MEDICAL DATA RESEARCH
老年2型糖尿病AI数据方案:从综合评估到纵向安全验收
2026年老年2型糖尿病指南把血糖、胰岛功能、并发症、脏器功能和生活能力放进同一套综合评估框架。本文据此拆解医疗AI数据建设中的模态、标签、时间对齐、专家复核、偏倚控制与外部验证要求,并区分研究路线与可核验交付边界。
SEO标题:老年2型糖尿病AI数据方案:从综合评估到纵向安全验收 SEO摘要:2026年老年2型糖尿病指南把血糖、胰岛功能、并发症、脏器功能和生活能力放进同一套综合评估框架。本文据此拆解医疗AI数据建设中的模态、标签、时间对齐、专家复核、偏倚控制与外部验证要求,并区分研究路线与可核验交付边界。 关键词:老年2型糖尿病;多模态医疗数据;连续血糖监测;衰弱与认知;纵向随访;AI数据验收 搜索意图:面向医疗AI研发、医院科研与数据采购团队,了解老年2型糖尿病多模态纵向数据如何定义临床任务、设计标签并进行可复核验收。
老年2型糖尿病的数据建设,难点不在于把一张化验单或一条血糖曲线送进模型,而在于把患者所处的临床阶段、低血糖风险、并发症负担、器官功能、生活能力和照护条件放回同一条可追溯的时间轴。2026年版《中国老年2型糖尿病防治临床指南》将血糖控制水平、胰岛功能、合并症与并发症、脏器功能以及个人生活能力列为制定个体化方案的五个评估方面1。这不是一份现成的人工智能数据字典,也没有直接规定模型输入或算法指标;但它给医疗AI研发提出了清晰的临床问题:如果数据只保留单次HbA1c或一张眼底图,就无法表达老年患者治疗目标为何不同,也无法解释一次异常读数发生在何种情境中。
本文将指南中的临床信息转译为可讨论、可验收的数据工程任务。文中的“应设计”“可考虑”均指研发路线或项目规格建议,不是指南已经提出的AI要求;任何真实采集、授权、伦理审查、专家资质和交付规模,仍需在具体项目中逐项确认。
先把临床问题定义成可验证任务
老年糖尿病AI项目至少要先回答三个问题。第一,模型是在做筛查、分层、事件预测,还是辅助整理随访信息?“预测低血糖风险”“识别糖尿病肾脏病风险”“评估衰弱状态”和“生成面向医生的结构化摘要”不是同一个任务,不能共用一个没有定义的“金标准”。第二,输入发生在什么时间窗?入院初始评估、门诊年度复查、住院期间血糖管理和出院后随访的时间语义不同。第三,输出服务谁、何时使用、错误代价是什么?供科研建模的风险分数,不等同于可直接用于诊疗的建议,更不能由数据服务方宣称已经具有临床效果。
指南对老年人筛查提出了空腹血糖之外增加餐后2小时血糖、结合HbA1c和必要时进一步检查的路径1。因此,筛查型数据的最小结构不应只是“有无糖尿病”一个标签,而应记录检测时间、空腹/餐后/随机状态、样本与仪器上下文、重复确认逻辑及最终临床判定。对于已诊断人群,至少要区分病程、治疗阶段、近期是否发生急性疾病和是否存在应激性高血糖。否则,模型可能把住院时的一次高血糖误学成长期糖尿病严重程度。
一个可落地的首期任务可以限定为“老年2型糖尿病患者未来一个随访窗口的低血糖或衰弱风险分层”,另设“并发症筛查结果结构化”作为辅助任务。首期不把“个体化治疗决策”写成自动处方,也不把“改善预后”写成已证实结果。任务说明应同时写出纳入与排除条件、预测起点、观察窗口、事件定义、允许使用的既往信息、缺失处理和预期使用环境。
数据颗粒度也要在任务书中先固定。患者级表适合放置年龄段、病程、既往事件和长期结局;就诊级表记录一次门诊、住院或急诊中的综合评估;检查级表记录某项检验、影像或功能测评的原始结果、单位、参考范围与判读状态;用药级表记录处方变化及其生效时间;设备级表记录传感器、血糖仪或影像设备的型号、采集协议和质量标志。不同表之间用去标识化的研究对象键和事件键关联,而不是把所有字段横向摊平成一行。这样既能保留同一患者多个时间点,也能避免把一次检查的结果误当成患者永久属性。
