يعد التحكم الفعال في مرض السكري أمرًا بالغ الأهمية، ويتطلب رصدًا مستمرًا لمستويات السكر في الدم. تقييم التحكم السكري يعتمد عادةً على مقاييس مثل الوقت في النطاق (Time in Range) والوقت تحت النطاق (Time Below Range) والوقت فوق النطاق (Time Above Range)، والتي يتم اشتقاقها تقليديًا من مراقبة الجلوكوز المستمرة (Continuous Glucose Monitoring - CGM). ومع ذلك، يعتمد العديد من المرضى على مراقبة سكر الدم الذاتية (Self-Monitoring of Blood Glucose - SMBG) بسبب التكلفة العالية والقدرة المحدودة للوصول إلى أنظمة CGM. بينما تقدم أنظمة CGM قياسات دقيقة ومتنظمة، فإن SMBG تعاني من تحديات قياسية بسبب وجود قياسات رقيقة وغير منتظمة، مما يجعل تقدير هذه المقاييس أمرًا صعبًا.

في هذا السياق، تم تقديم PACD-Net، وهو إطار مبتكر يعتمد على تقنية المعرفة المميزة الذاتية (Self-Supervised Contrastive Knowledge Distillation) لتقدير التحكم السكري من بيانات SMBG. يستفيد هذا النظام من عينات SMBG الزائفة ذات التغطية الزمنية الغنية، التي تستخدم كإشارات تعليمية لتوجيه التعلم من الملاحظات الضعيفة.

ويعتمد PACD-Net أيضًا على التعلم التبايني المتعدد الرؤى لتعزيز تماسك التمثيل عبر أنماط السحب المتعددة. يستخدم هذا النموذج بنية هجينة من Swin Transformer وCNN لالتقاط الاعتمادات الزمنية في تسلسلات البيانات الضعيفة.

أظهرت النتائج التجريبية أن PACD-Net يتفوق بشكل مستمر على الأساليب الحالية في تقدير مقاييس TAR وTIR وTBR باستخدام بيانات SMBG الواقعية، مسجلًا تحسينًا في الدقة وثبات الأداء وقابلية التعميم في ظروف التقدير الضعيفة للغاية.

تقدم هذه التقنية أداة عملية لتفسير بيانات SMBG في السياقات السريرية، وتوفر نهجًا عامًا للتعلم من البيانات الحسية المجمعة بشكل غير منتظم، وهو ما يبشر بنقل مجال الرعاية الصحية إلى آفاق جديدة.