Объяснимая система глубокого обучения с медицинскими знаниями для титрации инсулина при диабете

Почему важны более взвешенные решения по инсулину

Для миллионов людей с сахарным диабетом 2 типа подбор дозы инсулина — это ежедневное уравновешивание. В больницах врачам приходится постоянно корректировать дозы с учётом колебаний гликемии, результатов анализов и сопутствующих препаратов. Это отнимает много времени и требует умственных усилий, особенно при дефиците персонала. Мощные системы искусственного интеллекта (ИИ) могут помочь, но большинство из них работает как запечатанная коробка: выдаёт число, не объясняя своего мышления. В этом исследовании представлена новая рамочная система ИИ, которая не только рекомендует дозы инсулина, но и объясняет свои решения так, чтобы это соответствовало подходу опытных специалистов по диабету.

Понимание «черного ящика»

Исследователи опирались на ранее разработанную систему глубокого обучения, предсказывавшую дозы инсулина для госпитализированных пациентов с диабетом 2 типа, используя данные из электронных медицинских записей. Эти записи включают основные сведения о пациенте, показания уровня глюкозы в течение дня, инсулин и другие сахароснижающие препараты, а также результаты лабораторных тестов. Исходная модель работала хорошо, но не могла объяснить, почему она отдавала предпочтение той или иной дозе, из‑за чего многие клиницисты сомневались в её применении. Чтобы устранить этот пробел, команда разработала слой «объяснимого ИИ», который располагается над чёрным ящиком и переводит его внутренние механизмы в понятные человеку составляющие — например, какие записи о гликемии, предыдущие инъекции инсулина или характеристики пациента больше всего повлияли на конкретную рекомендацию.

Учет факторов в сочетании, а не по‑отдельности

Большинство существующих инструментов объяснения оценивают влияние по одному фактору — скажем, возраст или одно значение глюкозы — на прогноз модели. Это может вводить в заблуждение при уходе за диабетом, где безопасная доза инсулина обычно зависит от взаимодействия нескольких факторов, таких как недавняя динамика гликемии, функция почек, масса тела и предыдущие дозы. Новая система использует метод, способный захватывать как индивидуальные эффекты, так и попарные взаимодействия между факторами. Это позволяет показывать, например, как высокий послеобеденный уровень глюкозы вместе с недавним снижением обеденной дозы инсулина даёт сильный сигнал к увеличению следующей дозы, в то время как та же гликемия в другом контексте может требовать меньшей корректировки.

Обучение ИИ уважать медицинское суждение

Даже продвинутый метод объяснения может противоречить медицинскому здравому смыслу, если опираться только на закономерности в данных. Чтобы избежать этого, исследователи ввели процесс «врач в петле». Панель опытных эндокринологов многократно пересматривала объяснения ИИ, проверяя, согласуются ли выделяемые признаки, направление и величина их влияния с установленными клиническими руководствами. Их отзывы были переведены в явные ограничения — например: доза инсулина не должна уменьшаться при повышении уровня глюкозы или при уменьшении других сахароснижающих препаратов. Эти ограничения встроили в движок объяснений и уточняли в нескольких раундах, пока эксперты не посчитали, что логика системы соответствует безопасной и принятой практике. Статистические тесты показали, что после этого процесса объяснения значительно лучше согласуются с известными принципами лечения диабета и избегают очевидных ошибок.

Как система влияет на реальные решения

Чтобы понять, действительно ли лучшие объяснения помогают клиницистам, команда провела исследование с участием восьми врачей — половина менее опытные, половина более — которые оценивали реальные клинические случаи в трёх условиях: самостоятельно, видя только предложение дозы от ИИ и видя и дозу, и её объяснение. Во всех группах просмотр объяснения от ИИ уменьшил среднюю разницу между выбранной врачом дозой и эталонной экспертной дозой и увеличил долю решений, совпадающих по направлению с экспертом и находящихся в допустимом диапазоне. Эффект был особенно заметен у младших врачей: их точность и уверенность улучшились больше всего. Старшие врачи уже демонстрировали высокую производительность, но также отмечали повышенную уверенность, когда могли видеть, почему ИИ рекомендовал ту или иную дозу.

Почему качество объяснений имеет значение

Исследователи также проверили, что произойдёт, если объяснения ИИ будут неверными, подавая врачам синтетические, намеренно ошибочные рассуждения вместе с в остальном корректными предложениями доз. В таких случаях производительность часто ухудшалась, особенно у молодых клиницистов, и обычные преимущества поддержки ИИ исчезали или даже оборачивались во вред. Этот результат подчёркивает, что объяснения — не просто косметическая добавка: если они вводят в заблуждение, могут навредить, уводя врачей от более правильного собственного суждения. Поэтому для безопасного применения ИИ необходимы высококачественные, медицински обоснованные объяснения.

Что это значит для пациентов и врачей

Простыми словами, исследование показывает, что систему ИИ можно обучить не только рекомендовать дозы инсулина, но и «показывать ход своих рассуждений» так, чтобы это перекликалось с тем, как специалисты по диабету принимают клинические решения. Внедряя медицинские знания непосредственно в механизм объяснений и привлекая врачей на всех этапах разработки, рамка делает предложения ИИ более заслуживающими доверия и проще для проверки. Для пациентов это может означать более безопасные и последовательные корректировки инсулина, особенно когда дежурят менее опытные клиницисты. В более широком плане подход служит шаблоном для создания прозрачных инструментов ИИ в других сложных областях медицины, помогая превращать «чёрные ящики» в партнёров для совместного клинического принятия решений.

Цитирование: He, H., Ying, Z., Li, B. et al. Explainable deep learning framework incorporating medical knowledge for insulin titration in diabetes. Commun Med 6, 192 (2026). https://doi.org/10.1038/s43856-026-01449-1

Ключевые слова: сахарный диабет 2 типа, дозирование инсулина, объяснимая ИИ, поддержка клинических решений, электронные медицинские записи