文摘

人工智能技术已被定位在各领域问题的解决医疗保健。临床决策支持系统由这种技术优化慢性疾病患者的医疗移动应用程序。在这项研究中,基于这种方法的几个模型开发了计算基底在I型糖尿病患者使用胰岛素剂量皮下胰岛素输注泵。方法。进行试点实验研究的数据来自56个1型糖尿病患者使用胰岛素输注泵和经历了连续葡萄糖监测。几个模型基于人工智能技术开发基于连续葡萄糖监测分析血糖模式和临床变量为了估计基础胰岛素剂量。我们使用神经网络(NNs),贝叶斯网络(bn),支持向量机(svm),和随机森林(RF)。然后我们评估预测和实际值之间的协议使用几个统计误差测量:平均绝对误差(MAE)、均方误差(MSE),均方根误差(RMSE)、皮尔森相关系数(R),决定系数(R²)。结果。24个不同的模型,一天的每个小时,每个选择技术。与射频相关系数得到,支持向量机,得到和bn分别为0.9999,0.9921,0.0303,和0.7754,分别。错误增加06:00时和07:00至13:00至17点。结论。射频技术的性能非常好,非常接近实际值。智能技术可以用来预测基础胰岛素剂量。然而,有必要探索结果的有效性并选择目标人群。模型,允许更精确的预测水平应该进一步探讨。

1。介绍

糖尿病(DM)是一种慢性疾病,其患病率呈上升趋势,被称为21世纪的流行。DM发病率和死亡率有很大的影响。这种疾病是高成本来自于照顾病人和疾病的并发症导致可怜的控制(1]。1型糖尿病(T1DM)的特点是低胰岛素由胰腺和治疗是基于一个外生替换。体内胰岛素不足会导致严重的并发症,如酮症酸中毒和hyperosmolar状态可导致糖尿病昏迷和死亡(2,3]。

等许多因素会影响血糖水平运动,病毒性疾病,压力,和荷尔蒙的影响,都与时间的食物摄入量或胰岛素丸,但可能存在基础胰岛素必须涵盖的期间。这些事件直接影响T1DM患者血糖水平,因此建立一个正确的基础胰岛素剂量的重要性从一开始的治疗而促进剂量的调整相应丸和敏感性。目前,医学指南建议胰岛素时间表基于病人的体重和年龄不考虑其他因素,比如上面提到的这些[4]。此外,通常,胰岛素调整后最终建立了简单的规则基于经验主义和治疗医生的经验和后期由于实现困难病人面临访问专业咨询。

在新兴国家如哥伦比亚、获得医疗保健服务是有限的。在这方面,基于人工智能技术的临床决策支持系统可能是有用的作为一个策略来关闭保健差距(5- - - - - -9]。目前,提出了不同的模型来估计基础胰岛素剂量使用人工智能算法和技术(10- - - - - -18]。这些模型显示好的结果在改善血糖控制的时间范围(10- - - - - -13]。因此,在这项研究中,我们旨在评估不同的人工智能模型计算基础胰岛素剂量,估计这可能是更好的。

2。材料和方法

进行回顾性队列研究分析数据从成人患者中18年的诊断T1DM使用美敦力公司640 g和范式Veo胰岛素输注泵耦合使用Enlite连续葡萄糖监测传感器和一个可接受的血糖控制,定义为一系列的糖化血红蛋白(HbA1c)在6%和8%之间和传感器使用超过80%是包括在内。并发症并不认为排除病人。所有治疗Valle del丽丽基金会,位于哥伦比亚卡利市。

变量如年龄、性别、体重、身高、体重指数、糖化血红蛋白,基础胰岛素剂量,的上下界的标准差胰岛素剂量,总胰岛素剂量,比例的基础胰岛素使用和基础胰岛素的剂量,间质葡萄糖,的上下界间隙葡萄糖测量的标准差都包括在内。从医疗记录得到的数据收集使用美敦力公司Carelink Pro版本4.0 c软件与为期两周的数据下载和补充的临床历史选择的病人。进行数据分析,我们排除了几天,观察血糖水平的高可变性(急性疾病,使用临时基础条件,高血糖由于碳水化合物数差,等等)。

