低血糖事件的预测从CGM使用整体学习
杰斯弗莱舍
我连续加感汉森1和
西蒙Lebech Cichosz- 1速记员糖尿病中心奥尔胡斯,丹麦奥尔胡斯
- 2速记员糖尿病中心新西兰,Holbæk,丹麦
- 3卫生部科学技术大学Aalborg, Aalborg,丹麦
这项工作试图探索潜在的使用独立的连续葡萄糖监测(CGM)预测的数据利用群体的1型糖尿病患者低血糖在独立生存的。我们训练和测试算法的预测低血糖在40分钟370万CGM测量225例使用整体学习。该算法使用1150万合成CGM数据也验证了。结果产生了一个接受者操作特征曲线下的面积(ROC AUC) 0.988和precision-recall曲线下面积(PR AUC)为0.767。在一个基于事件的分析预测低血糖事件,该算法的灵敏度90%,更换模具的时间为17.5分钟,假阳性率为38%。总之,这项工作演示了使用集成学习的潜力预测低血糖,只使用CGM数据。这可以帮助报警患者以后的低血糖事件的对策可以启动。
介绍
低血糖有关增加物理和心理健康问题和死亡是一个主要的危险因素(1,2)。低血糖会导致外源性或内源性胰岛素过量。临床表现往往是特色,但是神经性和neuroglycopenic低血糖的症状是非特异性的和相对不敏感(3)。因此,许多的低血糖不认可或治疗晚期进展(3)。是非常重要的,以防止、识别和二次使用胰岛素治疗低血糖事件。此外,这对病人和更安全更有效的预防比治疗后发生低血糖症(4)。
低血糖是胰岛素依赖型糖尿病患者中常见。病人追求严格的血糖目标经历频繁的无症状低血糖和严重的低血糖(5)。研究表明,血浆葡萄糖水平可能不到60 mg / dL(3.3更易/ L)高达10%的日6,7)。此外,1型糖尿病患者遭受的平均两周的症状性低血糖事件(6,7)。
然而,新研究患者使用连续血糖监测(CGM)下面显示时间范围(< 3.9更易/ L)估计为5.4%的平均糖化血红蛋白7.0%(52更易与摩尔)(8)。
血糖预测是对未来预测病人的血糖水平使用当前和过去的信息,也是一个血糖异常分类方法的重要组成部分。一个潜在的方法来减少低血糖发作是预测模型可以报警患者早期开始的对策。这样的模型可以直接实现CGM系统或作为一个附加在病人的智能手机应用程序连接到系统(9)。
我们在以前的研究(10- - - - - -13)调查潜在的使用连续血糖监测(CGM)与心率变异性(HRV)相结合来预测低血糖早期干预的目的。此外,很多人都有预测未来的潜力血糖水平使用CGM结合多个数据源,如胰岛素,身体活动,食物摄入量和应激反应(14,15)。实时获取这些数据并不总是实用(9)。此外,大多数研究只利用CGM数据作为一个更实际的方法,通常是基于有限数量的病人,不验证短CGM wear-time,在外部群患者(9,14,16)。因此,我们试图进一步探索只用CGM数据预测的潜在低血糖的概念验证分析使用群体的1型糖尿病患者在日常生活和外部CGM数据库中验证结果。
方法
研究对象由CGM数据来源于个人参加REPLACE-BG试验(17)。REPLACE-BG研究设计6个平行组多中心随机临床试验。共有225名患者≥18岁(平均值±标准偏差或中位数(四分位范围):年龄:44±14年,患糖尿病时间:23±12年,体重指数:27.7±4.1,糖化血红蛋白:7.1±0.7%(54更易与摩尔),时间范围:63±13%,低于< 70 mg / dL: 2.9%(1.5 - -5.1)) 1型糖尿病患者登记使用的糖尿病诊所和CGM (G4) Dexcom公司将长达6个月。介绍了特征表1。
表1病人特点提出了作为参数的均值±标准差特征或中位数(四分位范围)非参数。
我们训练和测试算法的预测低血糖在40分钟370万CGM测量225名患者使用一个名为RUSBoost的集成学习方法(18)。简而言之,整体学习一般meta-approach机器学习,寻求更好的性能通过结合多个模型的预测。RUSBoost据报道是一个快速、健壮的分类器对不平衡数据集的数据。培训,70%的数据被利用(分裂病人级别),剩下的30%留给测试最终的性能模型。
hyperparameter估计(学习周期,学习速度,max分裂)测定使用5倍交叉验证对训练数据使用一个网格搜索策略。hyperparameter是一个参数的值是用来控制学习过程的预测模型。网格搜索一个特定的优化策略,试图计算hyperparameters的最优值。这是一种穷举搜索,执行一个模型的具体参数值。交叉验证中使用的过程,以确保模型不是过调谐,这可能会导致糟糕的性能新患者数据。
之前一个小时CGM的输入模型数据的预测。低血糖症定义为CGM值低于70 mg / dL 15分钟或更多(持续低血糖)的定义是基于之前的研究的建议(19,20.)。该算法是使用MATLAB实现R2020b (Mathworks Inc .,纳蒂克,马萨诸塞州)。
