自动识别未报告的饭菜从持续的葡萄糖监测数据在低血压手术后的个人使用模板匹配算法模型的自动识别
Elisa Pellizzari1, Francesco Prendin1, Giacomo Cappon1
1Department of Information Engineering, University of Padova, Padua, 35131, Italy.
Scientific reports
|March 6, 2025
概括
一个新的算法只使用持续血糖监测 (CGM) 数据准确识别未报告的餐点. 这种方法有助于通过改进基于可靠的葡萄糖数据的饮食干预策略来管理腹痛后低血糖症 (PBH).
科学领域:
- 代谢障碍 代谢障碍 代谢障碍
- 医疗器械技术 医疗器械技术
- 在医疗保健中的数据科学.
背景情况:
- 减肥后低血糖症 (PBH) 是减肥手术后的常见并发症,导致危险的血糖下降.
- 目前的管理依赖于饮食变化,但准确的饮食记录是具有挑战性的,并且往往不完整.
- 持续葡萄糖监测 (CGM) 提供了详细的葡萄糖数据,但如果没有手动输入,将其与食物联系起来很困难.
研究的目的:
- 开发和验证一种新的算法,从CGM数据中自动检测未报告的餐点.
- 提高研究PBH和制定有效管理策略的数据集的质量.
- 为患者和研究人员减轻手动食用记录的负担.
主要方法:
- 开发了一个模板匹配算法 (TMA) 来识别饮食诱导的血糖偏差.
- TMA计算了标准餐后葡萄糖曲线模板和CGM数据之间的相似性得分.
- 该算法在20名PBH患者在自由生活条件下的CGM数据上进行了追溯测试.
主要成果:
- 在1340个食中,TMA成功识别了1237个食,证明了其高度准确性.
- 该算法获得了0.90的F1中位数,表明了强大的性能.
- 在覆盖近50天监测的数据集中,仅产生了208个错误阳性.
结论:
- 模板匹配算法 (TMA) 是一种有效的工具,可以通过仅使用CGM数据来追溯识别未报告的餐点.
- 这种自动化方法可以显著提高PBH研究数据的质量和完整性.
- 提高数据质量将有助于开发个性化的饮食干预措施和PBH的新管理方法.
