Hypoglycaemia

Έρευνα για την πρόβλεψη υπογλυκαιμικών επεισοδίων με το forDiabetes

Οι ερευνητές του Κέντρου Έρευνας & Τεχνολογίας Ελλάδος (ΕΚΕΤΑ) – Ινστιτούτο Τεχνολογιών Πληροφορικής (ΙΤΥ), ανακάλυψαν ότι είναι δυνατή η πρόβλεψη υπογλυκαιμικών επεισοδίων με βάση τη χρήση κοινών καταναλωτικών συσκευών μέτρησης της γλυκόζης και της αρτηριακής πίεσης, σε συνδυασμό με τη mobile εφαρμογή forDiabetes.

Δείτε τη νέα δημοσιευμένη μελέτη στο IEEE Access https://ieeexplore.ieee.org/document/10381718

Στοιχεία της δημοσίευσης

“Next-day prediction of hypoglycaemic episodes based on the use of a mobile app for diabetes self-management”

Publisher: IEEE (published in IEEE Access)
Date of publication: 05 January 2024
Electronic ISSN: 2169-3536
DOI: 10.1109/ACCESS.2024.3350201

Περίληψη

Η υπογλυκαιμία είναι μία από τις πιο συχνές επιπλοκές του διαβήτη, η οποία μπορεί να απειλήσει τη ζωή, εάν δεν αντιμετωπιστεί κατάλληλα. Μέχρι στιγμής, η έρευνα σχετικά με την πρόβλεψη της υπογλυκαιμίας είναι λιγοστή και επικεντρώνεται σε μικρές ομάδες που συνδέονται με συγκεκριμένες γεωγραφικές περιοχές, περιορίζοντας έτσι τη δυνατότητα γενίκευσης των ευρημάτων.

Στην παρούσα εργασία, αναπτύξαμε και επικυρώσαμε διαφορετικά μοντέλα μηχανικής μάθησης για την πρόβλεψη υπογλυκαιμίας της επόμενης ημέρας στον διαβήτη τύπου 2. Χρησιμοποιήσαμε μια μεγάλη διεθνή κοόρτη που περιλάμβανε 669 συμμετέχοντες, οι οποίοι ήταν τακτικοί χρήστες (για πάνω από δύο χρόνια) μιας εφαρμογής για την αυτοδιαχείριση του διαβήτη μέσω κινητού τηλεφώνου και χρησιμοποιούσαν κοινές φορητές συσκευές του εμπορίου για τη μέτρηση των επιπέδων γλυκόζης και αρτηριακής πίεσης στο αίμα τους, συλλέγοντας συνολικά 96121 παρατηρήσεις (από τις οποίες εξήγαμε ένα ισορροπημένο σύνολο δεδομένων 2998 παρατηρήσεων).

Χρησιμοποιήθηκαν Random Forests (RF), Support Vector Machines, Adaptive Boosting και Feed-Forward Artificial Neural Networks για την εκπαίδευση προγνωστικών μοντέλων με βάση 10ήμερες χρονικές ακολουθίες με μετρήσεις γλυκόζης αίματος και αρτηριακής πίεσης προς την εκτίμηση υπογλυκαιμικών επεισοδίων της επόμενης ημέρας. Χρησιμοποιήσαμε μια προσέγγιση leave-one-subject-out (LOSO) για την επικύρωση των μοντέλων και διαπιστώσαμε ότι το RF πέτυχε την καλύτερη ακρίβεια (0,814) και F1-score (0,812) με ευαισθησία (0,805) και ειδικότητα (0,824) για την πρόβλεψη υπογλυκαιμίας της επόμενης ημέρας.

Τα αποτελέσματα αυτής της μελέτης παρέχουν μια εύχρηστη και αξιόπιστη προσέγγιση με βάση την εφαρμογή για την ακριβή πρόβλεψη της υπογλυκαιμίας στην καθημερινή ζωή, διευκολύνοντας έτσι τους ασθενείς

Κατεβάστε το PDF αρχείο ολόκληρης της μελέτης από εδώ.

Δείτε Ακόμη

fordiabetes logo
forDiabetes