2.1。模型估算基础胰岛素剂量

四个人工智能技术探索估计基础胰岛素剂量为每一天24小时:神经网络(NNs),贝叶斯网络(bn),随机森林(RF)和支持向量机(svm)。的技术选择基于他们在R编程语言易于实现。选择的人工智能技术被称为机器学习策略。他们创建一个胰岛素剂量预测模型基于信息从患者训练集的一部分。该模型能够预测患者的胰岛素剂量值不同的训练集的测试集,因此,可以推广。不同预测模型根据机器学习技术。机器学习策略没有使用一个简单的数学公式来预测病人的剂量。相反,他们训练模型提供的值对应于胰岛素剂量的患者在训练集。通过这种方式,该模型能够学习变量之间的关系,表示每个病人和胰岛素剂量,以便从一个测试集预测病人的剂量不同的训练集,训练,测试,和交叉验证的模型,我们使用56位患者的信息,从一组640条记录对应的血糖数据获得了15天,一天24小时。

2.2。基于神经网络的模型

人工神经网络是计算的模型类似于生物神经网络存在于生物的神经系统。神经网络是由节点或单元通过直接连接的连接。连接从单位”j“单位”我“传播服务激活”一个“从”j”到“我”。此外,每个连接都有一个关联的数值重量””,这决定了强度和连接的迹象。每个单元”我“首先计算加权和的输入:

然后一个激活函数应用于这个和产生输出:

模型基于NNs技术获得了使用神经网络库在r网络有13个输入神经元对应13提到的变量(11,12]。与使用不同的配置不同的拓扑和13-7-3-2-1网络拓扑结构选择,也就是说,13个输入神经元,对应于上面提到的变量,和7,3和2在隐藏层神经元。最后,在输出层,只有一个神经元称为剂量。(使用的启发式n+米)/ 2,n对应于输入的数量米输出神经元的数量。例如,第一隐层(13 + 1)/ 2。出于这个原因,7是第一隐层神经元的数目。下面的层,实证结果进行调整确定。最好的结果通过实现随机平均梯度(凹陷)算法,基于Grprop算法也来源于electropropagation算法,定义的学习速率最小绝对导数没有反向运动。提出了图使用的拓扑结构1。

2.3。基于贝叶斯网络的模型

贝叶斯网络是一个有向无环图的节点和边组成,节点代表随机变量和的边缘代表它们之间存在的概率依赖关系。贝叶斯网络节点之间能够调整概率为了确定变量的输出值来预测一个胰岛素剂量。依赖变量对应变量用来表示病人。贝叶斯网络作为一种统计模型便于描述和可视化之间的概率关系感兴趣的一组变量。

获得的BN变量对应的节点数量,确定计算胰岛素剂量。bnlearn图书馆内使用r .节点之间的依赖关系是自动由图书馆。例如,在图2,每个圆是网络的一个节点对应一个变量使用的预测模型,包括计算(剂量)。每个箭头指向该节点代表直接依赖的其他属性。然而,这并不意味着不存在依赖关系和其他特征,而是有一个更强的这些特点与剂量的关系(图2)。

2.4。基于支持向量机的模型

支持向量机技术构建一个最优超平面的形式决定表面的边缘之间的分离不同类别的数据尽可能广泛。基于标签的数据表示为点或在维空间向量,该算法输出有一个超平面分类新数据实例。支持向量是指的一个小子集作为支持的训练观察表面的最优位置决定。构建之间的分离超平面,svm依赖于一个名为内核和我们使用多项式的函数类型: 在哪里多项式的顺序。

向量机模型获得了使用e1071库在R和多项式函数作为明确的内核,因为它是函数,允许数据的分离有一个更准确的预测。同样,测试执行的线性和乙状结肠内核函数。多项式的内核是调整约束违反成本大于1,ε不敏感损失函数大于0.1,公差超过0.001终止准则。获得的支持向量机模型共有13类对应的变量用来预测和163支持向量。

