พัฒนาแอปที่ทำ prediction แบบเรียลไทม์

Mobile Software Development Kit for Real-Time Multivariate Blood Glucose Prediction

งานวิจัยนี้นำเสนอชุดพัฒนาซอฟต์แวร์ (SDK) สำหรับการพยากรณ์ระดับน้ำตาลในเลือดแบบเรียลไทม์ โดยรวบรวมข้อมูลจาก Continuous Glucose Monitors (CGM), การบริโภคคาร์โบไฮเดรต, การฉีดอินซูลิน, และข้อมูลจากอุปกรณ์สวมใส่ เช่น การออกกำลังกาย ความเครียด และการนอนหลับ SDK นี้ผสานรวมกับระบบจัดการอินซูลินแบบโอเพนซอร์ส (Loop) และ Apple Health เพื่อการพยากรณ์ที่แม่นยำและปรับให้เหมาะสมกับแต่ละบุคคล

บทนำ

• การคาดการณ์ระดับน้ำตาลในเลือด (BG) ช่วยในการจัดการและการตัดสินใจโรคเบาหวาน

• อุปกรณ์ตรวจสอบกลูโคสอย่างต่อเนื่อง (CGM) ส่งระดับ BG ไปยังสมาร์ทโฟนหรือปั๊มอินซูลิน

• พลวัตของ BG ได้รับผลกระทบจากมื้ออาหารการนอนหลับการออกกำลังกายความเครียด (MESS) และรอบประจำเดือน

• แอปพลิเคชันสมาร์ทโฟนที่มีอยู่สำหรับการทำนาย BG ขึ้นอยู่กับข้อมูลจำลองหรือการป้อนข้อมูลด้วยตนเอง

• เซ็นเซอร์ที่สวมใส่ได้สามารถให้สัญญาณทางสรีรวิทยาที่บ่งบอกถึงความเครียดกิจกรรมและการนอนหลับ

• การศึกษานี้มุ่งเน้นไปที่ตัวแปรเพิ่มเติมจากเซ็นเซอร์ที่ไม่รุกรานสำหรับการทำนาย BG

• อินพุตอาจรวมถึงอัตราการเต้นของหัวใจการตอบสนองของผิวหนังอุณหภูมิและข้อมูลเครื่องวัดความเร่ง

• การศึกษาก่อนหน้านี้ขาดข้อกำหนดสากลสำหรับความแม่นยำในการทำนาย BG

• ชุดข้อมูล Ohiot1dm เป็นเกณฑ์มาตรฐานสำหรับอัลกอริทึมการทำนาย BG หลายตัวแปร

• การตรวจสอบในชีวิตจริงของอัลกอริทึมการทำนาย BG ยังคงเป็นช่องว่างในการวิจั

• การศึกษามีวัตถุประสงค์เพื่อพัฒนา SDK แบบแยกส่วนสำหรับการเข้าถึงข้อมูลแบบเรียลไทม์จากอุปกรณ์ที่สวมใส่ได้

• SDK ผสานเข้ากับ HealthKit, Empatica SDK และ Oura API สำหรับการเปลี่ยนแปลงของ BG

• แอพพิสูจน์แนวคิดที่ใช้ Ridge Regressor จะแสดงการคาดการณ์ BG แบบเรียลไทม์

วิธี

• การศึกษาพัฒนา SDK สำหรับการเชื่อมต่อกับอุปกรณ์ที่สวมใส่ได้สำหรับการทำนาย BG

• มีการระบุอินพุตที่จำเป็นผ่านการทบทวนวรรณกรรม

• การตรวจสอบความถูกต้องเกี่ยวข้องกับผู้เข้าร่วมหนึ่งคนสวมระบบเป็นเวลา 24 ชั่วโมง

• ปฏิบัติตามแนวทางจริยธรรมและได้รับความยินยอมที่แจ้งให้ทราบ

การแนะนำระบบ

• SDK มีเป้าหมายที่จะให้การคาดการณ์ BG แบบเรียลไทม์โดยไม่ต้องป้อนข้อมูลด้วยตนเอง

• การศึกษาก่อนหน้านี้สำรวจวิธีการทำนายต่างๆ SDK นี้ทำหน้าที่เป็นแพลตฟอร์มการทดลอง

ตาราง 1.

