MetaboNet：用于 1 型糖尿病管理的最大公开可用整合数据集

MetaboNet: The Largest Publicly Available Consolidated Dataset for Type 1 Diabetes Management

arXiv: 2601.11505v1

论文信息

标题: MetaboNet: The Largest Publicly Available Consolidated Dataset for Type 1 Diabetes Management

作者: Miriam K. Wolff, Peter Calhoun, Eleonora Maria Aiello, et al.

发布日期: 2026-01-16

arXiv ID: 2601.11505v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题：1 型糖尿病（T1D）管理算法的研发受限于现有数据集的碎片化和缺乏标准化，不同数据集在结构、规模和访问方式上差异巨大，阻碍数据整合与算法通用性评估。这篇论文旨在建立一个统一、可公开访问的 T1D 数据资源。

  • 核心方法：论文将 21 个公开可用的 T1D 数据集整合为名为 MetaboNet 的统一资源。要求数据集同时包含连续血糖监测（CGM）和胰岛素泵给药记录，将数据重采样为统一的 5 分钟间隔表格格式，并标准化特征名称与单位。部分受数据使用协议（DUA）限制的数据集通过提供开源处理脚本实现本地转换。

  • 关键结果：MetaboNet 数据集涵盖 3135 名受试者，提供了 1228 个患者年的 CGM 与胰岛素重叠数据，其中 71%（即 867.4 患者年）为完全公开数据（见表 1）。这使得它比任何单个现有基准数据集都大得多（见图 1）。

  • 主要局限：数据集中某些族裔（如非白人群体）的代表性仍然不足。数据整合自多个来源，各研究原有偏倚可能残留。此外，手动报告的特征（如碳水化合物摄入）存在固有误差，且零值与缺失值在部分特征中难以区分。处理跨时区等时间伪影也存在挑战。

  • 适合读者：从事 T1D 管理算法（如血糖预测、胰岛素剂量控制）开发的机器学习研究人员、生物医学工程师，以及对大规模真实世界糖尿病数据分析和群体血糖模式研究有兴趣的内分泌学家和数据科学家。

1 论文背景和研究动机

1 型糖尿病（T1D）的管理至今仍充满挑战。尽管胰岛素输注技术和计算方法取得了长足进步，许多患者依旧难以达到理想的血糖控制目标或避免严重低血糖事件（论文第 1 节，引用 [36]）。实现最优控制因生理波动、饮食与运动等行为因素的复杂相互作用而变得极为困难。

在糖尿病技术研究中，数据驱动的算法开发，如基于神经网络的血糖预测、模型预测控制（MPC）以及餐食与低血糖检测算法，已展现出巨大潜力（见引用 [35]、[2]、[50] 等）。然而，这类算法的进步和临床转化高度依赖于高质量、能够代表多样人群和真实世界管理场景的数据集。

该领域的核心痛点在于现有数据集的 “碎片化”。每个数据集通常为特定研究目的收集（例如，侧重长期随访、大型队列或丰富特征集），这导致它们在结构、采样频率、特征定义和访问许可上存在显著差异。研究者若想整合多个数据源进行交叉验证或提升模型泛化能力，将面临繁琐的预处理工作，严重阻碍了研究的可重复性和算法的可比性。这正如计算机视觉领域在 ImageNet 出现之前面临的困境（论文第 1 节，引用 [14]、[9]）。正是在此背景下，MetaboNet 应运而生，旨在为 T1D 算法开发创造类似 ImageNet 的标准化、大规模基准。

2 核心方法和技术细节

MetaboNet 的构建遵循了一套严谨的流程，核心是 “整合、清洗、与标准化”。

数据集筛选与整合 研究设定了明确的准入标准：数据集必须同时提供 CGM 和胰岛素给药信息，且涵盖胰岛素泵使用者。论文团队从 JAEB 数据集仓库、T1DEXI 研究等多个来源（见第 2 节及表 1）筛选出 21 个数据集进行整合，其中既有完全公开的（如 Loop Observational Study，占最多主体），也有需要通过 DUA 申请的（如 OpenAPS Commons 和 T1DEXI）。最终的 MetaboNet 2026 版本分为两个部分：一个可即时下载的完全公开子集，和一个需申请但提供自动转换脚本的 DUA 子集。

数据标准化格式 这是本工作的技术核心。根据先前工作的统一规范（见引用 [52]），所有数据被整合到一个单一的表格文件中。每个条目关联一个唯一的 “主体-时间戳” 对。关键的数据处理包括：

  • 时间重采样：将所有数据统一到均质的 5 分钟时间网格上。
  • 特征处理：对于累计量（如胰岛素输注总量、碳水化合物摄入量），计算其在 5 分钟间隔内的总和；对于瞬时速率量（如心率），计算其在 5 分钟间隔内的平均值。
  • 缺失值处理：真实世界数据的缺失值被原样保留，交由下游用户自行决定插补策略。论文特别指出，零值和缺失记录在碳水化合物和胰岛素数据中存在歧义，使用者需格外注意。

质量保证 为确保整合后数据的可靠性，团队实施了一系列质保措施（第 2.2 节），包括范围检查、重复记录删除和验证设备时间与招募期的一致性。特别地，为了防止同一患者因参与多项研究而产生的重复数据，论文采用了基于每日 CGM 统计指标的匹配去重技术（见引用 [12]），共发现并移除了 5 名患者的 788 天重复数据。

