著名医師による解説が無料で読めます
すると翻訳の精度が向上します
目的:このペーパーは、連続グルコースモニタリング(CGM)データを使用した1型糖尿病(T1D)療法における食事時間インスリンボーラス(MIB)の計算を改善するための新しい機械学習ベースのモデルを提案することを目的としています。実際、MIBは標準式(SF)を介して依然として計算されますが、これはグルコース変化率(∆G)を説明していないため、重要な低血糖エピソードを引き起こします。 方法:多重線形回帰(MLR)と最小絶対収縮および選択演算子(Lasso)に基づくMIB計算の4つの候補モデルが開発されています。提案されたモデルは、異なる食事時間シナリオでUVA/Padova T1Dシミュレーターを使用して、SFおよび3つの∆Gアコウントバリアントと比較して、シリコで評価されます。218個の血糖トレースを遡及的に分析することにより、実際のデータに関する評価も実行されます。 結果:4つのテストされたモデルはすべて、既存の手法よりも優れたパフォーマンスを発揮しました。拡張機能セットを含むラッソの回帰(ラッソQ)が最良の結果を生み出しました。シリコでは、Lasso Qは、最適なボーラスを0.86 U(SFの1.45 Uおよび文献法の1.36-1.44 U)のみに推定する誤差を減らし、低血糖発生率(SFの44.41%および文献方法の44.60-45.01%から)。結果は、実際のデータへの遡及的アプリケーションによって確認されます。 結論:CGM-∆GのMIB計算を改善する新しいモデルと、機械学習フレームワーク内で開発できる機能を開発できます。特に、この論文では、新しいラッソQモデルが開発されました。これにより、SFや他の文献方法よりも優れた血糖コントロールが保証されます。 重要性:提案されたラッソQモデルによるMIB投与量は、T1D療法における有害事象のリスクを潜在的に減らすことができます。
目的:このペーパーは、連続グルコースモニタリング(CGM)データを使用した1型糖尿病(T1D)療法における食事時間インスリンボーラス(MIB)の計算を改善するための新しい機械学習ベースのモデルを提案することを目的としています。実際、MIBは標準式(SF)を介して依然として計算されますが、これはグルコース変化率(∆G)を説明していないため、重要な低血糖エピソードを引き起こします。 方法:多重線形回帰(MLR)と最小絶対収縮および選択演算子(Lasso)に基づくMIB計算の4つの候補モデルが開発されています。提案されたモデルは、異なる食事時間シナリオでUVA/Padova T1Dシミュレーターを使用して、SFおよび3つの∆Gアコウントバリアントと比較して、シリコで評価されます。218個の血糖トレースを遡及的に分析することにより、実際のデータに関する評価も実行されます。 結果:4つのテストされたモデルはすべて、既存の手法よりも優れたパフォーマンスを発揮しました。拡張機能セットを含むラッソの回帰(ラッソQ)が最良の結果を生み出しました。シリコでは、Lasso Qは、最適なボーラスを0.86 U(SFの1.45 Uおよび文献法の1.36-1.44 U)のみに推定する誤差を減らし、低血糖発生率(SFの44.41%および文献方法の44.60-45.01%から)。結果は、実際のデータへの遡及的アプリケーションによって確認されます。 結論:CGM-∆GのMIB計算を改善する新しいモデルと、機械学習フレームワーク内で開発できる機能を開発できます。特に、この論文では、新しいラッソQモデルが開発されました。これにより、SFや他の文献方法よりも優れた血糖コントロールが保証されます。 重要性:提案されたラッソQモデルによるMIB投与量は、T1D療法における有害事象のリスクを潜在的に減らすことができます。
OBJECTIVE: This paper aims at proposing a new machine-learning based model to improve the calculation of mealtime insulin boluses (MIB) in type 1 diabetes (T1D) therapy using continuous glucose monitoring (CGM) data. Indeed, MIB is still often computed through the standard formula (SF), which does not account for glucose rate-of-change ( ∆G), causing critical hypo/hyperglycemic episodes. METHODS: Four candidate models for MIB calculation, based on multiple linear regression (MLR) and least absolute shrinkage and selection operator (LASSO) are developed. The proposed models are assessed in silico, using the UVa/Padova T1D simulator, in different mealtime scenarios and compared to the SF and three ∆G-accounting variants proposed in the literature. An assessment on real data, by retrospectively analyzing 218 glycemic traces, is also performed. RESULTS: All four tested models performed better than the existing techniques. LASSO regression with extended feature-set including quadratic terms (LASSO Q) produced the best results. In silico, LASSO Q reduced the error in estimating the optimal bolus to only 0.86 U (1.45 U of SF and 1.36-1.44 U of literature methods), as well as hypoglycemia incidence (from 44.41% of SF and 44.60-45.01% of literature methods, to 35.93%). Results are confirmed by the retrospective application to real data. CONCLUSION: New models to improve MIB calculation accounting for CGM- ∆G and easy-to-measure features can be developed within a machine learning framework. Particularly, in this paper, a new LASSO Q model was developed, which ensures better glycemic control than SF and other literature methods. SIGNIFICANCE: MIB dosage with the proposed LASSO Q model can potentially reduce the risk of adverse events in T1D therapy.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。