Clear Sky Science · he

חיזוי רמת סוכר בדם המודע לעתיד באמצעות זיקוק ידע עם דגמי Transformer מסוג רצף-לרצף

· חזרה לאינדקס

מדוע חיזוי רמת הסוכר חשוב

לאנשים החיים עם סוכרת מסוג 1, רמות הסוכר יכולות לעלות ולרדת במהירות לאחר ארוחות, פעילות גופנית, מתח או מתן אינסולין. היכולת לראות לא רק מה רמת הסוכר כרגע, אלא לאן היא נוטה בשעה־שעתיים הקרובות, יכולה לעזור למנוע תאים מסוכנות של היפו־ או היפרגליקמיה, לכוונן אינסולין בזמן ולתכנן פעילויות יומיומיות בביטחון רב יותר. מחקר זה בוחן גישה חדשה להכשיר מחשבים לחזות סוכר עתידי על ידי שימוש סמוי במידע על ארוחות ומנות אינסולין צפויות במהלך האימון, בעוד שבזמן הפעלה במציאות המידע על העתיד אינו זמין.

מבט חכם יותר קדימה לטיפול בסוכרת

מכשירי ניטור גלוקוז רציף מודרניים משדרים קריאות כל כמה דקות, והאלגוריתמים העכשוויים כבר משתמשים בנתונים אלה לחזות את רמות הסוכר לטווח הקרוב. עם זאת, רוב הכלים הקיימים מסתכלים לאחור: הם מנתחים קריאות גלוקוז עבר ולעתים אותות נוספים כמו קצב לב או תנועה. הם בדרך כלל מתעלמים מההשפעה החזקה של אירועים עתידיים כמו הארוחה הבאה או מנה אינסולין, כי אלה אינם ידועים באופן מהימן מראש. כתוצאה מכך, תחזיות נוטות להיכשל בדיוק ברגעים שבהם הרמות משתנות במהירות, למשל מיד אחרי אכילה או תיקון ערך גבוה. הכותבים טוענים שלצורך תמיכה אמיתית בהחלטות היומיומיות בניהול סוכרת, התחזיות חייבות ללמוד על ההפרעות העתידיות הללו מבלי לצפות שיהיו זמינות בזמן הפעלה.

Figure 1
Figure 1.

להכשיר עם רמזים נוספים, ואז לבדוק בלעדיהם

החוקרים מציגים מסגרת למידה "הערה לעתיד" שמפרידה בין שלב האימון לשלב הפריסה. במהלך האימון הם משתמשים ברישומים עשירים משני מאגרי נתונים גדולים של אנשים עם סוכרת סוג 1, הכוללים קריאות גלוקוז, מינוני אינסולין ומידע על ארוחות. הם בונים "מורה" חזק המבוסס על מבנה Transformer, ארכיטקטורת למידה עמוקה שמוכרת ביכולתה לטפל ברצפים ארוכים. המורה רואה הן נתוני גלוקוז מהעבר והן את הארוחות והאינסולין הצפויים לשעתיים הקרובות, ולומד כיצד אירועים עתידיים אלה מעצבים דפוסי סוכר. במקביל הם מעצבים "תלמיד" עם מבנה קלט־פלט דומה, אך התלמיד רואה רק נתונים מהעבר, בדיוק כמו מכשיר בעולם האמיתי.

העברת ידע מהמורה לתלמיד

כדי לגשר על הפער בין שתי נקודות המבט הללו, הכותבים משתמשים בטכניקה הנקראת זיקוק ידע. במקום להתאים רק את התחזיות הסופיות של המורה, הם מבקשים מהתלמיד גם לחקות את הייצוג הפנימי של המורה לגבי האופן שבו הגלוקוז צפוי להתפתח. הן המורה והן התלמיד מזינים את האותות הפנימיים שלהם לאותו רשת דיקוד שממירה דפוסים מופשטים לעקומות גלוקוז עתידיות. במהלך האימון התלמיד נדחק בשלושה ממשקים בו־זמנית: עליו לנבא את רמת הסוכר האמיתית בעתיד, לשמור על דפוסים פנימיים קרובים לאלה של המורה, ולשחזר בקירוב את תחזיות המורה. עם הזמן התלמיד לומד "לחשוב" על ארוחות ומנות אינסולין צפויות בעקיפין, בהסקה של תנודות עתידיות סבירות מצורות ההיסטוריה האחרונה בלבד.

בדיקה על נתוני סוכרת מהחיים

הצוות מעריך את הגישה שלהם על שני מאגרי נתונים עצמאיים: OhioT1DM, שעוקב אחרי 12 מבוגרים במשך שמונה שבועות בחיי היומיום, ו‑AZT1D, שעוקב אחרי 25 אנשים המשתמשים במערכות אספקת אינסולין אוטומטיות. לאחר טיפול קפדני בקריאות חסרות מהחיישן, הם משווים את מודל התלמיד למספר בסיסי־חוזק של רשתות נוירונים, כולל LSTM, LSTM דו־כיווני, רשתות קונבולוציה‑רקורסיביות ודגמי Transformer שאינם משתמשים באימון המודע לעתיד. בטווחי חיזוי מ‑30 עד 120 דקות, השיטה החדשה מקטינה בעקביות מדדי שגיאה מקובלים כמו שורש ממוצע ריבועי של השגיאות (RMSE) והשגיאה המוחלטת הממוצעת (MAE). האמינות הקלינית נבדקת באמצעות גרידת השגיאות של קלארק, שמדרגת תחזיות לפי הנזק האפשרי בהחלטות טיפולי; למעלה מ‑90% מתחזיות המודל יחולו באזורים הנחשבים בטוחים או קבילים להנחיית טיפול.

Figure 2
Figure 2.

מה זה יכול להשפיע על שגרת היומיום

באופן פשוט, המחקר מראה שלהתיר למודל להתאמן עם הצצה לעתיד ואז לזקק את הניסיון הזה לגרסה קומפקטית שעובדת בלעדיו — יכול לשפר את הדיוק בחיזוי רמת הסוכר, במיוחד לטווח של 60 עד 120 דקות. תחזיות ארוכות יותר אלה עוזרות לאנשים להחליט אם לאכול חטיף עכשיו כדי למנוע ירידה מאוחרת, או לכוונן מנה של אינסולין בזמן כדי למנוע עליה קרבה. אמנם העבודה עדיין מחקרית ומניחה שגרות יחסית סדירות, היא מצביעה לכיוון כלים חכמים יותר לתמיכה בהחלטה ומערכות אינסולין בלולאה סגורה שצופות טוב יותר תנודות גלוקוז עתידיות, גם כאשר המידע היחיד הזמין הוא מה שכבר קרה.

ציטוט: Sun, X., Li, H. & Yu, X. Future-aware blood glucose forecasting using knowledge distillation with transformer-based sequence-to-sequence models. Sci Rep 16, 11404 (2026). https://doi.org/10.1038/s41598-026-41787-7

מילות מפתח: חיזוי רמת סוכר בדם, סוכרת סוג 1, למידה עמוקה, דגמי transformer, זיקוק ידע