World Sleep Industry ENCYCLOPEDIA

連續血糖監測數據睡眠響應預測模型

4.4.4

定義、預測對象與相鄰邊界

連續血糖監測資料睡眠反應預測模型,是以連續葡萄糖監測(CGM)時間序列及其衍生特徵為核心輸入,在預先規定的時間點預測隨後睡眠結果,或估計某項明確介入下睡眠結果可能如何變化的統計或機器學習模型。本詞條歸入 WSIC 4.4.4 睡眠數位孿生與個人化預測模型。模型必須說明預測的是當夜、下一夜還是一段追蹤期中的哪項睡眠結果,以及輸出用於研究、一般健康回饋還是臨床決策支援。

本條比第 1481 條「血糖波動與睡眠預測模型」更窄:CGM 是規定的主要資料來源,輸出側聚焦睡眠反應。它又不同於第 1483 條「連續血糖與睡眠節律聯動分析模型」,後者可描述兩個時間序列如何同步或錯位,而本條必須對預測時點之後的結果給出可驗證預測。只把葡萄糖曲線與同夜睡眠圖疊放、計算相關係數或顯示夜間低值,尚不構成睡眠反應預測。

「反應」有兩種不可混寫的含義。一種是觀察性反應,例如從睡前 CGM 軌跡預測隨後總睡眠時間、覺醒或主觀恢復感;另一種是介入反應,例如預測在調整進餐、運動、睡眠安排或治療後相對於不調整會改變多少。前者是未來結局預測,後者涉及反事實和個人化介入效果。一個能準確預測高風險睡眠結果的模型,不會因此自動知道改變哪項因素能改善結果。

CGM 測量鏈、資料品質與特徵工程

CGM 通常測量皮下組織間液葡萄糖,而不是直接連續抽取血液。讀數受生理時滯、感測器和演算法平滑、校準、使用日、插入部位、快速變化、溫度、灌流和特定干擾物影響。模型資料應保存裝置型號與軟體版本、單位、取樣頻率、感測器起止、暖機、校準要求、趨勢箭頭、超量程、缺失與錯誤碼;不同系統的相同數值或變化率不能未經橋接驗證直接合併。

睡眠期間還可能出現壓迫感測器造成的突降或異常恢復,感測器鬆脫、藍牙斷流、手機離線和電量不足也可形成缺口。清理演算法應保留原始品質標記,分別處理可疑壓迫、短缺失、長缺失和真實極端,並報告插值和排除比例。用平滑消除所有尖銳變化會掩蓋真實事件,把所有夜間低值視為真實又會讓模型從裝置假象學習「睡眠反應」。

候選特徵可包括睡前水平與斜率、一定視窗內均值和離散度、低值或高值暴露、波動幅度、餐後形態、恢復速度、晝夜差異及跨日穩定性,但每項都需固定公式和可用時間。特徵視窗必須在預測時點關閉;使用入睡後或醒來後才出現的讀數預測同一夜睡眠,會產生未來資訊洩漏。資料驅動篩選大量視窗、閾值和指標後只報告最佳組合,也會誇大效能。

睡眠反應、參考標準與時間對齊

睡眠結局應精確到測量對象,例如睡眠起始、總睡眠時間、睡眠效率、入睡後覺醒、階段構成、次日睏倦、主觀品質或失眠症狀。多導睡眠監測、研究級體動、消費級穿戴式裝置、床旁感測器、日記和問卷的參考含義不同;裝置自有「深睡」不能自動等同腦電慢波睡眠,臥床時間也不能代替睡眠。模型必須為每個結局說明參考方法、單位、有效夜標準和臨床或實際意義。

CGM、睡眠裝置、手機、幫浦、餐食與活動記錄需要在同一時軸對齊。應處理時區、日光節約時間、跨午夜視窗、裝置時鐘漂移、重複時間戳、掃描型資料間斷和日間小睡。固定以午夜至清晨代替真實睡眠可漏掉提前、延後、輪班和碎片化睡眠,也可能把清醒期進食或處理警報的資料錯歸為睡眠;預測流程應以經驗證的睡眠視窗為結果依據。

睡眠本身也會改變資料生成過程。低血糖或高血糖症狀、CGM 警報、確認檢測、進食、給藥、照護者介入和自動輸注會引起覺醒並改變後續曲線,這些既可能是結果的一部分,也可能成為後續介入。模型應明確是在預測未經介入的自然睡眠、現行治療下的實際睡眠,還是包含警報與處置後的綜合結果,並避免把由裝置警報直接造成的醒來誤寫成葡萄糖本身的獨立生理效果。

觀察預測、因果反應與證據邊界

現有成人糖尿病研究提示睡眠品質與葡萄糖變異可能相關,部分同步監測研究也發現睡眠時長、時間或連續性與 CGM 指標共變;然而系統綜述指出研究異質、偏差中高、第二型糖尿病證據不足,部分睡眠指標結果不一致。相關性和良好的預測效能都不能證明葡萄糖波動導致睡眠改變,也不能證明把曲線「變平」一定改善睡眠。

飲食、運動、酒精、壓力、疼痛、感染、輪班、睡眠呼吸中止,以及胰島素、磺醯脲類、糖皮質激素、自動輸注和其他藥物,可同時影響 CGM 與睡眠。既往睡眠又會影響次日行為、用藥依從和葡萄糖,因此方向可能雙向。預測模型可以使用非因果但有用的標誌,若要給出改變某輸入後的結果,則必須明確因果圖、時間順序、混雜控制、治療後變數和選擇機制,而不能把特徵重要性當作可介入效果。

