World Sleep Industry ENCYCLOPEDIA

皮質醇及血糖時序數據的節律預測模型

4.4.4

1. 定義、預測目標與適用邊界

皮質醇及血糖時序數據的節律預測模型,是把按時間採集的皮質醇、連續或間歇血糖數據與睡眠、進食、活動等時間資訊聯合起來,估計人體節律狀態並預測其後續變化的模型。它可以輸出潛在晝夜節律的相位、振幅和穩定性,也可以給出某一預測視窗內的血糖軌跡、皮質醇變化範圍或節律偏移機率。成熟系統還應同時報告預測區間、數據覆蓋度和超出適用範圍的提示,而不是只給出一個看似精確的時間點。

這類模型與僅依據一次晨間皮質醇測量作判斷、只做低血糖警示的演算法或單純繪製日內曲線不同。聯合建模的價值在於識別兩種信號的共同時間結構,並把內源性節律與覺醒、進餐、運動、壓力和用藥引起的短時反應盡可能分開。但統計上的同步、領先或滯後並不自動代表因果關係;模型也不能僅憑相關曲線診斷糖尿病、腎上腺疾病、庫欣氏症候群或其他內分泌疾病。

2. 生理基礎與主要混雜因素

皮質醇具有明顯的晝夜變化和更短週期的脈衝波動。其水平通常受到生理時鐘、睡眠—覺醒轉換和覺醒後反應的共同影響,同時也會因急性壓力、疼痛、感染、運動、輪班、進食、糖皮質激素及其他藥物而改變。因此,「醒後多久採樣」往往與鐘錶時間同樣重要;一次漏記的覺醒、夜間醒來或延遲取樣,可能被模型誤讀為相位移動。

血糖也不是單一節律的直接讀數。內源性晝夜調控會改變葡萄糖耐量和胰島素敏感性,而餐食成分與時間、禁食長度、運動、睡眠不足、清醒持續時間、代謝狀態和降糖治療都會疊加到曲線上。受控的錯位和強制去同步研究顯示,生理時鐘相位與行為週期可以分別影響葡萄糖和皮質醇;這說明實際模型需要明確記錄行為事件,不能把所有重複變化都歸因於同一個「中心時鐘」。

兩條曲線相關還可能源於共同原因,例如同時發生的睡眠中斷、壓力事件或輪班。分析領先—滯後關係時,應先處理採樣間隔、感測器延遲和外部事件,再討論方向性;除非經過隨機介入或有充分識別條件的因果研究,否則輸出宜表述為關聯性預測,而不是「皮質醇導致血糖變化」的結論。

3. 數據採集、時間對齊與品質控制

皮質醇可來自血漿、血清、唾液、尿液或毛髮,但不同基質反映的時間尺度和檢測特性不同,不能在沒有校準的情況下混合使用。記錄至少應包含樣本類型、採樣與實際測定時間、相對覺醒時間、實驗室方法、批次、檢出限和影響藥物。密集連續採樣適合分離脈衝和晝夜成分,稀疏的晨晚採樣只能支援較粗的相位或斜率判斷;模型應根據採樣設計限制輸出解析度。

連續血糖監測通常測量皮下組織間液葡萄糖,而不是直接測量靜脈血糖。組織液交換、濾波和設備演算法會造成動態延遲,不同設備和變化速率下的誤差也不同。感測器預熱、校準、佩戴部位、換片、信號中斷以及睡眠時壓迫感測器,都可能製造突降、平台或延遲。品質控制應保留原始時間戳和設備狀態,標記壓迫性疑似低值及插補區間,並避免把感測器偽影當成夜間代謝事件。

所有數據應統一到可追溯的時間軸,同時保留本地時間、時區、日光節約時間變更和跨午夜日期。餐食、咖啡因、運動、壓力、症狀、光照、睡眠分期、覺醒、胰島素及其他藥物需用明確事件時間關聯。手機、穿戴式設備、CGM和實驗室系統之間的時鐘漂移也要檢查。缺失並非總是隨機發生,例如使用者可能在高壓力或夜班時更少採樣,模型應將這種缺失機制納入不確定性,而不是靜默填補。

4. 模型方法與個人化

可解釋的起點包括餘弦節律分析、諧波迴歸、混合效應模型和廣義加性模型;它們適合估計群體與個人的相位、振幅和趨勢。狀態空間模型可以把不可直接觀測的節律狀態與餐後峰值、覺醒反應、測量雜訊分開,並隨新數據遞推更新。機制模型可加入葡萄糖—胰島素調控或激素動力學,機器學習和深度學習則適合處理非線性、多模態輸入和較長歷史視窗。混合式數位孿生可把生理約束與數據驅動校正結合起來。

