Cgm Analyzer

CGM 血糖數據分析助手

📁 技能檔案結構

cgm_skill/
├── skill.md                    # 主要技能文檔
├── config.yaml                 # 配置檔案
├── VERSION                     # 版本號
├── CHANGELOG.md               # 變更日誌
├── README.md                  # 使用說明
├── knowledge/                 # 專業知識庫（模組化）
│   ├── cgm_metrics.md        # 基礎 CGM 指標
│   ├── diabetes_guidelines.md # 糖尿病管理指南
│   ├── metrics/              # 指標詳細文檔
│   │   ├── tir_targets.md   # TIR 目標值
│   │   └── variability.md   # 變異性指標
│   ├── populations/          # 族群特定指南
│   │   └── pregnancy.md     # 妊娠期指南
│   └── treatments/           # 治療相關資訊
├── scripts/                   # 可執行腳本（已設定執行權限）
│   ├── split_csv.py          # CSV 檔案分割工具
│   ├── analyze_cgm.py        # CGM 數據分析工具
│   ├── llm_analysis.py       # LLM 智能分析報告生成器
│   ├── validate.py           # 數據驗證工具
│   ├── setup.py              # 互動式設定精靈
│   ├── batch_process.py      # 批次處理工具
│   ├── test_skill.py         # 自我測試工具
│   └── requirements.txt      # Python 依賴套件
└── examples/                  # 範例數據和文檔
    ├── sample_cgm_data.csv   # 範例 CGM 數據
    └── README.md             # 範例使用說明

功能概述

這是一個專門處理連續血糖監測（Continuous Glucose Monitor, CGM）數據的智能分析技能。可以從 CSV 格式的原始 CGM 數據中提取關鍵資訊，進行多維度分析，並生成專業的醫療建議報告。

核心功能

1. 數據處理與解析

• CSV 文件讀取：自動解析包含日期、時間、血糖值的 CGM 數據文件
• 數據清理：處理缺失值、異常值，確保數據品質
• 時間序列轉換：將原始數據轉換為時間序列格式，便於分析
• 事件提取：識別並分析用餐、胰島素注射等事件標記

2. 血糖指標計算

• Time in Range (TIR)：計算血糖在目標範圍內的時間百分比
• 變異係數 (CV)：評估血糖波動程度
• 平均血糖 (Mean Glucose)：計算觀察期間的平均血糖值
• GMI (Glucose Management Indicator)：估算糖化血紅蛋白 (HbA1c)
• GRI (Glycemic Risk Index)：綜合評估血糖風險
• 低血糖/高血糖時間：統計血糖異常的時間分布

3. 進階分析功能

AGP (動態血糖曲線) 分析

• 生成 24 小時血糖變化趨勢圖
• 繪製百分位數曲線（10th, 25th, 50th, 75th, 90th）
• 識別每日血糖模式和變化規律
• 分析血糖變異性指標（SD, CV, MAGE）

胰島素藥代動力學分析

• 分析不同類型胰島素（長效、速效、預混）的使用模式
• 計算胰島素劑量統計（平均劑量、注射頻率、劑量範圍）
• 識別常見注射時間和劑量趨勢
• 評估胰島素效力與血糖控制的相關性

飲食影響評估

• 分析餐食對血糖的影響
• 計算餐後血糖峰值和回復時間
• 評估碳水化合物係數和胰島素敏感性

4. AI 智能分析與建議

使用先進的語言模型（支援 GPT-4o, GPT-5 等）提供：

• 個人化血糖管理建議：根據個人數據模式提供客製化建議
• 風險預警：識別潛在的血糖控制問題
• 治療優化建議：提供胰島素劑量調整和飲食管理建議
• 趨勢預測：基於歷史數據預測未來血糖趨勢

5. 族群特定分析

支援不同患者族群的目標設定：

• 一般成人糖尿病患者
• 兒童及青少年糖尿病患者
• 老年糖尿病患者
• 妊娠期糖尿病患者
• 重症或高風險患者

使用指引

輸入要求

1. CGM 數據文件格式：

   Date,Time,Sensor Glucose (mg/dL)
   2024-01-01,00:00,120
   2024-01-01,00:05,118
   ...
   

2. 事件標記文件（選擇性）：

   Date,Time,Event Type,Value
   2024-01-01,07:30,Meal,45g
   2024-01-01,07:25,Insulin,8 units
   ...
   

執行步驟

方法一：使用提供的 Python 腳本

1. 安裝依賴套件：

   cd scripts/
   pip install -r requirements.txt
   

2. 分割原始 CSV 檔案：

   python split_csv.py original_cgm_data.csv ./output
   # 將生成 glucose.csv 和 events.csv
   

3. 執行 CGM 數據分析：

   python analyze_cgm.py output/glucose.csv output/events.csv
   # 生成分析報告和視覺化圖表
   

4. 生成 AI 智能報告：

   python llm_analysis.py report/metrics.json YOUR_API_KEY gpt-4o
   # 生成個人化建議報告
   

方法二：程式化調用

1. 準備數據：

   • 確保 CSV 文件包含必要的欄位（Date, Time, Sensor Glucose）
   • 檢查數據完整性和時間連續性

2. 啟動分析：

   # 載入 CGM 數據
   cgm_data = read_cgm_file("path/to/cgm_data.csv")
   
   # 計算血糖指標
   metrics = calculate_metrics(cgm_data, target_range=(70, 180))
   
   # 生成 AGP 圖表
   agp_plot = create_agp(cgm_data)
   
   # 執行深度分析
   analysis_result = perform_deep_analysis(
       cgm_data,
       insulin_data,
       meal_data,
       api_key="your-openai-api-key"
   )
   

