葡萄糖钳夹试验系统简介三 关于算法

      目前, 人工智能算法是一个受到追逐的热点领域。在、自动驾驶、人脸识别甚至上网购物等工作生活的各个领域，智能算法都扮演着极其重要的角色。当前的人工智能依然只是按照人工设定好的控制律进行工作，是以大量的数据训练和强大的计算能力为基础的。与其它智能算法一样，钳夹试验系统内置的算法同样是把大量以人工经验为主的数据转换成数学模型，配合不同的影响因子达到稳定工作的目的。钳夹试验系统的算法主要涉及两个方面— 分类算法和预测算法。

一、分类算法

      举个例子。当我们在某宝某东购物时，后台程序会记录你所有的购物行为事件。包括购物频率，浏览记录，种类，，消费能力，购物满意度评价等等。系统会把所有这些特征事件分配不同的发生概率。当你再次购物时，系统会通过特征事件矩阵找到*概率事件。结果怎样？你会收到符合你消费惯的各种产品推送、促销信息。这个过程就是购物平台根据你的特征信息的概率对你的购物倾向进行的分类结果。

在钳夹试验过程中，血糖浓度变化并不始终符合我们的预期。抽血环节、取样环节、受试者状态（入睡、排尿、活动等）都会对血糖浓度的测量产生影响。而钳夹试验系统工作的前提就是默认采集到的血糖浓度是准确的。例如，假设目标血糖浓度是5mmol/L, 实际测量得到的血糖浓度是4.0mmol/L。这种情况下，我们很容易联想到该血糖检测结果是由于样本稀释造成的离群值。若假设测量得到的血糖浓度是4.5mmol/L，在经验不足的情况下，我们对于这种处于“灰区”的结果判断起来就比较困难了。而分类算法会根据实验状态、参数、历史结果等影响因子的概率分布找到相对合理的分类结果以及相应的应对措施。

      在实际操作中，系统仍然保留了人工干预选项。如果发现某次血糖测量结果和预期值发生较大偏差，首先应重新采集样本进行复核（注意是重新从静脉留置针处采集样本），从而决断是否剔除除该异常值。而对于处于“灰区”的结果，我们建议交由计算机进行判断处理。

二、预测算法

      在葡萄糖钳夹试验系统中，我们无法判断当前时刻计算得到葡萄糖输注速度是否合理。原因是当前输注的葡萄糖需要一定时间才能分布到全身的葡萄糖交换空间，这个时间大约是10分钟。很显然，我们当前的计算结果是对10分钟后肌体葡萄糖空间的一种预测。首先，系统会根据前面的葡萄糖输注速度的分布和趋势推算出一个新的葡萄糖输注速度Ginf1。我们还可以根据当前的血糖浓度和目标血糖浓度之间的差异，计算出另一个葡萄糖输注速度Ginf2。我们相信Ginf1还是Ginf2？回答这个问题，我们需要进一步假设，Ginf1和Ginf2都存在测量误差，且符合正态分布。通过这两个输注速度的均方差，我们就可以得到三个新的参数: 当前输注速度的*解Ginfi、惩罚因子Ki、Ginfi的偏差Ei。其中Ki、Ei会持续迭代到下一个输注速度的计算当中并不断更新。惩罚因子Ki的作用是：假设Ginf2的偏差大，则对Ginf2施加惩罚因子，结果偏向Ginf1。通过数据的不断累积更新，Ki、Ei也会不断更新，则Ginfi也会趋于更加合理。

三、特异性和灵敏度

      在药物评价中, 葡萄糖输注曲线可反映出被研究药物的时效曲线。例如在一种短效胰岛素评价实验中，在胰岛素起效达峰阶段，葡萄糖输注速度在短时间内可升高到基线水平的2-3倍左右。无论是人工操作还是算法计算，都是通过观察起峰阶段血糖浓度下降这一特征信号实现的。可以说，血糖浓度的持续偏低是葡萄糖输注速度持续升高的动力。

然而在算法实现的实验过程中，如何有效的判断血糖浓度的降低是胰岛素起效引发的还是测量误差、还是样本稀释造成的，就显得尤为重要。一种方法是血糖浓度一旦下降就判断为胰岛素起效，则立刻加快葡萄糖输注。这种模式的灵敏度很高，但是极易误判，造成下一个血糖大幅度升高。相反，如果血糖持续降低若干个时间点才判断为胰岛素起效，则特异性高，但是会低估药物效能，甚至引发低血糖风险。

为了解决这一矛盾，我们在算法中加入了葡萄糖输注速度/血糖变化趋势和累计误差两个因子。这两个因子的加入，比较好的解决了如何判断被研究药物的起效时间问题。但是由于目标血糖的存在以及这两个因子的协同作用，系统是不允许血糖长期低于目标血糖值的。在实际操作中，有研究者出于实验设计的考虑，往往偏向于将血糖控制在略低于目标血糖的水平上。这时我们可以观察到系统计算的葡萄糖输注速度是持续升高的。在此，提示使用该系统的用户注意此现象。另一方面，系统内部也设置了限制门。限制门可以抑制葡萄糖输注速度无休止的升高，避免调现象的发生。