在健康人群中使用可穿戴设备和机器学习进行间歇性葡萄糖预测的数字生物标志物

科学领域:

• 生物医学工程 生物医学工程
• 机器学习 机器学习
• 可穿戴技术可穿戴技术

背景情况:

• 个性化低血糖饮食有助于通过稳定血糖来控制体重,糖尿病前期和偏头痛.
• 持续血糖监测 (CGM) 是侵入性的,昂贵的,并且具有有限的设备寿命,阻碍了广泛采用.
• 需要使用非侵入性血糖监测方法来克服目前的局限性.

研究的目的:

• 通过可穿戴传感器的数据,研究用于准确,非侵入性血糖监测的机器学习 (ML) 方法.
• 评估个性化间歇性葡萄糖 (IG) 变化的实时预测的可行性,而不需要食品日志.

主要方法:

• 两个健康参与者的研究阶段,收集了超过1550个IG测量 (CGM) 和多式数据从非侵入性传感器在标准化餐点期间.
• 一项后续研究收集了超过14,400个IG测量.
• 开发了一种基于整体特征选择的LightGBM算法,以将血糖指标与传感器数据相关联.

主要成果:

• 开发的ML算法实现了根平均平方误差 (RMSE) 的18.49 ± 0.1 mg/dL.
• 该算法显示平均绝对百分比误差 (MAPE) 为 15.58 ± 0.09%.
• 在预测个性化IG改变方面取得了很高的准确性,而不需要食物日志.

结论:

• 使用ML和可穿戴传感器进行非侵入性血糖监测是可行的,准确度高.
• 这种方法为传统的CGM提供了一个有希望的,具有成本效益的替代方案.
• 为新的饮食相关疾病的客观预防策略铺平了道路.