• แสดงตัวแปรที่จำเป็นสำหรับ SDK และผลกระทบต่อพลวัตของ BG

• สีเขียวบ่งบอกถึงความสัมพันธ์ที่มั่นคงเป็นอย่างดี สีเหลืองบ่งบอกถึงพื้นที่ที่ต้องการการวิจัยเพิ่มเติม

• ประเภทอินพุตเน้นที่ MESS และรอบประจำเดือนโดยจัดให้เข้ากับตับอ่อนเทียมแบบหลายอินพุต

หน่วยสื่อสารไร้สาย

• iPhone ทำหน้าที่เป็นหน่วยสื่อสารและเรียกใช้แอปพลิเคชันมือถือ

• ระบบการจัดการอินซูลินประกอบด้วย Dexcom G6 และ OmniPod ซึ่งจัดการผ่านแอป Loop

• CGM บันทึกการวัดด้วยอัตราการสุ่มตัวอย่าง 5 นาที

• สายรัดข้อมือ Empatica E4 ให้การวัดเซ็นเซอร์ทางสรีรวิทยาอย่างต่อเนื่องผ่านบลูทู ธ

• Oura Ring ติดตามการนอนหลับและกิจกรรมด้วยข้อมูลที่เข้าถึงผ่านเว็บ API

• Apple Watch บันทึกการออกกำลังกายและตัวแปรไบโอเมตริกซ์รวมเข้ากับ Apple Health

2) SDK

• SDK เชื่อมต่อกับฮาร์ดแวร์โดยใช้ HealthKit, Oura Web API และ Bluetooth Low Energy

• ข้อมูล HealthKit ถูกรวมเข้ากับ iPhone โดยได้รับความยินยอมจากผู้ใช้

• Empatica E4 เชื่อมต่อผ่าน BLE โดยมุ่งเน้นไปที่จุดสิ้นสุดการเข้าถึงข้อมูล

• SDK ไม่รวมอัลกอริทึมการเรียนรู้ของเครื่อง โดยเน้นการเข้าถึงข้อมูล

3) การดำเนินการ

• SDK จัดการกับความท้าทายทางเทคนิคในสถาปัตยกรรมซอฟต์แวร์การทำงานร่วมกันและการตอบสนองการคาดการณ์

2) สถาปัตยกรรมซอฟต์แวร์

• SDK มีอินเทอร์เฟซแบบครบวงจรสำหรับข้อมูลแบบเรียลไทม์จากแหล่งต่างๆ

• การเข้าถึงข้อมูล HealthKit ใช้วัตถุ Singleton สำหรับการอัปเดตที่มีประสิทธิภาพ

• การเข้าถึงข้อมูล Empatica และ Oura นั้นง่ายขึ้นผ่านวัตถุเดียว

• สถาปัตยกรรมไม่รวมกลไกการคงอยู่ของข้อมูล

3) การทำงานร่วมกัน

• โซลูชันสำหรับการทำงานร่วมกันของค่าอินพุต ได้แก่ การรวม การใช้ค่าล่าสุด และการสร้างแบบจำลองทางสรีรวิทยา

• เอฟเฟกต์อินซูลินถูกสร้างแบบจำลองเพื่อปรับปรุงความแม่นยำในการทำนาย BG

4) ความพร้อมกัน

• DispatchGroup ซิงโครไนซ์การโทรข้อมูลพร้อมกันก่อนดำเนินการคาดการณ์ BG

5) เวลาตอบสนองการคาดการณ์

• เวลาตอบสนองการคาดการณ์ BG ได้รับอิทธิพลจากการดึงข้อมูลและการเลือกอัลกอริทึม

• โปรโตคอลการสื่อสารนำเสนอความท้าทายสำหรับการเพิ่มประสิทธิภาพเวลาตอบสนอง

แอปพลิเคชั่นสมาร์ทโฟนพิสูจน์แนวคิด

• แอพสมาร์ทโฟนแสดงให้เห็นถึงความสามารถของ SDK สำหรับการคาดการณ์ BG แบบเรียลไทม์โดยใช้การถดถอยของ Ridge

1) แบบจำลองการถดถอยของสันเขา

• การพิสูจน์ของแนวคิดใช้ Ridge Regression ซึ่งแสดงให้เห็นว่ามีประสิทธิภาพเหนือกว่าอัลกอริทึมอื่น ๆ

• มีการคาดการณ์โดยตรงสำหรับระดับกลูโคสในอนาคตหลีกเลี่ยงการแพร่กระจายของข้อผิดพลาด

