用智能手表在1型糖尿病患者中进行非侵入性低血糖检测的个性化机器学习模型:了解在清醒和入睡时间期间功能的重要性

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 糖尿病研究 糖尿病研究

背景情况:

• 低血糖症在糖尿病管理中构成重大挑战,需要精确的血糖监测.
• 目前的监测方法,如手指刺痛和持续血糖监测系统 (CGMS) 是侵入性的,低血糖仍然可能发生.
• 使用可穿戴设备的生理数据进行非侵入性检测方法的研究越来越多.

研究的目的:

• 探索消费级智能手表在1型糖尿病患者中进行非侵入性低血糖预测的潜力.
• 调查在清醒和睡眠状态期间各种生理特征在低血糖检测中的不同重要性.

主要方法:

• 收集了来自18名1型糖尿病成年人的智能手表数据,以及CGMS数据.
• 开发了个性化的机器学习模型,使用基于树的集合算法来检测低血糖症.
• 在白天和夜间模型中使用SHAP (SHapley增量扩展) 分析特征重要性.

主要成果:

• 在17个个性化模型中实现了0.74 ± 0.08的接收器操作特征曲线 (AUROC) 下的平均面积.
• 报告的平均特异性为0.76 ± 0.18和灵敏度为0.71 ± 0.15.
• 确定了独特的特征重要性:白天模型优先考虑一天中的时间,活动和心脏特征;夜间模型强调心脏,一天中的时间和呼吸系统特征.

结论:

• 消费级可穿戴设备显示出非侵入性低血糖检测的潜力.
• 考虑不同的生理状态 (清醒/睡眠) 为改善预测模型提供了对特征重要性有价值的见解.
• 这项研究指导着基于可穿戴设备的低血糖预测系统的未来发展.