個人化介入反應是同一人在接受與不接受某項介入時結果之差,但這兩個潛在結果不能同時被直接觀察。可靠估計通常需要隨機比較或有充分假設、重疊性和敏感度分析的因果設計,並驗證效果異質性和校準。單組前後變化、按模型分數選擇的亞組、使用者自選行為或從歷史日誌配對的「相似夜晚」,都容易混入回歸均值、時間趨勢和選擇偏差,不能直接證明個體獲益。

模型開發、外部驗證與效用評價

開發方案應預先規定目標人群、索引時點、CGM 歷史視窗、睡眠結局、預測範圍、候選特徵、可用情境和擬支援的行動。分鐘級 CGM 點並非獨立樣本,樣本量應按參與者、感測器週期、夜數和結局事件評估。訓練、調參和測試須按人和時間隔離,禁止同一人的重疊視窗、相鄰夜或同一感測器週期跨集合;正規化、插補、特徵選擇與閾值設定也必須限制在訓練流程內。

內部重採樣只能估計過度擬合,外部驗證應在凍結模型上涵蓋不同 CGM 品牌、睡眠測量、家庭與機構、季節、糖尿病類型、治療方式和作息。個人化模型需說明冷啟動需要多少有效夜、何時可信,以及更換感測器、改變用藥、跨時區或長期健康變化後如何重新校準。僅在健康青年、單一診所或受控夜晚中表現良好,不能支援兒童、孕期、老年、低血糖感知受損或夜班人群。

連續睡眠結果應報告平均絕對或均方誤差、偏差和誤差分布;事件結果應報告靈敏度、特異度、陽性預測值、每夜誤報與提前量;機率輸出還需校準圖、截距、斜率、信賴區間和決策淨獲益。必須報告失敗夜、有效涵蓋、棄權、被排除記錄和亞組表現。介入反應模型除結局預測外,還要評價個體效果的校準、決策收益和實際隨機策略試驗,不能只用總體接收者操作特徵曲線下面積證明可指導介入。

輸出解釋、人機協作與安全處置

介面應同時顯示預測目標、結果視窗、預測生成時間、資料新鮮度、CGM 品質、睡眠參考、適用人群、模型版本和不確定性。輸入缺失、感測器壓迫可疑、裝置超出訓練範圍或時鐘無法對齊時,應拒絕輸出或標為不可判定。相關熱圖、特徵貢獻和相似夜示例可幫助複核,但不能標成病因、個體最佳血糖曲線或保證有效的改善路徑。

一般健康回饋可用於整理記錄和與專業人員溝通,但不得僅憑睡眠反應分數自行增減胰島素、磺醯脲類或其他藥物,進行睡前修正、額外進食、改變幫浦設定或停用既有治療。讀數與症狀或預期不符時,應依具體 CGM 說明、血糖確認規則和個人專業計畫處理。模型預測睡眠良好不能排除危險低血糖或高血糖,預測較差也不能診斷失眠或睡眠呼吸中止。

若模型觸發通知,需評價假陽性造成的覺醒、焦慮、確認檢測和不必要進食,以及假陰性導致的延誤;閾值應結合事件嚴重度、提前量和夜間工作流程設定。直接控制幫浦或自動輸注屬於更高風險閉環功能,必須另行驗證劑量邏輯、互鎖、最大輸出、故障降級和人因。出現意識改變、抽搐、無法安全吞嚥或其他嚴重低血糖或高血糖急症表現時,應立即按既定急救方案和當地急救流程處理,不等待睡眠反應模型重新計算。

隱私、監管與生命週期治理

CGM 曲線與睡眠、進食、運動、胰島素、位置和臥室感測資料組合後,可揭示疾病、作息和家庭活動。系統應按最少必要原則決定保存原始分鐘值、衍生特徵或匯總,區分本人、照護者、臨床、研究和供應商權限,並明確即時分享、二次訓練、保存、匯出、更正、刪除和撤銷。床伴資料、共享手機、雲端備份和第三方平台也在治理範圍內;去名或端側處理不能自動消除再識別風險。

產品屬於研究分析、一般健康工具、臨床決策支援、警報軟體還是醫療器材,應按預期用途和銷售地規則判斷。聲稱預測臨床睡眠結果、篩檢疾病、選擇治療或估計個體治療效果時,需要相稱的品質、軟體、風險、人因、網路安全和臨床證據。獲授權 CGM 提供資料,不代表接收這些資料的第三方睡眠模型、雲端更新或介入建議自動獲得同等授權。

生命週期檔案應連接資料來源、CGM 與睡眠裝置版本、時鐘校正、標籤、程式碼相依套件、訓練記錄、凍結模型、閾值、因果假設、驗證、使用者資訊、變更和事件處置。上線後應監測輸入缺失、壓迫疑似率、風險與反應分布、校準、誤報漏報、群體差異、人工推翻和傷害訊號。任何改變感測器、特徵視窗、睡眠定義、預測範圍、模型、閾值或建議邏輯的更新,都應評估累積影響、按風險重新驗證,並明確新舊結果能否比較。