评估输入特征对深度学习模型对预测血糖的输入特征的影响

科学领域:

• 人工智能的人工智能
• 生物医学工程 生物医学工程
• 内分泌学 在内分泌学.

背景情况:

• 准确的血糖 (BG) 预测对于1型糖尿病 (T1D) 管理至关重要,特别是对于决策支持系统和人工胰腺设备.
• 深度学习 (DL) 模型对BG预测有希望,但各种输入特征对其性能的影响需要进一步调查.

研究的目的:

• 评估不同输入特征,包括持续血糖监测 (CGM),餐 (碳水化合物摄入量),胰岛素和体力活动 (PA) 数据,对DL模型在T1D中用于BG预测的性能的影响.
• 在五个DL模型中评估七种不同的输入配置,使用来自大型T1D队列的真实数据.

主要方法:

• 训练和评估了五个DL模型,使用497名T1D患者的四周日常生活数据.
• 对比了七种输入配置,从单变CGM到包括CGM,胰岛素,碳水化合物 (CHO) 摄入量,心率 (HR) 和运动数据在内的综合模型.
• 在30分钟预测地平线 (PH) 上使用根平均平方误差 (RMSE) 和时间增益 (TG) 评估模型性能.

主要成果:

• 结合额外的输入功能,在30分钟的PH时逐步提高了DL模型的性能.
• 该CNN-变压器模型显示了最大的改进;结合所有功能,RMSE从21.02 ± 3.5 mg/dL减少到18.63 ± 4.18 mg/dL,TG从10.38 ± 1.33 分钟增加到12.12 ± 2.64 分钟.
• 在运动期间的预测准确性只有在包括PA数据时才显著改善 (RMSE从28.72 ± 9.18 mg/dL减少到24.7 ± 7.8 mg/dL).

结论:

• 包括各种数据输入,如餐,胰岛素和PA,提高了DL模型在T1D中用于BG预测的性能.
• 虽然观察到有统计学意义的改善,但这些变化的适度大小表明直接临床益处有限.
• 需要进一步的研究来优化DL模型,并将性能增长转化为T1D管理的切实临床优势.