2.5。基于随机森林模型

随机森林方法结合多个决策树预测价值比如果你更准确地预测一个树。每棵树预测胰岛素剂量使用的所有变量的值代表每个病人。最后,该技术是所有树木能够预测的平均值。泛化误差在这种方法收敛于一个限制在森林中树木的数量很大。每棵树是一个预测独立和技术这些预测值平均一个输出值。

在训练阶段,该算法试图优化分割函数的参数从训练样本:

为此,以下信息增益函数: 在哪里年代代表一组样本的节点被分割,和年代^我创建的两组的决定。措施的熵函数集,取决于正在解决的问题的类型。

随机森林模型,我们使用了随机森林图书馆R,实现Breiman随机森林算法。13个输入变量的样本开始参观通过各种二叉决策树,可以一起在多个解决方案。最后,这些解决方案是平均来估计胰岛素剂量。生成决策树的数量为此被调整到1000。这个值被选为树木产生的最大数量,决定从误差稳定,如图3。

3所示。结果分析

我们评估的一致性四个人工智能技术的计算基础胰岛素剂量与医生建立的剂量中定义的数据下载胰岛素泵。指标用来测量精度如下:平均绝对误差(MAE)、均方误差(MSE),均方根误差(RMSE)、皮尔森相关系数(R),确定系数(R²)。

4所示。结果

只有58岁的480名患者的定期随访制度从2012年到2018年,一个可接受的血糖控制,即。,一系列的糖化血红蛋白在6%和8%之间。大约1456条记录被存储为每个病人。这些数据,共81536条记录,被用来训练模型(见表1)。

指标用来衡量四个技术工作的准确性使用色标在图所示4。平均绝对误差(MAE)的四个技巧(NNs bn,射频和svm)绘制的X设在和24个实验(专为每个模型表示在2.4)上绘制Y设在。

观察图4(一)BN技术达到平均绝对误差(MAE)接近1中呈现红色。表明BN技术不能够预测基础胰岛素剂量专门等在特定时间9点,下午2点,3点,晚上8点到11点之间。另一方面,RF和SVM技术获得的平均绝对误差在浅绿色的接近于0。图4(一)可以看到,射频和SVM技术更适合预测基础胰岛素剂量比贝叶斯网络和神经网络。图4 (b)显示的颜色范围均方根误差(RMSE)。在这种情况下,得到了类似的结果。然而,支持向量机技术显示了一些值2点和7点之间,和下午1点和5点之间有一个深绿色这表明RMSE值不是很接近于0。应该注意到,光绿色获得射频技术在所有时间。这意味着随机森林比BN, RN, svm预测基础胰岛素剂量。图4 (c)显示的颜色范围的皮尔森相关系数(R)。在这个图中,绿色代表一个相关性接近1.0。它发生在预测和实际值是高度相关的。一个人+ 1的相关系数称为总积极的线性相关,这表明技术适用于一个特定的预测问题。观察到,所有值都是亮绿色在射频和SVM这表明一个优秀的预测与实际值之间的相关性。另一方面,BN和RN有负相关值呈现红色。最后,图4 (d)显示的颜色范围确定系数(R²)。确定系数措施技术如何接近实际的胰岛素剂量。一个R²(1)表明,完全符合技术数据。观察,随机森林的礼物R²亮绿色价值观。这意味着射频是最好的技术预测胰岛素剂量。支持向量机刚刚几个小时在深色的绿色。BN和RN技术确定系数。

表中2,我们现在的总结指标用来衡量的准确性五实验使用的四个技术。统计误差测量的结果表明,bn和NNs技术不估计剂量得当,而射频和支持向量机有一个优秀的行为非常接近实际值与美为svm射频的0.00006574310642和0.01282676086。它也证明在某些时间误差增加,从6点到7点,13点到17点之间。皮尔森相关系数(R与射频),支持向量机,得到和bn,分别为0.9999,0.9921,0.0303,和0.7754,分别。正如前面所解释的那样,价值观通过射频和支持向量机被认为是积极的线性相关。它表明,射频和SVM预测胰岛素剂量时都是很好的选择。确定系数(R²)的射频,支持向量机,得到和bn,为0.9999,0.9843,0.0671,和0.6348,分别。R²射频技术获得的值非常接近1.0,这意味着随机森林是高度准确的近似实际的胰岛素剂量。