除了真正的病人的数据算法还测试了在1150万年合成CGM的数据公开SCGMS数据库(18)。数据库模拟CGM数据从1型患者和健康人与糖化血红蛋白水平不同使用条件生成对抗网络(CGAN) (21)。简而言之,CGAN神经网络是一种新型的方法来构建一个可用于生成现实的生物信号。进行外部验证来确定模型的普遍性与不同的血糖控制。
评估训练模型的性能进行了评估由纸浆包,每一个数据点在测试数据集(真正的病人)和合成数据集。纸浆包性能评估使用接受者操作特征曲线(ROC)和precision-recall与曲线(PR)伴随曲线下的面积(AUC)。纸浆包的指标评估模型之间的比较是很重要的。然而,从临床或病人的角度来看,一个基于事件的评估来评估性能更有用。
因此,我们进行了基于事件的评估,对每个测试多少集的低血糖发作低血糖被检测到,时间差(预测)和假阳性的数量。基于事件的评估包括评估性能在临床使用中情况。
结果
纸浆包测试结果
从1110000年样品在测试数据集算法的性能是一个接受者操作特征曲线下面积(ROC AUC) 0.988和precision-recall曲线下面积(PR AUC)为0.767。中华民国和公关曲线所示图1。
图1ROC曲线和公关的纸浆包性能测试数据集(真正的病人)。
合成数据评估了11500000个样本的操作特征曲线下面积(ROC AUC) 0.988和precision-recall曲线下面积(PR AUC)为0.879。
基于事件的测试结果
基于事件的评估的结果产生了90%的敏感性,更换模具的时间为17.5分钟,假阳性率为38%。由于类不平衡(一些经历相比,还是曲折)高特异性和阴性预测值均> 99%。血糖水平的平均预测是引发83 mg / dL。
翻译来估计这将意味着9的低血糖事件检测平均17分钟前首先CGM价值低于70 mg / dL, 2/3警报是真实的。指标计算3725低血糖事件的测试数据集。测试数据集组成的5456905分钟的CGM穿在日常生活。
图2显示了一个示例CGM磨损的预测从三天。病人会警告三次,前两个警报真阳性,而最后一个是快速血糖水平下降,不会导致低血糖。
图2三天的连续葡萄糖监测的一个例子从一个病人。点说明的时间点警报被激活高血糖过低的风险。绿点真阳性,红点是一个假警报。红线是低血糖的阈值(70 mg / dL)。
讨论
基于事件的评估显示,可以预测一大部分更换模具的低血糖事件使得病人可以扭转形势和可能避免严重的低血糖。特别是在晚上和葡萄糖快速下降是非常重要的是意识到这种风险,并开始与摄入快速及时治疗可吸收的碳水化合物或潜在的胰高血糖素,以避免严重低血糖相关并发症。低血糖症的早期预测和长满草的早期干预可能也帮助减少了低血糖。
相比之下,商业系统6克Dexcom公司将广告低血糖预测20分钟前低血糖定义阈值较低的55 mg / dL (18)。平均更换模具的时间,然而,没有数据敏感性和假阳性很难比较预测能力。然而,提高预测能力与事件在我们的研究中预测到40分钟脱(更换模具的时间平均17.5分钟)前一个事件(< 70 mg / dL)将使更快行动,避免轻微低血糖/严重的低血糖。准确的预测模型也可以用于闭环系统暂停胰岛素剂量,以避免严重的低血糖。
最近的研究由Darpit et al。(15,22)有趣的结果报道的多源预报使用电池的特性从CGM低血糖,胰岛素,膳食摄入和人口统计数据。他们从一群110儿科患者的报道的准确性预测事件> 97%敏感性和特异性和假警报率< 25%。然而,由于不同的传感器模型,系统地评估和群体特征之间的比较是具有挑战性的研究结果肉搏战和结论如果使用额外的数据值得实际意义。基于CGM低血糖事件的预测似乎是一个有吸引力的方法由于实现到已经运行的简单商业CGM传感器或CGM数据分析平台。
此外,搜索引擎优化等。23)提出了一个模型来预测餐后低血糖使用CGM和公告。研究探索回顾CGM数据集的104人经历过至少一个低血糖事件在为期三天的CGM会话。最佳的性能报告的研究是平均AUC为0.966,平均灵敏度为89.6%,平均特异性为91.3%。马库斯et al。(24)发表的结果从11个1型糖尿病患者,他们提出了一个预测模型对低血糖的敏感性64%,假阳性率低4%。
这项研究有一些局限性;该模型在这项研究中,还需要进行更广泛的病人和CGM光谱传感器。一个限制在这项研究中,我们不能概括所有CGM传感器性能。许多新的传感器从不同的制造商有更好的准确性和决策支持,如趋势箭头。
