ICU脓毒症患者血糖追踪与预测的数字孪生框架

npj metabolic health and disease · 2026-10-01 · 期刊论文

• 一句话结论：本研究报告一个面向ICU脓毒症患者的数字孪生框架，用于实时血糖监测与短期预测；结果显示该框架可在标准笔记本电脑上于数秒内完成新患者的初始化与个性化，并在不同数据条件下维持较准确的血糖预测，属可行性层面的提示性证据。
• 研究设计与做法：研究设计为方法学开发与初步部署评估：以连续血糖测量数据训练机器学习模型，基础模型为预训练时间序列Transformer；将预训练模型部署于10例脓毒症患者，比较零样本推理、线性探测、全量微调与分阶段微调等个性化策略；材料未报告随访时长。
• 主要结果：主要结果为模型可在数秒内完成新患者初始化与个性化，并在不同数据条件下保持准确血糖预测；材料未报告具体预测误差指标、置信区间、p值或低血糖/高血糖发生率等数字。
• 机制或解释：机制或解释：作者将框架描述为整合先进机器学习模型与动态数字孪生工作流，支持快速部署、持续模型评估、新数据更新与个性化预测决策支持；材料未报告更深入的生理机制讨论。
• 局限与边界：局限与边界：仅部署于10例脓毒症ICU患者，样本量小、单一人群、缺乏外部验证与长期随访；材料未报告是否多中心、是否设对照、利益冲突或计算资源以外的部署条件限制。
• 可否落地：可否落地：证据档位为C，提示在资源受限的高急症临床环境中实现实时数字孪生个性化具有可行性，并可能作为连续生理监测与临床决策支持的平台；尚不足以下结论认为其可改善临床结局，需更大样本与前瞻性验证。

🔗 打开原文

Cao X, Cai C, Hou J 等

本文摘自《每日前沿研究简报 · 2026-10-03》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。