3. 解讀結果：

   • 查看關鍵血糖指標是否達到目標
   • 分析 AGP 圖表識別血糖模式
   • 參考 AI 建議調整治療方案

輸出範例

血糖指標報告

=== 血糖控制指標 ===
Time in Range (70-180): 75.3%
Time Below Range (<70): 2.1%
Time Above Range (>180): 22.6%
平均血糖: 142 mg/dL
變異係數 (CV): 28.5%
GMI: 6.8%
GRI: 35.2

AGP 分析洞察

【AGP 變異性分析】
- 早晨時段 (6-9am) 血糖變異較大，可能與晨曦現象有關
- 午餐後 (12-3pm) 血糖控制良好，維持在目標範圍內
- 晚間 (9pm-12am) 存在低血糖風險，建議調整晚餐胰島素劑量
- 整體變異係數 28.5%，建議目標 <36%，控制尚可

個人化建議

【血糖管理優化建議】
1. 胰島素調整：
   - 建議增加早餐前長效胰島素 2 單位，改善早晨血糖
   - 晚餐速效胰島素可減少 1-2 單位，降低夜間低血糖風險

2. 飲食管理：
   - 早餐建議選擇低 GI 食物，延緩血糖上升
   - 晚餐後適量活動有助於改善餐後血糖

3. 監測重點：
   - 加強凌晨 2-4 點血糖監測
   - 記錄運動對血糖的影響模式

📚 專業知識庫

knowledge/ 資料夾內容

此技能包含兩個重要的知識文檔，提供 CGM 分析的專業背景：

1. cgm_metrics.md - CGM 關鍵指標參考手冊

   • 各族群的血糖控制目標範圍
   • 血糖變異性指標詳解（SD, CV, MAGE）
   • GRI 風險指數計算方法
   • AGP 解讀指南
   • 胰島素作用時間參考
   • 餐後血糖管理目標
   • 特殊情況處理（晨曦現象、蘇木傑效應）

2. diabetes_guidelines.md - 糖尿病管理指南

   • 國際組織（ADA, IDF, EASD）建議標準
   • CGM 使用最佳實踐
   • 胰島素治療策略
   • 飲食與運動管理
   • 併發症預防與監測
   • 特殊族群管理
   • 新技術應用（智慧胰島素筆、閉環系統）

這些知識文檔會被 LLM 分析腳本自動載入，提供專業的醫療背景支援。

技術實現細節

核心演算法

1. 時間序列分析：

   • 使用滑動窗口計算動態統計
   • 應用 Savitzky-Golay 濾波平滑數據
   • 使用 FFT 識別週期性模式

2. 統計方法：

   • 百分位數計算用於 AGP 繪製
   • 核密度估計用於血糖分布分析
   • 迴歸分析評估胰島素-血糖關係

3. 機器學習應用：

   • 聚類分析識別血糖模式
   • 時間序列預測模型（ARIMA, LSTM）
   • 異常檢測識別數據品質問題

依賴套件

# 核心數據處理
import pandas as pd
import numpy as np

# 視覺化
import matplotlib.pyplot as plt
import plotly.graph_objects as go

# 統計分析
from scipy import stats
from sklearn.cluster import KMeans

# AI 整合
import openai

注意事項與免責聲明

使用限制

• 本工具僅供參考，不能替代專業醫療建議
• 所有治療調整應在醫療專業人員指導下進行
• 分析結果準確性依賴於輸入數據品質

數據隱私

• 所有數據處理均在本地進行
• AI 分析時會匿名化個人資訊
• 建議定期刪除敏感數據文件

更新與維護

• 定期更新血糖管理指南以符合最新醫療標準
• 持續優化 AI 模型以提供更準確的建議
• 收集使用者回饋改進分析演算法

延伸應用

研究用途

• 大規模 CGM 數據分析
• 血糖控制模式研究
• 治療效果評估

臨床應用

• 門診快速評估工具
• 遠程血糖管理平台
• 醫患溝通輔助工具

個人健康管理

• 日常血糖追蹤
• 生活方式優化
• 自我管理教育

版本歷史

v1.0.0 (2024-12)

• 初始版本發布
• 支援基本 CGM 數據分析
• 整合 GPT-4 智能分析

未來規劃

• 支援更多 CGM 設備格式
• 加入預測性低血糖警報
• 開發行動應用程式界面
• 整合穿戴式設備數據

參考資源

• 國際糖尿病聯盟 CGM 使用指南
• 美國糖尿病協會標準照護指南
• 連續血糖監測技術評論
• AI 在糖尿病管理的應用

聯繫與支援

如有任何問題或建議，請透過以下方式聯繫：

• GitHub Issues: 項目頁面
• 技術文檔: Wiki
• 社群討論: [Discord/Forum]

本技能文檔遵循 Claude Code Skills 規範，適用於自動化 CGM 數據分析工作流程。