总的来说,96年人工智能模型设计。这意味着24为每个技术使用不同的模型,考虑到泵模型研究中使用最多允许24基础胰岛素剂量进行配置。24模型为每小时提供基础胰岛素剂量。虽然这些剂量不一定是不同的,根据测试,可能会有几个剂量每小时可以构成一个剂量范围。图5显示估计一天24小时的24个胰岛素剂量计算在病人和倍的剂量估计在某些范围是如何相似,例如,估计18:00-19:00 = 1029 IU /人力资源之间的剂量。和19:00-20:00 = 1006 IU /人力资源。

5。讨论

DM是一个高度流行全球许多细微差别和控制条件,需要一个多学科的方法和病人参与。因此,重要的是要创建策略,允许病人的权利实现血糖水平目标避免高血糖或低血糖及其对发病率和死亡率的影响。为此,一个适当的计算基础胰岛素剂量是一个重要的策略。临床决策支持系统已成为替代方法在慢性疾病患者的护理,如糖尿病。然而,一个全面的验证过程是必需的(19,20.]在病人和他们的应用程序来实现该目标。

目前,提出了不同的模型来预测基础胰岛素剂量使用算法和人工智能技术(10- - - - - -18]。Torrent-Fontbona提出一个系统,计算丸与案例推理,结合卡尔曼滤波对基线估计到达时间在83.87 + 1.35 (10,11]。与此同时,Cappon et al。12)使用神经网络来计算胰岛素丸风险降低血糖指数为0.37,0.23,和0.20与公众的标准方法,转身,分别和Edelman。在这项研究中由Nimri et al。13)25例使用模糊逻辑,大多数患者数值差异−0.5和6单位对规定的每日总剂量的胰岛素医疗专家。然而,有情况下,更大的区别。到目前为止,结果还不错,例如,在这些情况下,可以从平均血糖为259.43±23.42 mg / dL 156.73±14.41 mg / dL。

在我们的例子中,所有的模型获得,射频技术被发现最合适的估算基础胰岛素剂量和剂量估计在某些范围的类似这种根据配置,允许640 g的胰岛素泵模型。此外,错误是更大的在特定的时间,6点和7点之间和下午1点和5点之间。这可能是因为他们是最高的时期血糖变异性(问),葡萄糖稳态[不可或缺的组成部分21]。饮食中扮演一个重要的角色在血糖的变化22- - - - - -24]。这符合时期计算基础胰岛素剂量不成功,恰逢下午在早上早餐和午餐。这将是未来重要的连接策略优化的计算摄入碳水化合物。此外,可能会有其他因素与全球之声,应该考虑改善模型,如压力、锻炼、并发症和其他药物的使用。

尽管患者的数量看起来小,记录用于模型训练更大,更具代表性的病人。共有1456条记录被存储为每个病人。因此,81536条记录被用来训练模型。这个训练阶段允许模型有能力推广和应用基础胰岛素剂量预测病人没有参加培训的同时,保持较高的精度。这意味着该模型模拟患者的医疗实践中描述的相同特征的手稿。我们研究的主要限制是,数据来自人口与可接受的血糖控制,因此,我们不知道这些模型如何行为在其他不同年龄人群范围,更高的糖化血红蛋白水平,或高问。考虑到这个,射频技术可能是一个有用的工具为临床决策支持系统基础胰岛素剂量胰岛素泵用户在我们的人口。另一个限制是剂量预测06:00-07:00和13:00-17:00之间。它可以解释为碳水化合物摄入量和丸胰岛素。同时,身体活动和许多监管荷尔蒙分泌物的变化可能影响血糖水平和基础胰岛素。 It was our first approach to calculate basal insulin through artificial intelligence models. However, we need to work on the construction of models that predict basal and bolus insulin to improve prediction and get a better level of glycemic control. Anyway, the current error could be acceptable for basal insulin dose prediction but validation studies in other populations are necessary.

数据可用性

支持信息可以从作者要求通过电子邮件(电子邮件保护)。

的利益冲突

奥斯卡Bedoya作为就业的一部分在大学del Valle像教授。其他作者不申报任何潜在的利益冲突。