3 创新点和贡献

MetaboNet 的主要贡献不在于提出新算法，而在于它为该领域的基础设施建设做出了关键性的系统级贡献。

1. 规模效应与多样性：构建了最大的统一 T1D 数据资源 MetaboNet 最突出的创新是其体量。整合后的数据集包含 3135 名受试者和 1228 患者年的 CGM 与胰岛素重叠数据，远超 T1DEXI 等单个大型数据集（见图 1）。这种规模不仅支持更稳健的个体间/内变异性分析，还覆盖了广泛的血糖特征（图 S1）和人口统计学谱（图 3），包括年龄（1-82 岁）、BMI（11.7-48.5 kg/m²）和不同性别，使得基于此数据集训练的模型可能具备更强的泛化能力。

2. 标准化与易用性：极大降低研究门槛 论文将 21 个格式迥异的数据集统一为即开即用的标准化格式，并构建了清晰的访问路径。这为研究者节省了大量重复的数据清洗和预处理时间，使得跨研究的算法基准测式变得简便、可重复。这种 “统一数据接口” 的设计思想，为糖尿病数据科学向更规范的工程化方向发展奠定了基础。

3. 体现开放科学与互补的生态理念 MetaboNet 采用了一种务实的开源策略。对于占总量 71% 的公开数据，它提供直接下载；对于 DUA 保护的数据，它不侵犯原有许可，而是通过在 GitHub 上提供开放的数据处理脚本（metabonet_processor，第 4 节）来确保标准化流程的可复现性。这种设计在最大化数据可用性的同时，维护了数据治理规范。

4 实验结果分析

论文通过群体分析和算法基准两个维度，展示了 MetaboNet 的应用潜力。

群体水平分析 利用 MetaboNet 的大样本特性，论文展示了进行大规模群体分析的可能。例如，图 S1 展示了受试者个体的血糖达标时间（TIR，70-180 mg/dL）与严格达标时间（TITR，70-140 mg/dL）之间的关系。该图揭示了两者总体正相关，但也存在个体间的巨大差异，即高 TIR 并不总是等同于高 TITR。这种洞察只有通过对大规模、多样化队列的分析才具有足够的统计效力。

算法开发与基准测试 论文在附录中设置了一个血糖预测基准，比较了从零阶保持（ZOH）到支持向量回归（SVR）等多种模型在 30 分钟预测水平线上的表现（表 S2）。一个关键发现是：增加训练数据量可以提升模型在测试集上的预测精度。图 5 直观地表明，当使用更高比例的数据进行训练时，模型的均方根误差（RMSE）呈下降趋势，这直接呼应了 MetaboNet 作为一个大型数据集的根本价值。

基准测试本身也对比了不同模型在不同指标上的优劣（表 S2、S3）。例如，SVR 和朴素自回归（Naive AR）模型在 RMSE 上表现最优（23 mg/dL），而朴素线性外推（Naive LE）和部分生理学设计（PBD）模型则在时间增益（TG，均为 15 分钟和 10 分钟）和几何均值（GM，分别为 0.83 和 0.82）上表现更好，表明后者在预测事件发生的时间点和识别低血糖/高血糖事件的平衡性上更具优势。这再次强调了评估预测模型时不应只看准确性，临床相关的时效性和安全性同样重要。

实践建议

如果你正在或计划利用 MetaboNet 进行 T1D 算法研发，以下建议或许可供参考：

  • 精准选择特征与处理缺失值 使用数据前，务必仔细研读网站（metabo-net.org）上的数据字典。特别注意碳水化合物和胰岛素注射记录的零值双重含义。在你的训练流程中，需明确定义并论证针对这些稀疏特征的缺失值处理策略，例如，是置零填充还是前向填充，并评估其对模型行为的影响。

  • 设计稳健的训练与测试分割方案 MetaboNet 合并了多个队列。为保证模型泛化能力，避免数据泄露，应采用按主体（subject-level）或按数据源（source-level）划分训练集与测试集，而非简单的随机划分。论文的基准测试部分就采用了按主体分割，并设置了 24 小时的时间缓冲区以防止信息泄露（附录 S2.2），这是值得借鉴的实践。

  • 多指标综合评估模型性能 避免仅仅使用单一的预测误差指标（如 RMSE）来评估模型。建议参考论文基准测试的方法，综合评价包括：

    • 准确性：RMSE、克拉克误差网格（CEG）分析。
    • 时效性：时间增益（TG），用于衡量对血糖低谷或高峰的预警能力。
    • 临床事件预测能力：几何均值（GM），用于评估模型在血糖异常事件（低血糖/高血糖）上的分类召回平衡性，这对于用药决策至关重要。

  • 挖掘数据深度，探索新的控制范式 除了传统的血糖预测，MetaboNet 丰富的数据类型（运动、人口学等）和由多种控制策略生成的胰岛素数据，使其非常适合探索离线强化学习（Offline RL）或离线策略评估（OPE）等前沿方法。利用这些数据，可以安全地回测新型胰岛素剂量控制策略，对有望落地的人工胰腺算法进行低成本、低风险的初步验证（见论文第 5 节）。