事件表还应区分“临床发生”和“系统记录”。例如低血糖的测量值、症状、是否需要他人帮助、是否送医,可能来自不同记录;衰弱的握力、步速、体重变化和疲乏也可能不在同一次就诊完成。项目可以规定一个允许的评估窗口,但必须保存各组成项的实际时间和来源,标注窗口内未完成的项目。对于住院患者,入院前、入院初始、治疗调整、出院和随访应是不同阶段;将阶段混合后再随机分割,容易把同一事件的后验信息带入训练端。可复核的事件表比事后补齐的宽表更适合错误追踪、时间分离验证和后续任务复用。
图1|技术示意:从临床事件、检查和量表到可核对标签的四层链路;不表示真实患者、实验完成或临床诊断。
输入不是“越多越好”,而是要能解释临床状态
指南要求对血糖总体水平和波动、饮食与运动、降糖方案、低血糖风险、胰岛素或C肽、血压、血脂、尿酸、体重及腰围等信息进行综合判断1。这意味着数据模型至少要有四类输入。
第一类是代谢与治疗序列。应保存HbA1c、空腹和餐后血糖、必要时的连续葡萄糖监测或计划性自测点位,同时记录测量方式、时间戳、单位、设备、是否与进餐或运动相邻。连续数据应保留传感器佩戴和有效时段信息,不能把缺测区间插值后伪装成真实稳定曲线。药物记录需要有通用名、剂量、频次、起止时间、调整原因和与进餐的关系;“服用过某药”无法支持剂量变化与事件的时间分析。
第二类是并发症和器官功能。指南涉及心脑血管、肾脏、眼底、神经、足部、骨骼以及急性并发症等多个方向1。数据字典应将筛查结果、临床分级、检验值和影像/功能检查的来源分开保存,并写出判定版本。例如眼底照片、肾功能化验、尿白蛋白/肌酐比、足部感觉或血流评估、脑影像与心血管检查,不应被压缩成一个“并发症阳性”字段。若某一项目只在部分人群或部分时间点采集,应记录适用条件和未采集原因,以免把“没有检查”误编码为“没有病变”。
第三类是老年综合征与功能状态。指南明确关注衰弱、跌倒风险、多重用药、肌少症、认知障碍、营养和日常生活能力1。因此可把握力、步速或坐立测试、营养评估、认知量表、抑郁量表、ADL/IADL、自我管理能力与照护支持作为结构化字段,但不能把量表分数直接解释为疾病诊断。量表版本、施测者、语言、施测环境和完成状态都应保留;认知测评不完整或由照护者代答时,标签可信度需要单独标记。
第四类是场景与公平性变量。年龄、性别、城乡或区域、就诊层级、设备型号、采集方式、教育和数字可及性,往往同时影响数据缺失与模型表现。AI-READI的协议以多站点、平衡分层、十余类健康与行为领域采集为例,强调将视网膜影像、心电、认知、连续血糖、活动、实验室、心理社会和社会决定因素放进可共享的数据框架2。这类设计不等于所有项目都要复制同样规模,而是提醒团队:多模态的价值来自临床语义和元数据完整,而不是字段数量的堆叠。
标签要有来源、层级和争议记录
临床指南中的“控制目标”是按患者条件分层的管理框架,不能直接当作统一的机器学习标签。比如指南给出不同HbA1c、空腹和餐后血糖范围,并按病程、低血糖风险、自理能力、严重疾病与预期生存期区分适用情境1。如果项目把某个阈值机械地标成“达标/不达标”,就会抹掉这些条件,造成标签泄漏和不公平比较。
建议把标签拆成三层。第一层是观测事实,例如某时点的HbA1c、某段连续监测的有效比例、是否发生需要他人帮助的低血糖、是否完成眼底或足部筛查。第二层是经规则定义的研究终点,例如在预先声明的窗口内是否发生一次符合项目定义的事件;每个终点要写出时间起点、排除事件、重复事件和失访处理。第三层是专家解释或管理分层,例如“低血糖高风险”“衰弱表型待复核”“并发症证据不足”。第三层不应覆盖原始观测,也不应把专家意见伪装成客观事实。
