期刊精要 | 人工智能诊断糖尿病并发症
期刊精要 | 人工智能诊断糖尿病并发症的核心信息是什么？
David C. Klonoff ◆ University of California, San Francisco, California, USA David C. Klonoff博士是著名的内分泌学家，专注于糖尿病技术的开发与应用研究。他目前担任美国加利福尼Mills-Peninsula医疗中心糖尿病研究所的医学主任，同时也是加州大学旧金山分校（UCS...
David C. Klonoff ◆ University of California, San Francisco, California, USA David C. Klonoff博士是著名的内分泌学家，专注于糖尿病技术的开发与应用研究。他目前担任美国加利福尼Mills-Peninsula医疗中心糖尿病研究所的医学主任，同时也是加州大学旧金山分校（UCSF）的临床医学教授。他首次提出了“糖尿病技术”这一术语，并主导了多项糖尿病技术标准的制定，其中包括电子健康记录（iCoDE）和IEEE 2621标准等。 本文由David C. Klonoff撰写，属于「拓麦Diabetes」分类。 关键词：肾上腺皮质功能不全 、诊断、糖尿病 。
本文核心问答
Q1: 这篇资讯的核心内容是什么？
David C. Klonoff ◆ University of California, San Francisco, California, USA David C. Klonoff博士是著名的内分泌学家，专注于糖尿病技术的开发与应用研究。他目前担任美国加利福尼Mills-Peninsula医疗中心糖尿病研究所的医学主任，同时也是加州大学旧金山分校（UCSF）的临床医学教授。他首次提出了“糖尿病技术”这一术语，并主导了多项糖尿病技术标准的制定，其中包括电子健康记录（iCoDE）和IEEE 2621标准等。
Q2: 本文属于哪个学科分类，涉及哪些关键词？
本文属于「拓麦Diabetes」分类，涉及关键词：肾上腺皮质功能不全 、诊断、糖尿病 ，由David C. Klonoff撰写。
Q3: 这篇资讯的发布时间是什么？
本文发布于1737543659，来源为TalkMED拓麦医学资讯平台。
David C. Klonoff
◆ University of California, San Francisco, California, USA
David C. Klonoff博士是著名的内分泌学家，专注于糖尿病技术的开发与应用研究。他目前担任美国加利福尼Mills-Peninsula医疗中心糖尿病研究所的医学主任，同时也是加州大学旧金山分校（UCSF）的临床医学教授。他首次提出了“糖尿病技术”这一术语，并主导了多项糖尿病技术标准的制定，其中包括电子健康记录（iCoDE）和IEEE 2621标准等。他是《糖尿病科学与技术杂志》的创刊主编，已发表360余篇论文。他在糖尿病研究和临床实践中积累了丰富的经验，荣获多项国内外大奖，做出了杰出的贡献。
背景与方法
• 全球范围内，糖尿病的负担、影响及成本丝毫没有减轻的迹象，糖尿病视网膜病变（DR）、肾病、神经病变和心血管疾病等并发症极大地增加了糖尿病相关的发病率、死亡率及医疗成本；低血糖，尤其是在医院环境中，构成了重大风险，需要密切监测和管理以防止不良后果；此外，患者治疗依从性差，包括不遵医嘱用药、饮食选择不佳以及身体活动不足，会降低治疗效果并加速疾病进展
• 传统的糖尿病并发症诊断方法通常依赖于临床评估、实验室检测和影像学检查，这些方法可能耗时、具有侵入性且主观性强；此外，这些方法有时无法在并发症早期阶段检测出异常，而早期干预对于预防病情进展和改善预后最为有效
• AI使计算机和机器能够模拟人类智能并解决复杂问题，其优势在于它能够处理来自各种来源的大量复杂数据集；AI是新兴医疗技术的基石，其在糖尿病并发症的诊断中应用日益广泛，将推动糖尿病并发症诊断的未来
• 本文综述了基于AI的方法在诊断糖尿病并发症方面的当前格局，涵盖七个应用领域：治疗药物依从性、低血糖、糖尿病眼病、糖尿病肾病（DKD）、糖尿病神经病变（DN）、糖尿病足溃疡（DFU）以及糖尿病合并心力衰竭（HF）；讨论了AI的现状以及其在诊断方面的预期未来应用
主要发现
• AI与药物依从性：利用AI能改善糖尿病管理中的药物依从性，目前尚处于起步阶段；它的潜在价值是多方面的；AI的主要优势将在结合人与人之间的互动中得以实现，而不是依赖孤立的AI
• AI诊断低血糖：从2015年至2024年6月的最新文献综述中，共识别出70项关于低血糖机器学习模型的研究，这些研究报告了性能指标，突显了预测性能方面的进展；大多数门诊预测模型针对1型糖尿病（T1D）患者，使用小样本量的连续血糖监测（CGM）和较短的预测范围，而住院模型使用较大的电子健康记录（EHR）数据集，包括混合人群，并且具有较长的预测范围；尽管许多模型在内部验证中报告了良好至优异的预测性能，但很少有模型经过外部验证，或在前瞻性部署中评估其可用性或临床实用性
• AI诊断眼病：眼科领域的AI在DR和青光眼的诊断上表现出高度的准确性；美国食品药品监督管理局（FDA）批准的3款AI系统可使初级保健提供者自主筛查，以便早期发现超出轻度范围的糖尿病视网膜病变（mtmDR），而无需专科医生介入；未来AI的发展目标是通过集成可穿戴设备，加强对眼科异常的实时监测
• AI诊断肾脏疾病：AI/机器学习（ML）可以与电子病历结合使用，帮助诊断或预测患者发展为慢性肾脏病（CKD）/糖尿病肾脏病（DKD）以及相关的死亡率/发病率的可能性；AI/ML可用于分析肾脏超声（US）和磁共振成像（MRI）图像，以识别和诊断CKD/DKD；未来，我们将看到更加先进的AI/ML工具，用于辅助肾脏疾病的诊断，甚至能够精确到相关的特定生物分子
• AI诊断神经病变：目前诊断DN的方法既费力又耗时，阻碍了频繁和大规模的早期筛查；在概念验证研究中，利用多种数据模式的ML技术在分类DN（亚）表型方面已显示出前景；基础模型，如大型语言模型（LLMs），可通过整合定量、定性和人为因素来增强临床诊断并补充现有的ML技术
• AI增强DFUs的诊断和治疗：AI可用于对足部伤口图像进行分类，以检测缺血和感染；也可用于预测DFUs引起的并发症；基于AI得出的衰弱表型可以预测是否需要进行大截肢手术
• AI诊断HF：ML模型在预测糖尿病患者发生HF风险方面显示出前景，其表现优于传统评分方法；采用能量波形心电图（ewECG）特征的新型AI方法在检测无症状2型糖尿病（T2D）患者中亚临床左心室功能障碍方面表现出高准确度，这可能有助于实现早期干预；未来的研究应重点在更大、更多元的队列中验证AI模型，并探索多模态数据的整合，以提高预测性能和临床实用性
临床意义
• AI在糖尿病管理中的应用尚处于初级阶段，但其使用似乎是势不可挡；主要优势似乎在于：能够潜在地识别出有糖尿病并发症风险的患者，在干预措施更可能有效的早期阶段进发现病情，减轻糖尿病给个人带来的负担，并提高公平医疗服务的效率
• 未来需要开展更多研究以验证AI作为早期检测糖尿病相关并发症工具的有效性，以及在实际应用环境中使用AI的临床价值和成本效益；同时，还需要开展一项重大举措，以确保临床医生和糖尿病患者的参与；而这又需要考虑如何在AI系统中减少认知偏差和自动化偏差，确保数据隐私，降低产生幻觉和错误信息的风险，并明确问责制和责任划分
原文来自：Ayers AT, Ho CN, Kerr D, et al. Artificial Intelligence to Diagnose Complications of Diabetes. J Diabetes Sci Technol. 2025;19(1):246-264. doi:10.1177/19322968241287773 (© Author(s) (or their employer(s)) 2025. This is an open-access article distributed under the terms of the CC-BY license), 作者未参与本精要的编写。
供稿：Jaya
校对：Lisa Chao
排版：Vanessa
声明：
编辑部对刊载内容进行仔细审阅以尽力保持其准确性，但对稿件的使用或其中的任何错误、遗漏或不准确之处等均不承担任何责任。文中所表达的任何观点不代表编辑部的观点，文中提及或排除任何方法或药物并不构成对其使用的提倡、建议或拒绝，因此在为本文中提及的任何产品开处方前，请查阅生产商的最新处方信息。内容仅限医疗卫生专业人士学习交流使用，非医疗卫生专业人士请主动退出浏览与阅读，否则由此产生的相关风险与后果应自行承担。在未获得正式授权前，所有转载及使用文中内容均为侵权。
肖像经David C. Klonoff许可后使用。在未获得正式授权前，所有转载及使用文中内容均为侵权。
#AI：Artificial Intelligence，人工智能
#Complications：并发症
#Diagnosis：诊断
#ML：Machine Learning，机器学习
#Diabetes：糖尿病
▼点击阅读原文
引用格式：期刊精要 | 人工智能诊断糖尿病并发症. 发布日期：1737543659. 来源：TalkMED拓麦. URL: https://portal.talkmed.com/news/1786 参考DOI: https://doi.org/10.1177/19322968241287773
分享
收藏
点赞
