法（ML/AI）也受到计算成本、假阳性/假阴性率、糖尿病数据中的类别不平衡、优化问题、特征选择与提取、异常值、数据缺失等问题的限制。此外，将高级控制策略和ML算法转化为临床实践，并确保其安全性和有效性，仍是重大障碍。
未来方向与结论
本综述系统性地综合了现有文献、实验发现和临床研究，揭示了人工胰腺系统控制策略的最新进展。研究发现，基于人工智能的技术在实现个性化、自适应血糖管理方面展现出显著潜力，能够通过学习个体生理和生活方式因素来定制治疗方案。然而，要充分发挥这些先进策略的潜力，仍需克服在计算效率、实时性能和广泛临床验证方面的持续挑战。未来的研究应致力于开发更稳健、智能且临床可行的控制框架，结合数据驱动和生理学方法，并探索硬件实现与安全架构，以推动下一代APS解决方案的发展，最终改善糖尿病患者的生活质量。