报警疲劳是一个相关的挑战,这就是为什么假警报需要低。在我们的研究中,提出的模型中,如果实施,将导致一个报警~穿10天的时间。这是依赖于人口和程度的血糖控制,所以我们不能推断这一发现一群患者严重的血糖控制。然而,结果从外部验证合成CGM糖化血红蛋白水平不同的人的数据可以表明,模型可归纳的。
在未来的视角、模型等提出的一项研究需要评估在临床影响研究评估效果和临床意义。低血糖事件的假设是,准确预测用更少的事件,可能会导致更好的血糖控制范围内的时间,减少血糖变异性增加。
总之,这项工作演示了使用集成学习的潜力预测低血糖,只使用CGM数据,在一个大型和异构的1型糖尿病患者。
数据可用性声明
在这项研究中提出的数据集可以在网上找到。下面的链接可以找到的名字:SCGMS数据库- 10.1177 / 19322968211014255;REPLACE-BG数据库,https://diabetes雷竞技电竞体育竞猜平台journals.org/care/article/40/4/538/3687/REPLACE-BG-A-Randomized-Trial-Comparing-Continuous;这项研究的原始数据https://public.jaeb.org/dataset/546。
道德声明
研究涉及人类受试者进行审核和批准的原始研究REPLACE-BG上市ClinicalTrials.gov在标识符NCT02258373。患者/参与者提供了他们的书面知情同意参与这项研究。
作者的贡献
SC能获得所有的数据分析研究。SC的完整性和准确性负责数据分析和研究的结果。SC和摩根富林明参与研究设计,概念,分析和解释数据。SC起草手稿和执行统计分析。摩根富林明和TH参与重要的修订手稿。所有作者的文章和批准提交的版本。
的利益冲突
本文中的算法测试是由Medicus工程。SC是顾问和摩根富林明Medicus工程的顾问和合伙人。
其余作者宣称的研究是在没有进行任何商业或财务关系,可以构造成一个潜在的利益冲突。
出版商的注意
本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。
作者免责声明
近年来交换数据的来源,但分析,本报告中所述内容和结论仅作者的责任和尚未审查或批准的近年来交换。
引用
1。帕尔克b dead-in-Bed综合症的机制和其他原因不明的夜间猝死。咕咕叫。糖尿病牧师。(2009)5 (4):210 - 5。doi: 10.2174 / 157339909789804387
5。亨利MM,安徒生,Thorsteinsson B, Pedersen-Bjergaard血糖过低的暴露和1型糖尿病患者无症状低血糖的风险评估连续葡萄糖监测。j .中国。性。金属底座。(2018)103 (6):2329 - 35。doi: 10.1210 / jc.2018 - 00142
6。唐纳利拉,莫里斯广告,做油炸食品的BM,埃利斯JD,唐南PT, Durrant R, et al .低血糖的频率和预测1型和2型糖尿病来:以人群为基础的研究。糖尿病地中海。(2005)22 (6):749 - 55。doi: 10.1111 / j.1464-5491.2005.01501.x
7所示。糖尿病控制和并发症试验研究小组,内森·DM Genuth年代,Lachin J,佳P, Crofford O, et al。糖尿病强化治疗的影响发展和长期在胰岛素依赖型糖尿病并发症的发展。心血管病。j .地中海。(1993)329 (14):977 - 86。doi: 10.1056 / NEJM199309303291401
8。艾哈迈迪党卫军,韦斯特曼K, Pivodic, F。赫希IB olafsdottir, Dahlqvist年代,et al .糖化血红蛋白之间的关系和时间在CGM低血糖和自我监测血糖的1型糖尿病患者和多个每日注射胰岛素:随机。中国。审判(GOLD-4)。糖尿病护理43 (2020)(9):2017 - 24。doi: 10.2337 / dc19 - 2606
9。Woldaregay AZ, Arsand E, Botsis T,阿尔伯斯D, Mamykina L, Hartvigsen g .血糖数据驱动模式分类和异常检测:机器学习应用在1型糖尿病。j .地中海。互联网Res。(2019)21 (5):e11030。doi: 10.2196/11030
10。Cichosz SL,亨利MM,塔尔努夫L Thorsteinsson B, Pedersen-Bjergaard U,弗莱舍j .验证算法预测低血糖的连续葡萄糖测量和心率变异性的数据。j .糖尿病科学。技术。(2019)13:1178-9。doi: 10.1177 / 1932296819864625