老年糖尿病虚弱预测研究方案使用CHARLS 2011—2020年随访数据,按Fried表型定义虚弱,并计划以早期波次建模、后续波次做时间分离验证;其方案还明确了缺失比例、外部验证样本量、校准和决策曲线等要求3。对于数据建设,这带来两个直接启示:标签不仅要有类别,还要有形成过程;时间分离不能靠随机切分替代。若同一人的多次就诊或同一家庭的相关记录跨入训练和测试,模型可能记住个体或机构特征,却被误认为学到了疾病规律。
专家标注应采用任务相称的流程。影像、量表和临床表格的审核角色不必被写成未经核实的“权威专家”或“金标准团队”,而应记录实际角色、培训内容、独立判读、分歧类别、裁决依据和版本。对于低血糖、衰弱、足病分级等高风险标签,建议保留“不确定”“证据不足”“需复核”等状态,计算一致性时不要把所有争议强行并入阳性或阴性。
纵向对齐比单次高分更重要
老年糖尿病的风险和管理目标会随药物、饮食、运动、感染、住院、器官功能和照护环境变化。指南要求根据初诊或复诊评估结果安排再评估,并在住院、急性并发症和出院后阶段调整监测与管理1。对AI数据来说,至少要区分四种时间:采集时间、结果可用时间、临床决策时间和事件发生时间。只有这样,模型训练时才能避免使用事件发生后才出现的字段。
连续血糖与点测血糖还需要记录采样机制和对照关系。指南列出不同自测模式并指出餐前、餐后、夜间和连续监测分别回答不同问题1。因此,研发数据不应把所有读数简单拼成等间隔序列;应保留餐食、运动、睡眠、用药和传感器状态等上下文,至少在特征层标注“观察到”“未观察到”“未采集”和“不可解释”。纵向标签也应预先约定随访窗口,例如从某次综合评估起算的30天、90天或下一次年度评估,而不是看到结果后再选择最有利的窗口。
AI-READI是横断面数据生成协议,目标是构建多模态、AI-ready、遵循FAIR原则的共享数据集2;它并不等于老年糖尿病纵向队列,也不能被用来证明长期治疗效果。相反,老年虚弱预测方案强调跨波次时间分离,这更接近纵向预测的验证逻辑3。两者结合说明:横断面多模态数据适合研究关联和基线表征;要做进展、复发、住院或功能下降预测,必须另行设计重复测量、事件窗口和失访机制。
验收应从数据质量延伸到模型风险
项目验收至少应分四层。第一层是可用性:必需字段的完整率、单位和编码一致性、时间戳合法性、重复记录、异常值和模态配对率。第二层是标签质量:独立复核比例、分歧处理、缺失与“不适用”区分、标签版本和证据来源。第三层是模型评估:按患者而非记录划分训练、验证和测试,必要时按机构、设备、年龄段、性别、区域、治疗方式和老年综合征状态报告性能。第四层是业务可用性:输出是否带不确定性、是否能追溯到输入和版本、是否有人工复核入口、错误如何回退、数据更新会不会改变既有结果。
采购验收单还应把“样例通过”和“全量通过”分开。样例阶段核对字段语义、脱敏效果、标签边界和交付格式;全量阶段再核对抽样规则、返修闭环、版本差异和问题追踪。若项目约定阈值,应同时写明分母、抽样单位、置信区间或允许的复核路径,不能只写“高质量”“专家审核”这类无法复测的表述。对仍需伦理、授权或真实项目验证的部分,应列为开放项,而不是提前写成完成状态。
TRIPOD+AI将预测模型报告扩展到回归和机器学习方法,强调研究对象、预测起点、结局、数据处理、开放科学和关键亚组公平性,并明确它是透明报告规范而不是质量评价工具5。因此,项目不能只交一张AUC截图。至少要同时报告区分度、校准、置信区间、阈值选择、缺失处理、外部或时间验证及适用边界。对于发生率低或标签争议多的事件,准确率尤其不能单独作为验收结论。
图2|技术示意:从数据闸门、标签审核到独立验证和上线监测的验收关系;不表示真实模型结果或临床批准。
