Reducing high-risk glucose forecasting errors by evolving interpretable models for Type 1 diabetes

Abstract

Diabetes mellitus je metabolické onemocnění zahrnující vysoké hladiny glukózy v krvi, které může vést k vážným zdravotním následkům. Pro diabetické pacienty je tedy predikce budoucích hladin glukózy zásadní při léčbě onemocnění. Většina prognostických přístupů v literatuře hodnotí účinnost glukózových prediktorů pouze pomocí numerických metrik. Tyto přístupy jsou omezené, protože rovnoměrně ošetřují všechny chyby bez ohledu na jejich odlišný klinický dopad, který by mohl zahrnovat letální účinky v nebezpečných situacích, jako je hypo- nebo hyperglykémie. Aby se toto omezení překonalo, cílem tohoto dokumentu je navrhnout modely pro snížení rizikových chyb předpovědi glukózy u pacientů s diabetem 1. typu. Pro tento účel využíváme algoritmus gramatické evoluce, abychom vyvolali personalizované a interpretovatelné modely předpovědi glukózy hodnocené pomocí nové, složené metriky, aby byly splněny klinické i numerické požadavky na odhadované předpovědi. K posouzení účinnosti navrhovaného přístupu byl přijat soubor reálných dat široce používaný v literatuře, sestávající z údajů od několika pacientů trpících diabetem 1. typu. Experimentální zjištění ukazují, že indukované modely jsou interpretovatelné a schopné zajistit předpovědi s dobrým kompromisem mezi lékařskou kvalitou a numerickou přesností a s pozoruhodným výkonem při snižování vysoce rizikových chyb předpovědi glukózy. Kromě toho je jejich výkon lepší nebo srovnatelný s výkonem jiných nejmodernějších metod.