• โมเดลได้รับการฝึกอบรมด้วยคุณสมบัติที่ล่าช้าและเปรียบเทียบตามประเภทอินพุต

2) การประมวลผลข้อมูล

• ชุดข้อมูลสองชุดตรวจสอบแบบจำลอง Ridge Regression รวมถึงชุดข้อมูล Ohio T1DM

• ข้อมูลจากผู้เข้าร่วมการศึกษาถูกนำมาใช้สำหรับการฝึกแบบจำลองส่วนบุคคล

• การประมวลผลล่วงหน้ารวมถึงการสุ่มตัวอย่างการนำมาใช้ใหม่และการทำให้เป็นปกติ

3) เมตริกประสิทธิภาพ

• RMSE เป็นตัววัดความแม่นยำหลักสำหรับอัลกอริทึมการคาดการณ์ BG

ชุดพัฒนาซอฟต์แวร์

• SDK ช่วยให้สามารถเก็บข้อมูลแบบเรียลไทม์จาก IMS และอุปกรณ์สวมใส่ได้

• มีจุดสิ้นสุดสำหรับตัวแปรอินพุตที่เหมาะสำหรับการคาดการณ์ BG หลายตัวแปร

ประสิทธิภาพของอัลกอริทึม

• แบบจำลองการถดถอยของ Ridge ได้รับการเปรียบเทียบกับชุดข้อมูล Ohiot1dm

• รวมถึงคุณสมบัติเพิ่มเติมที่ปรับปรุงค่า RMSE เมื่อเทียบกับอินพุต CGM เท่านั้น

การทดสอบการตรวจสอบ

• การทดลองเกี่ยวข้องกับสถานการณ์ของการบริโภคคาร์โบไฮเดรตการบริโภคอินซูลินและการออกกำลังกาย

• มีการสังเกตการคาดการณ์ BG แบบเรียลไทม์ในระหว่างการทดลองแสดงให้เห็นถึงประสิทธิภาพของโมเดล

การสนทนา

• ความท้าทายรวมถึงการใช้โปรโตคอลการสื่อสารหลายโปรโตคอลสำหรับการรวบรวมข้อมูล

• มีช่องว่างในการประเมินการคาดการณ์ BG หลายตัวแปรในสถานการณ์ในชีวิตจริง

• โปรโตคอลปิดขัดขวางการเข้าถึงข้อมูลจากปั๊มอินซูลินและอุปกรณ์สวมใส่ได้

• SDK มีแอพพลิเคชั่นที่มีศักยภาพสำหรับระบบสนับสนุนการตัดสินใจในการจัดการโรคเบาหวาน

ข้อสรุป

• การศึกษาแสดงให้เห็นถึงแพลตฟอร์ม SDK สำหรับการพัฒนาเครื่องมือสำหรับการทำนาย BG

• จำเป็นต้องมีการวิจัยเพิ่มเติมเพื่อสำรวจการใช้งานและการตั้งค่าที่กว้างขึ้นสำหรับการทำนาย BG

A Machine Learning Approach for Blood Glucose Level Prediction Using a LSTM Network

งานวิจัยนี้นำเสนอการใช้โมเดล LSTM ในการพยากรณ์ระดับน้ำตาลในเลือดแบบเรียลไทม์ โดยใช้ข้อมูลจากผู้ป่วยเบาหวานชนิดที่ 1 เพื่อฝึกสอนโมเดล และพัฒนาแอปพลิเคชันที่สามารถช่วยในการจัดการระดับน้ำตาลในเลือดได้อย่างมีประสิทธิภาพ

บทนำ

• โรคเบาหวานเป็นภาวะระยะยาวที่ทำให้เกิดระดับน้ำตาลในเลือดสูง

• จำนวนผู้ป่วยโรคเบาหวานเพิ่มขึ้นจาก 246 ล้านในปี 2006 เป็น 463 ล้านในปี 2562

• อัตราการเสียชีวิตที่เกี่ยวข้องกับโรคเบาหวานโดยประมาณในปี 2019 คือ 4.2 ล้านคนโดยมีอัตราการเสียชีวิต 11.3%

• ภาวะน้ำตาลในเลือดสูงในระยะยาวนำไปสู่ภาวะแทรกซ้อนรุนแรงเช่นโรคหัวใจและหลอดเลือดและอาการโคม่า

• การรักษาด้วยอินซูลินมีความสำคัญต่อการจัดการระดับน้ำตาลในเลือดสูงโดยใช้การฉีดหรือปั๊ม

• โรคเบาหวานสามประเภทหลัก: ประเภท 1 (T1D), ประเภท 2 (T2D) และเบาหวานขณะตั้งครรภ์ (GDM)

• อุบัติเหตุ T1D เพิ่มขึ้นทั่วโลกโดยมีผู้ป่วยรายใหม่ประมาณหนึ่งล้านรายต่อปี

• การตรวจสอบระดับน้ำตาลในเลือดเป็นสิ่งจำเป็นโดยใช้ SMBG, CGM และปั๊มอินซูลินขั้นสูง

• มีการพัฒนาแบบจำลองการเรียนรู้ของเครื่องเพื่อการคาดการณ์ระดับน้ำตาลในเลือดที่ถูกต้อง

• การศึกษาใช้ข้อมูลจากฐานข้อมูล Ohiot1dm โดยมุ่งเน้นไปที่ผู้ป่วย T1D สิบสองคน

• โมเดลหน่วยความจำระยะสั้นระยะยาว (LSTM) ได้รับการฝึกฝนสำหรับการคาดการณ์ระดับกลูโคสที่แม่นยำ

ผลงานที่เกี่ยวข้อง

• มีการใช้แบบจำลองการทำนายต่างๆรวมถึงเครือข่ายประสาทสำหรับการพยากรณ์กลูโคส

• การศึกษาก่อนหน้านี้รายงานค่า RMSE สำหรับโมเดลที่แตกต่างกันโดยใช้ชุดข้อมูล Ohio T1DM

• ความล่าช้าในการวัดความคล้ายคลึงกันระหว่างสัญญาณกลูโคสจริงและที่คาดการณ์ไว้

• วรรณคดีแสดงแบบจำลองที่ใช้ข้อมูลอินพุตเดียวหรือหลายรายการสำหรับการคาดการณ์

• Rabby et al. บรรลุค่า RMSE ที่ดีที่สุดโดยใช้โมเดล LSTM หลายชั้น

• Martinsson et al. รายงานค่า RMSE ที่สูงขึ้นโดยใช้เฉพาะระดับกลูโคสเป็นอินพุต

• การศึกษาบางชิ้นรวมถึงอินพุตหลายรายการ แต่ให้ความแม่นยำในการทำนายแย่กว่า

• อัลกอริทึมอื่น ๆ เช่น ARX, SVR และเครือข่ายประสาททั่วไปได้รับการประเมินเช่นกัน

• Midroni et al. สำรวจชุดคุณสมบัติต่างๆและตัวแปร RNN สำหรับการทำนายกลูโคส

• การศึกษาเพียงสองครั้งที่คำนวณความล่าช้าโดยที่ Li et al. บรรลุความล่าช้าต่ำสุด

ชุดข้อมูล

• ชุดข้อมูล Ohiot1dm รวมถึงการวัดกลูโคสจากผู้ป่วย T1D สิบสองคน

• รวบรวมข้อมูลโดยใช้ปั๊มอินซูลิน Medtronic และอุปกรณ์ CGM ในช่วงแปดสัปดาห์

• ข้อมูลทางสรีรวิทยาถูกรวบรวมจากแถบฟิตเนส โดยมีพารามิเตอร์เหตุการณ์ชีวิตรายงานด้วยตนเอง

• ข้อมูลประชากรผู้ป่วยรวมถึงเพศชาย 7 คนและหญิง 5 คนในกลุ่มอายุต่างๆ

• ข้อมูลไม่เปิดเผยตัวตนและแสดงด้วยหมายเลข ID แบบสุ่ม

• ชุดข้อมูลประกอบด้วยระดับ CGM ปริมาณอินซูลินและเหตุการณ์ชีวิตที่รายงานด้วยตนเอง

• ใช้แถบเซ็นเซอร์สองแถบ ได้แก่ Basis Peak (กลุ่มบริษัท 2018) และ Empatica Embrace (กลุ่มปี 2020)

• RNN มีประสิทธิภาพสำหรับข้อมูลตามลำดับ โดย LSTM แก้ไขปัญหาการพึ่งพาระยะยาว

• LSTM รวมการควบคุมแบบไม่เชิงเส้นเพื่อปรับปรุงความแม่นยำในการทำนาย

• วิธีการเกี่ยวข้องกับการประมวลผลข้อมูลล่วงหน้าสำหรับการคาดการณ์ที่เชื่อถือได้

การประมวลผลล่วงหน้า

• ข้อมูลถูกแปลงจากรูปแบบ.xml เป็นรูปแบบ.csv สำหรับการวิเคราะห์

• ใช้สคริปต์ Python สำหรับการแปลงข้อมูลและการทำความสะอาด

• ข้อมูลที่ขาดหายไปได้รับการแก้ไขผ่านวิธีการรักษาสามวิธี ได้แก่ อนุกรมเวลา อินเตอร์โพลาชัน และแบบไม่อินเตอร์โพลาต

• กำหนดขอบเขตเวลา 5, 30 และ 60 นาทีเพื่อการเปรียบเทียบความแม่นยำ

• มีการประเมินผลกระทบของข้อมูลที่ขาดหายไป

• วิธีการอนุกรมเวลาคาดการณ์ช่องว่างตามลำดับเพื่อให้ข้อมูลที่ขาดหายไปให้สมบูรณ์

• มีการเสนอวิธีการเรียนรู้เชิงลึกสำหรับการคำนวณข้อมูลเพื่อจับความสัมพันธ์ชั่วคราว

การฝึกอบรมและการทดสอบ

• ชุดข้อมูลจากวิธีการรักษาสามวิธีถูกใช้สำหรับการฝึกอบรม LSTM

• สถาปัตยกรรมแบบจำลองประกอบด้วย 200 เซลล์ LSTM และสองชั้นหนาแน่น

• มีการฝึกอบรมเป็นเวลา 80 ยุคที่มีขนาดแบทช์ 40

• มีการใช้เครื่องมือเพิ่มประสิทธิภาพ Adam และฟังก์ชันการสูญเสีย MSE

• ชุดข้อมูลจากทั้งปี 2018 และ 2020 ได้รับการประเมินเพื่อความแตกต่างของประสิทธิภาพ

• ชุดข้อมูลการทดสอบจากฐานข้อมูลโอไฮโอถูกใช้เพื่อประเมินความถูกต้องของอัลกอริทึม

ผลลัพธ์

• มีการคำนวณเมตริก RMSE และ MAE เพื่อประเมินความแม่นยำในการทำนาย

• วิธีการอนุกรมเวลาให้ประสิทธิภาพที่ดีที่สุด ในขณะที่ข้อมูลที่ไม่ผ่านการเชื่อมต่อทำงานได้ไม่ดี

• ค่า RMSE เป็นเวลา 30 และ 60 นาทีแข่งขันกับการศึกษาก่อนหน้านี้

• ขอบเขตการคาดการณ์ที่ต่ำกว่าส่งผลให้ประสิทธิภาพดีขึ้นในวิธีการรักษาทั้งหมด

• การแสดงภาพแสดงให้เห็นการคาดการณ์ที่ดีขึ้นด้วยขอบเขตเวลาที่สั้นลง

ข้อสรุป

• อัลกอริทึมทำนายระดับน้ำตาลในเลือดได้อย่างมีประสิทธิภาพโดยใช้การรักษาแบบอนุกรมเวลา

• ข้อมูลที่ไม่ใช่อินเทอร์โพลาส่งผลเสียต่อความแม่นยำในการทำนายซึ่งจำเป็นต้องประมวลผลข้อมูลล่วงหน้า

• ผลลัพธ์มีประสิทธิภาพเหนือกว่าการศึกษาก่อนหน้านี้ที่ไม่ใช้อินเทอร์โพลาชัน

• แบบจำลองการเรียนรู้ของเครื่องช่วยในการตรวจจับระดับน้ำตาลในเลือดสูงและภาวะน้ำตาลในเลือดต่ำ

• วิธีการนี้เสนอทางเลือกในการทำนายแบบเรียลไทม์สำหรับผู้ป่วย T1D

มุมมองในอนาคต

• งานในอนาคตควรแบ่งช่วงระดับน้ำตาลในเลือดเพื่อการวิเคราะห์ที่แม่นยำยิ่งขึ้น

• ทีมวิจัยกำลังทำงานกับฐานข้อมูลผู้ป่วยเอกวาดอร์เพื่อศึกษาต่อไป

• มีการวางแผนการปรับปรุงวิธีการในการประมวลผลข้อมูลล่วงหน้าสำหรับการใช้งานในอนาคต

• การตรวจสอบความสัมพันธ์ตัวแปรในข้อมูลเป็นสิ่งจำเป็นสำหรับการคาดการณ์ที่ดีขึ้น

• โครงการนี้มีจุดมุ่งหมายเพื่อเพิ่มการคาดการณ์ระดับกลูโคสสำหรับผู้ป่วยเอกวาดอร์