FUTURE-AI以公平、普适、可追溯、可用、稳健和可解释六项原则组织医疗AI全生命周期,并把设计、开发、验证、部署和持续监测连接起来6。这与老年糖尿病场景尤其相关:设备和照护条件造成的缺失可能不是随机缺失;低数字可及性人群可能更少使用连续监测;认知或视听障碍可能影响自我报告。数据卡应说明这些缺口,验收记录应说明哪些人群没有充分证据,而不是把“未观测”改写成“低风险”。
从研究路线到可核验交付
对数据服务团队而言,真正可交付的价值应落在任务规格、样例、数据字典、脱敏记录、标注指南、质量报告、版本清单和验收复盘,而不是未经证据支持的库存规模、专家数量或统一准确率。朗慧现有能力边界是AI数据基础设施与流程服务,包括采集、处理、标注、质检和数据交付;这不等于已经拥有某一专病现货、完成某项临床研究或取得医疗器械批准。项目范围、数据来源、授权、交付规模和专家配置,须以书面规格确认。
如果客户要做老年糖尿病并发症筛查,可以先把一个模态和一个明确终点做成小规模试标,再逐步加入连续血糖、药物时间轴、眼底、肾功能或功能量表。若客户要做衰弱预测,应先固定表型定义和预测窗口,再决定哪些临床变量在预测起点之前可用。若客户要做多模态报告生成,可参考DeepDR-LLM的“影像+语言”研究设计,但不能把其在特定人群、特定场景中的结果外推为所有老年糖尿病患者的临床收益。该研究本身也指出了中国人群训练、非随机设计、短随访和客观结局不足等限制4。
在部署前,建议把“研究可行”与“临床可用”分成两个闸门。研究可行闸门关注数据是否足以回答问题,临床可用闸门还要增加工作流验证、使用者培训、异常回退、版本冻结、变更记录和持续监测。任何需要真实患者数据、医院授权、伦理审批、临床试验或监管许可的环节,都不能由公开文章替代。AI输出仍是研究或辅助信息,不能替代医生判断,也不能向患者提供个体化诊疗、用药或急救指令。
结语:把复杂性保留下来,才有可复核的AI
老年2型糖尿病的临床复杂性不是数据工程必须消除的噪声,而是模型需要被正确编码的对象。综合评估提醒团队保留血糖、胰岛功能、器官损伤、功能状态和照护条件之间的关系;连续监测提醒团队尊重时间与测量机制;并发症与老年综合征提醒团队建立分层标签和不确定性;TRIPOD+AI与FUTURE-AI则要求把公平、追溯、解释、验证和上线监测写入全流程。
一个专业的数据方案不承诺“模型一定更准”,而是让读者能复核:输入从哪里来,标签由谁在什么规则下形成,哪些人群未被充分代表,训练和测试是否真正独立,模型在哪些场景不应使用,以及出现错误时谁能发现并纠正。对医疗AI研发和数据采购而言,这种可解释、可追溯、可验收的基础设施,才是从临床指南走向安全研究的现实起点。
参考来源
- 中国老年2型糖尿病防治临床指南(2026年版)
- Cross-sectional design and protocol for Artificial Intelligence Ready and Equitable Atlas for Diabetes Insights (AI-READI)
- Development and validation of a machine learning-based prediction model for frailty in older adults with diabetes: a study protocol for a retrospective cohort study
- Integrated image-based deep learning and language models for primary diabetes care
- TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods
- FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare

