定义、预测对象与相邻边界
连续血糖监测数据睡眠响应预测模型,是以连续葡萄糖监测(CGM)时间序列及其派生特征为核心输入,在预先规定的时间点预测随后睡眠结果,或估计某项明确干预下睡眠结果可能如何变化的统计或机器学习模型。本词条归入 WSIC 4.4.4 睡眠数字孪生与个体化预测模型。模型必须说明预测的是当夜、下一夜还是一段随访期中的哪项睡眠结果,以及输出用于研究、一般健康反馈还是临床决策支持。
本条比第 1481 条“血糖波动与睡眠预测模型”更窄:CGM 是规定的主要数据源,输出侧聚焦睡眠响应。它又不同于第 1483 条“连续血糖与睡眠节律联动分析模型”,后者可描述两个时间序列如何同步或错位,而本条必须对预测时点之后的结果给出可验证预测。只把葡萄糖曲线与同夜睡眠图叠放、计算相关系数或展示夜间低值,尚不构成睡眠响应预测。
“响应”有两种不可混写的含义。一种是观察性响应,例如从睡前 CGM 轨迹预测随后总睡眠时间、觉醒或主观恢复感;另一种是干预响应,例如预测在调整进餐、运动、睡眠安排或治疗后相对于不调整会改变多少。前者是未来结局预测,后者涉及反事实和个体化干预效应。一个能准确预测高风险睡眠结果的模型,不会因此自动知道改变哪项因素能改善结果。
CGM 测量链、数据质量与特征工程
CGM 通常测量皮下组织间液葡萄糖,而不是直接连续抽取血液。读数受生理时滞、传感器和算法平滑、校准、使用日、插入部位、快速变化、温度、灌注和特定干扰物影响。模型资料应保存设备型号与软件版本、单位、采样频率、传感器起止、暖机、校准要求、趋势箭头、超量程、缺失与错误码;不同系统的相同数值或变化率不能未经桥接验证直接合并。
睡眠期间还可能出现压迫传感器造成的突降或异常恢复,传感器松脱、蓝牙断流、手机离线和电量不足也可形成缺口。清洗算法应保留原始质量标记,分别处理可疑压迫、短缺失、长缺失和真实极端,并报告插值和排除比例。用平滑消除所有尖锐变化会掩盖真实事件,把所有夜间低值视为真实又会让模型从设备伪差学习“睡眠响应”。
候选特征可包括睡前水平与斜率、一定窗口内均值和离散度、低值或高值暴露、波动幅度、餐后形态、恢复速度、昼夜差异及跨日稳定性,但每项都需固定公式和可用时间。特征窗口必须在预测时点关闭;使用入睡后或醒来后才出现的读数预测同一夜睡眠,会产生未来信息泄漏。数据驱动筛选大量窗口、阈值和指标后只报告最优组合,也会夸大性能。
睡眠响应、参考标准与时间对齐
睡眠结局应精确到测量对象,例如睡眠起始、总睡眠时间、睡眠效率、入睡后觉醒、阶段构成、次日困倦、主观质量或失眠症状。多导睡眠监测、研究级体动、消费级可穿戴、床旁传感器、日记和问卷的参考含义不同;设备自有“深睡”不能自动等同脑电慢波睡眠,卧床时间也不能代替睡眠。模型必须为每个结局说明参考方法、单位、有效夜标准和临床或实际意义。
CGM、睡眠设备、手机、泵、餐食与活动记录需要在同一时轴对齐。应处理时区、夏令时、跨午夜窗口、设备时钟漂移、重复时间戳、扫描型数据间断和日间小睡。固定以午夜至清晨代替真实睡眠可漏掉提前、延后、轮班和碎片化睡眠,也可能把清醒期进食或处理报警的数据错归为睡眠;预测流程应以经验证的睡眠窗口为结果依据。
睡眠本身也会改变数据生成过程。低血糖或高血糖症状、CGM 报警、确认检测、进食、给药、照护者介入和自动输注会引起觉醒并改变后续曲线,这些既可能是结果的一部分,也可能成为后续干预。模型应明确是在预测未经干预的自然睡眠、现行治疗下的实际睡眠,还是包含报警与处置后的综合结果,并避免把由设备报警直接造成的醒来误写成葡萄糖本身的独立生理效应。
观察预测、因果响应与证据边界
现有成人糖尿病研究提示睡眠质量与葡萄糖变异可能相关,部分同步监测研究也发现睡眠时长、时间或连续性与 CGM 指标共变;然而系统综述指出研究异质、偏倚中高、二型糖尿病证据不足,部分睡眠指标结果不一致。相关性和良好的预测性能都不能证明葡萄糖波动导致睡眠改变,也不能证明把曲线“变平”一定改善睡眠。
饮食、运动、酒精、压力、疼痛、感染、轮班、睡眠呼吸暂停,以及胰岛素、磺脲类、糖皮质激素、自动输注和其他药物,可同时影响 CGM 与睡眠。既往睡眠又会影响次日行为、用药依从和葡萄糖,因此方向可能双向。预测模型可以使用非因果但有用的标志,若要给出改变某输入后的结果,则必须明确因果图、时间顺序、混杂控制、治疗后变量和选择机制,而不能把特征重要性当作可干预效应。