11。Cichosz SL, Frystyk J, Hejlesen塔尔努夫L,弗莱舍J .小说预测算法和基于连续葡萄糖监测发现低血糖和1型糖尿病患者的心率变异性。糖尿病的科学和技术(2014)8 (4):731 - 7。doi: 10.1177 / 1932296814528838
12。Cichosz SL, Frystyk J,塔尔努夫L,弗莱舍J .结合自主调制和CGM测量信息可以预测,提高了检测的自发性低血糖事件。糖尿病的科学和技术(2014)9 (1):132 - 7。doi: 10.1177 / 1932296814549830
13。Cichosz年代,Frystyk J,塔尔努夫L,弗莱舍J .低血糖期间心率变异性的变化混淆的存在心血管自主神经病变在糖尿病患者?糖尿病技术&疗法(2017)19 (2):91 - 5。doi: 10.1089 / dia.2016.0342
14。Woldaregay AZ, Arsand E, Walderhaug年代,阿尔伯斯D, Mamykina L, Botsis T, et al .血糖动态数据驱动的建模和预测:机器学习应用在1型糖尿病。Artif。智能。地中海。爱思唯尔;(2019)98:109-34。doi: 10.1016 / j.artmed.2019.07.007
15。迪沙佛DJ,戴夫•D Haridas B,麦凯年代,谢诺伊,Koh CJ,等。基于机器学习模型实时低血糖的预测。糖尿病的科学和技术(2020)15 (4):842 - 55。doi: 10.1177 / 1932296820922622
16。Cichosz SL,詹森MH Hejlesen o .短期预测未来的连续葡萄糖监测读数在1型糖尿病:开发和验证神经网络回归模型。Int。j .地中海,通知。(2021)151:104472。doi: 10.1016 / j.ijmedinf.2021.104472
17所示。阿勒颇G,鲁迪KJ, Riddlesworth TD,克鲁格DF,彼得斯,赫希,et AL。REPLACE-BG:一项随机试验比较连续葡萄糖监测和成人,没有常规的血糖监测与控制1型糖尿病。糖尿病护理(2017)40 (4):538 - 45。doi: 10.2337 / dc16 - 2482
18岁。Xylander AAP Cichosz SL。一个条件生成对抗网络连续葡萄糖监测信号的合成。J糖尿病Sci抛光工艺(2022)16(5):1220 - 23所示。doi: 10.1177 / 19322968211014255
19所示。Battelino T,丹纳T,伯根斯特尔RM, Amiel SA贝克R, Biester T, et al .临床目标连续葡萄糖监测数据解释:建议国际共识的时间范围。糖尿病护理42 (2019)(8):1593 - 603。doi: 10.2337 / dci19 - 0028
20.丹纳T, Nimri R, Battelino T,伯根斯特尔RM,吉隆坡,DeVries JH, et al。使用连续血糖监测的国际共识。糖尿病护理(2017)40 (12):1631 - 40。doi: 10.2337 / dc17 - 1600
22。戴夫•D Erraguntla M·罗莉M,迪沙佛D, Haridas B,麦凯年代,et al。改善低葡萄糖预测基于持续低血糖的警报。JMIR糖尿病(2021)6 (2):1 - 11。doi: 10.2196/26909
23。Seo W,李年代,SM J,公园SM。机器学习的方法来预测餐后低血糖。Mak BMC医学。通知决策(2019)19 (1):1-13。doi: 10.1186 / s12911 - 019 - 0943 - 4
关键词:1型糖尿病、机器学习、低血糖、糖尿病、连续葡萄糖监测(CGM),事件预测、G4 Dexcom公司将铂、血糖(BG)
引用:弗莱舍J,汉森TK和Cichosz SL(2022)低血糖事件的预测从CGM使用整体学习。前面。中国。糖尿病Healthc。3:1066744。doi: 10.3389 / fcdhc.2022.1066744
收到:2022年10月20日;接受:2022年11月22日;
发表:2022年12月09年。
编辑:
安德烈亚斯•施密特、糖尿病中心的德国的梅根特海姆版权©2022弗莱舍,汉森和Cichosz。这是一个开放分布式根据文章知识共享归属许可(CC)。使用、分发或复制在其他论坛是允许的,提供了原始作者(年代)和著作权人(s)认为,最初发表在这个期刊引用,按照公认的学术实践。没有使用、分发或复制是不符合这些条件的允许。
*通信:西蒙Lebech Cichosz,simcich@hst.aau.dk