从有限的CGM数据中预测个性化血糖,使用增量重新训练的LSTM

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:

• 精确的血糖 (BG) 预测对于1型糖尿病 (T1D) 管理中的人工胰腺 (AP) 系统至关重要.
• 目前的深度学习模型,如使用连续血糖监测 (CGM) 数据进行BG预测的长期短期记忆 (LSTM),通常需要广泛的个性化训练数据,并与多样化的葡萄糖变化 (GV) 斗争.
• 现有的方法在与T1D患者之间实现一致的预测准确性方面面临挑战.

研究的目的:

• 引入一种新的深度学习框架,即增量重新训练堆叠的LSTM (IS-LSTM),旨在提高T1D的BG预测准确度.
• 解决现有方法在数据要求和个体葡萄糖变异性方面的局限性.
• 提高个性化BG预测模型的效率和适应性.

主要方法:

• 开发了增量重新训练堆叠的LSTM (IS-LSTM) 框架,该框架利用逐渐适应个人数据和参数传输来实现高效的学习.
• 将IS-LSTM方法与三个基准方法进行比较,包括堆叠的LSTM,使用来自T1D患者的两个独立的CGM数据集 (OpenAPS和Replace-BG).
• 使用根平均平方误差 (RMSE) 评估预测准确度,并通过在各种预测地平线 (PHs) 上通过克拉克错误网格分析评估临床可行性.

主要成果:

• 与堆叠LSTM相比,IS-LSTM显著降低了RMSE:在30分钟的PH下从14.55到10.23毫克/分升 (OpenAPS) 和17.15到13.41毫克/分升 (Replace-BG).
• 克拉克错误网格分析证实了临床可行性,超过98.81% (30分钟PH) 和97.25% (60分钟PH) 的预测属于临床安全区域.
• 该方法在冷启动场景中表现出有效性,在没有广泛的先前数据的情况下,为新的CGM用户提供了准确的预测.

结论:

• 该IS-LSTM框架为T1D管理提供了个性化的BG预测的重大进展,优于现有的最先进的方法.
• 这种方法提高了AP系统的可靠性和安全性,通过提供准确和临床可行的BG预测,即使数据有限.
• IS-LSTM的适应性和效率使其成为改善T1D患者日常生活的有希望的工具,包括新的CGM用户.