机器学习和深度学习模型用于1型糖尿病成年人的夜间高和低葡萄糖预测

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 内分泌学 在内分泌学.

背景情况:

• 对于1型糖尿病 (T1D) 患者来说,夜间葡萄糖管理是一个重大挑战,特别是那些使用多次每日注射 (MDIs) 的人.
• 预测葡萄糖波动的建模对于在睡眠期间预防低血糖和高血糖至关重要.
• 持续葡萄糖监测 (CGM) 数据为开发这种预测模型提供了丰富的来源.

研究的目的:

• 开发和评估机器学习 (ML) 和深度学习 (DL) 模型,用于预测T1D患者的夜间葡萄糖水平.
• 评估不同ML和DL算法的准确性,以预测血糖在目标范围内,以上和以下.
• 确定最佳算法来预测在夜间不同的葡萄糖游览类型.

主要方法:

• 利用了380名患有T1D的个体的持续葡萄糖监测 (CGM) 数据.
• 应用了两个深度学习 (DL) 算法:多层感知器 (MLP) 和卷积神经网络 (CNN).
• 实现了两个经典的机器学习 (ML) 算法:随机森林 (RF) 和梯度增强树 (GBT).

主要成果:

• DL和ML模型在预测目标范围内葡萄糖的高准确性 (F1得分:96-98%) 和30分钟内超过目标葡萄糖的高准确性 (F1:93-97%).
• 模型性能在预测低血糖水平方面不太准确 (F1:80-86%),MLP在这个类别中表现最好.
• DL和ML算法在预测夜间葡萄糖外流方面表现出同样高的效率.

结论:

• 深度学习 (MLP,CNN) 和机器学习 (RF,GBT) 算法都能有效地使用CGM数据预测T1D患者的夜间葡萄糖范围.
• 这些预测模型有望改善实时血糖管理,减少夜间低血糖和高血糖的负担.
• 对优化低血糖预测模型的进一步研究是有必要的,以提高安全性和有效性.