無論模型類別如何,都應區分至少三層成分:緩慢變化的晝夜相位與振幅、由睡眠和日程驅動的行為週期,以及餐食、運動、壓力等事件引起的短時偏移。若只是把兩條曲線互相輸入黑箱,模型可能利用固定用餐時間或設備特徵形成捷徑。可採用事件卷積、滯後特徵、階層隨機效應或潛在狀態來表達這些結構,並用消融分析確認皮質醇是否確實增加了超出血糖和行為記錄的預測資訊。

個人化需要足夠的個人基線,尤其適用於輪班、時區旅行、月經週期變化、慢性疾病或用藥調整者。冷啟動階段宜依賴人群先驗並擴大不確定性,隨著可靠數據累積再更新個人參數。系統還應允許節律隨時間漂移,而不是假定每個人都嚴格遵循24小時、每天重複的固定波形。

5. 驗證設計與評價指標

訓練、調參和測試必須按受試者分開;同一人的相鄰時間窗高度相關,隨機拆分時間點會造成嚴重資訊洩漏。回溯性內部驗證之外,還應在獨立機構、不同CGM與檢測平台、不同年齡和性別、糖代謝狀態、輪班類型、藥物方案及作息規律的人群中外部驗證。若目標包含未來預測,驗證必須模擬真實上線過程,只使用預測時刻之前可取得的資訊。

相位預測宜報告圓周誤差或相位差,振幅應報告偏差和一致性,連續軌跡可報告絕對誤差、均方根誤差以及不同預測時距的表現。機率或區間輸出還需檢驗校準度、覆蓋率和區間寬度。聯合模型應分別評估皮質醇、血糖和共同節律狀態,報告缺失或拒絕輸出的比例,並比較僅用血糖、僅用皮質醇、加入行為事件後的基線模型。統計信賴區間應按人聚類或重採樣,避免把大量分鐘級讀數誤當成大量獨立樣本。

穩健性測試應包含感測器延遲變化、皮質醇稀疏採樣、未記錄進餐、睡眠壓迫偽低值、跨時區和設備更換等情形。因果或領先—滯後結論還需在不同滯後設定、負對照和敏感度分析下保持一致。表現良好也不等於臨床獲益;若模型用於改變治療或健康行為,應進一步透過前瞻性研究評估是否改善結果,以及是否產生警示疲勞或不必要介入。

6. 使用方式、介面表達與安全限制

在研究中,該模型可用於描述晝夜錯位、比較正常作息與輪班條件,或為採樣和介入安排提供假設。在健康管理或臨床決策支援場景中,介面應把預測曲線與覺醒、餐食、運動、用藥和感測器狀態疊加顯示,並清楚區分觀測值、插補值和模型預測。任何相位、風險視窗或個人建議都應附帶數據新鮮度、適用人群、預測時距和不確定性。

系統不應根據模型輸出自動增減胰島素、糖皮質激素或其他藥物,也不應把單次異常當成確診依據。疑似低血糖、嚴重高血糖或內分泌異常仍需按設備說明和臨床流程確認。對於睡眠壓迫造成的CGM低值、壓力造成的皮質醇升高或樣本錯時,介面應優先提示數據品質原因,避免製造錯誤的「夜間高風險」解釋。

安全部署需要超出分布檢測、輸入完整性檢查和拒絕機制:當感測器故障、採樣不足、時區不明或人群超出驗證範圍時,系統應停止給出高確定性結論。高風險應用應保留人工覆核、稽核日誌和升級路徑,並持續監測不同人群中的誤差和漏報,而不是只看總體平均表現。

7. 隱私、治理、維護與發展方向

激素、血糖、睡眠、進食和用藥時間共同構成高度敏感的健康與生活規律數據。採集應遵循目的限定和數據最小化,明確誰可以存取、保存多久、是否用於模型再訓練以及如何撤回授權。傳輸和儲存需加密,研究共享宜使用去識別化、存取控制和可稽核的數據使用協議;僅刪除姓名通常不足以消除由精細時間模式帶來的再識別風險。

每次模型更新都應記錄訓練數據範圍、程式碼和參數版本、檢測方法、設備韌體、輸入特徵及驗證結果。CGM演算法、實驗室試劑或穿戴式設備更新都可能引起數據分布漂移,因此需要按設備與人群持續監測校準、缺失率和誤差。發生關鍵變數變化時,應重新驗證而不是沿用舊閾值。

未來方向包括用稀疏、負擔較低的皮質醇採樣配合高頻CGM、睡眠和光照數據,更可靠地估計潛在節律;也包括透過機制約束、聯邦學習和隱私保護計算提升可解釋性與數據協作能力。不過,聯合預測精度的提高並不能替代介入證據。只有在前瞻性、跨人群研究和適當的介入試驗中證明獲益,才能把相關性模型進一步用於可執行的個人化建議。