使用基于CGM的机器学习识别1型糖尿病成年人的严重低血糖症:来自FGM-Japan研究的证据

科学领域:

• 内分泌学和新陈代谢学
• 生物医学信息学 生物医学信息学
• 在医疗保健中的数据科学.

背景情况:

• 严重的低血糖症 (SH) 在患有1型糖尿病 (T1DM) 的成年人中存在重大风险.
• 鉴定 SH 风险较高的个体至关重要,但由于复杂的促成因素而具有挑战性.
• 需要新的工具来主动识别有风险的T1DM患者.

研究的目的:

• 将机器学习技术应用于持续血糖监测 (CGM) 数据.
• 确定可预测T1DM成年人SH发作的特征.
• 评估各种机器学习算法在预测SH风险方面的性能.

主要方法:

• 对264名患有T1DM的成年人的真实CGM数据的分析 (FGM-日本研究).
• 将11个机器学习算法应用于CGM指标 (例如,TBR,%CV,GMI,GRI).
• 使用AUC,准确性,精度,回忆和F1分数来评估模型性能.

主要成果:

• XGBoost 显示了高分辨率 (AUC),尽管更简单的模型提供了更好的F1分数.
• 一个包含TBR (<70 mg/dL),%CV,GMI和GRI的模型达到0.794.4的最高AUC.
• 确定的主要预测特征包括TBR,%CV,GMI和GRI.

结论:

• 机器学习模型有效地使用CGM数据识别使用SH风险的T1DM患者.
• 特定的CGM指标如TBR,%CV,GMI和GRI是不良血糖事件的有价值预测指标.
• 这些特征的结合可以帮助主动地对SH进行风险分层.