个体化干预响应是同一人在接受与不接受某项干预时结果之差,但这两个潜在结果不能同时被直接观察。可靠估计通常需要随机比较或有充分假设、重叠性和敏感性分析的因果设计,并验证效应异质性和校准。单组前后变化、按模型分数选择的亚组、使用者自选行为或从历史日志匹配的“相似夜晚”,都容易混入回归均值、时间趋势和选择偏倚,不能直接证明个体获益。
模型开发、外部验证与效用评价
开发方案应预先规定目标人群、索引时点、CGM 历史窗口、睡眠结局、预测范围、候选特征、可用情境和拟支持的行动。分钟级 CGM 点并非独立样本,样本量应按参与者、传感器周期、夜数和结局事件评估。训练、调参和测试须按人和时间隔离,禁止同一人的重叠窗口、相邻夜或同一传感器周期跨集合;归一化、插补、特征选择与阈值设定也必须限制在训练流程内。
内部重采样只能估计过拟合,外部验证应在冻结模型上覆盖不同 CGM 品牌、睡眠测量、家庭与机构、季节、糖尿病类型、治疗方式和作息。个体化模型需说明冷启动需要多少有效夜、何时可信,以及更换传感器、改变用药、跨时区或长期健康变化后如何重新校准。仅在健康青年、单一诊所或受控夜晚中表现良好,不能支持儿童、孕期、老年、低血糖感知受损或夜班人群。
连续睡眠结果应报告平均绝对或均方误差、偏倚和误差分布;事件结果应报告灵敏度、特异度、阳性预测值、每夜误报与提前量;概率输出还需校准图、截距、斜率、置信区间和决策净获益。必须报告失败夜、有效覆盖、弃权、被排除记录和亚组表现。干预响应模型除结局预测外,还要评价个体效应的校准、决策收益和实际随机策略试验,不能只用总体受试者工作特征曲线下面积证明可指导干预。
输出解释、人机协作与安全处置
界面应同时显示预测目标、结果窗口、预测生成时间、数据新鲜度、CGM 质量、睡眠参考、适用人群、模型版本和不确定性。输入缺失、传感器压迫可疑、设备超出训练范围或时钟无法对齐时,应拒绝输出或标为不可判定。相关热图、特征贡献和相似夜示例可帮助复核,但不能标成病因、个体最佳血糖曲线或保证有效的改善路径。
一般健康反馈可用于整理记录和与专业人员沟通,但不得仅凭睡眠响应分数自行增减胰岛素、磺脲类或其他药物,进行睡前纠正、额外进食、改变泵设置或停用既有治疗。读数与症状或预期不符时,应依具体 CGM 说明、血糖确认规则和个人专业计划处理。模型预测睡眠良好不能排除危险低血糖或高血糖,预测较差也不能诊断失眠或睡眠呼吸暂停。
若模型触发通知,需评价假阳性造成的觉醒、焦虑、确认检测和不必要进食,以及假阴性导致的延误;阈值应结合事件严重度、提前量和夜间工作流设定。直接控制泵或自动输注属于更高风险闭环功能,必须另行验证剂量逻辑、互锁、最大输出、故障降级和人因。出现意识改变、抽搐、无法安全吞咽或其他严重低血糖或高血糖急症表现时,应立即按既定急救方案和当地急救流程处理,不等待睡眠响应模型重新计算。
隐私、监管与生命周期治理
CGM 曲线与睡眠、进食、运动、胰岛素、位置和卧室传感数据组合后,可揭示疾病、作息和家庭活动。系统应按最少必要原则决定保存原始分钟值、派生特征或汇总,区分本人、照护者、临床、研究和供应商权限,并明确实时共享、二次训练、保存、导出、更正、删除和撤销。床伴资料、共享手机、云端备份和第三方平台也在治理范围内;去名或端侧处理不能自动消除再识别风险。
产品属于研究分析、一般健康工具、临床决策支持、报警软件还是医疗器械,应按预期用途和销售地规则判断。声称预测临床睡眠结果、筛查疾病、选择治疗或估计个体治疗效应时,需要相称的质量、软件、风险、人因、网络安全和临床证据。获授权 CGM 提供数据,不代表接收这些数据的第三方睡眠模型、云端更新或干预建议自动获得同等授权。
生命周期档案应连接数据来源、CGM 与睡眠设备版本、时钟校正、标签、代码依赖、训练记录、冻结模型、阈值、因果假设、验证、用户信息、变更和事件处置。上线后应监测输入缺失、压迫疑似率、风险与响应分布、校准、误报漏报、群体差异、人工推翻和伤害信号。任何改变传感器、特征窗口、睡眠定义、预测范围、模型、阈值或建议逻辑的更新,都应评估累积影响、按风险重新验证,并明确新旧结果能否比较。