2型糖尿病のさらなる分類のための連続グルコース監視データによって駆動されるマルチレベルクラスタリングアプローチ

はじめに：連続グルコースモニタリング（CGM）データからのマイニング知識は、その特性に従って2型糖尿病の非常に不均一な患者を分類しています。CGMデータから隠された情報を取得する洗練されたクラスタリング方法は、異なる程度の嚥下症および臨床表現型の患者を特定するための実行可能な方法を提供する可能性があります。 研究デザインと方法：上海Jiao Tong Universityに所属しているSixth People's Hospitalから、ブラインドCGMセンサー（IPRO2、Medtronic、California、California、USA）を着用した2型糖尿病（18〜83歳）の患者908人を選択しました。参加者は、24時間の間にCGMデータに基づいてクラスター化されました。最初のレベルでは、複数の視点からのCGM信号を記述するために、知識ベースと統計ベースの機能を抽出しました。フィッシャースコアと変数クラスター分析は、第2レベルで機能を融合するために適用されました。3番目のレベルでは、被験者を異なる臨床表現型を持つサブグループに分割しました。患者の4つのサブグループは、臨床表現型によって決定されました。 結果：統計的特徴と臨床表現型が著しく異なる2型糖尿病の患者の4つのサブグループが、私たちの方法で特定されました。特に、クラスター1の個体は、最も低いグルコースレベル因子とグルコース変動因子、および最も負のグルコース因子とCペプチド指数によって特徴付けられました。対照的に、クラスター2のグルコースレベル因子が最も高く、最低Cペプチド指数がありました。クラスター4は、グルコース変動因子の最大の程度によって特徴付けられ、最もインスリン感受性が高く、インスリン抵抗性が最も低かった。クラスター3は、他の3つのグループのものと比較して、CGM由来のメトリックと臨床表現型に関して中央でランク付けされました。 結論：2型糖尿病のCGMデータからの知識マイニングのための新しいマルチレベルクラスタリングアプローチが提示されています。結果は、サブグループが顕著な統計的および臨床的な違いで適切に区別されていることを示しています。

INTRODUCTION: Mining knowledge from continuous glucose monitoring (CGM) data to classify highly heterogeneous patients with type 2 diabetes according to their characteristics remains unaddressed. A refined clustering method that retrieves hidden information from CGM data could provide a viable method to identify patients with different degrees of dysglycemia and clinical phenotypes. RESEARCH DESIGN AND METHODS: From Shanghai Jiao Tong University Affiliated Sixth People's Hospital, we selected 908 patients with type 2 diabetes (18-83 years) who wore blinded CGM sensors (iPro2, Medtronic, California, USA). Participants were clustered based on CGM data during a 24-hour period by our method. The first level extracted the knowledge-based and statistics-based features to describe CGM signals from multiple perspectives. The Fisher score and variables cluster analysis were applied to fuse features into low dimensions at the second level. The third level divided subjects into subgroups with different clinical phenotypes. The four subgroups of patients were determined by clinical phenotypes. RESULTS: Four subgroups of patients with type 2 diabetes with significantly different statistical features and clinical phenotypes were identified by our method. In particular, individuals in cluster 1 were characterized by the lowest glucose level factor and glucose fluctuation factor, and the highest negative glucose factor and C peptide index. By contrast, cluster 2 had the highest glucose level factor and the lowest C peptide index. Cluster 4 was characterized by the greatest degree of glucose fluctuation factor, was the most insulin-sensitive, and had the lowest insulin resistance. Cluster 3 ranked in the middle concerning the CGM-derived metrics and clinical phenotypes compared with those of the other three groups. CONCLUSION: A novel multilevel clustering approach for knowledge mining from CGM data in type 2 diabetes is presented. The results demonstrate that subgroups are adequately distinguished with notable statistical and clinical differences.