标志”src=

糖尿病研究期刊》的研究
PDF
糖尿病研究期刊》的研究/2020年/文章

研究文章|开放获取

体积 2020年 |文章的ID 8830774 | https://doi.org/10.1155/2020/8830774

Jingzhen李、马小菁Igbe Tobore,余杭Liu阿布Kandwal,王磊,精益Lu,魏,Yuqian包,剑,毛泽东聂, ”小说CGM Metric-Gradient和结合意味着葡萄糖传感器可以改善糖尿病患者的夜间低血糖事件的预测”,糖尿病研究期刊》的研究, 卷。2020年, 文章的ID8830774, 8 页面, 2020年。 https://doi.org/10.1155/2020/8830774

小说CGM Metric-Gradient和结合意味着葡萄糖传感器可以改善糖尿病患者的夜间低血糖事件的预测

Jingzhen李,1 小菁马,2 Igbe Tobore,1 余杭刘,1 阿布Kandwal,1 王磊,1 精益陆,2 魏路,2 Yuqian保,2 剑周,2 和 毛聂1

1中国科学院深圳先进技术研究院,518055年深圳,中国

2内分泌和新陈代谢,上海临床糖尿病中心、上海市糖尿病研究所、上海交通大学附属第六人民医院,200233年上海,中国

学术编辑器:亚历山大Kokkinos
收到了 2020年8月14日
修改后的 2020年10月15日
接受 2020年10月24日
发表 2020年11月03

文摘

夜间低血糖是糖尿病的严重并发症来,它通常是无症状的。小说CGM metric-gradient提出了本文和结合的方法意味着葡萄糖传感器(味精)和梯度的预测提出了夜间低血糖。为此,连续葡萄糖监测的数据(CGM)包括1921名糖尿病患者进行了分析,共有302夜间低血糖事件记录。味精和梯度值分别计算,然后结合作为一种新的衡量标准(即。、味精+梯度)。此外,该预测是由四个算法,即逻辑回归,支持向量机,随机森林,长短期记忆。结果显示,的梯度CGM低血糖事件发生之前显示一个下降的趋势。此外,结果表明,基于该方法的特异性和敏感性优于常规指标较低的血糖指数(LBGI),变异系数(CV)、平均绝对葡萄糖(MAG)不稳定性指数(李连杰饰)。等。,味精的复杂指标+ LBGI味精+简历,味精+杂志,和味精+,等。具体来说,特异性和敏感性大于96.07%和96.03%的预测地平线15分钟,大于87.79%和90.07%的预测地平线30分钟时,采用该方法预测夜间低血糖事件在上述四个算法。因此,该方法相结合的味精和梯度可能使改善夜间低血糖事件的预测。未来的研究是必要的来确认这个指标的有效性。

1。介绍

糖尿病是一种代谢疾病引起的胰岛素分泌缺陷,胰岛素的行动,或两者兼而有之(1,2]。低血糖症是一种常见的糖尿病胰岛素治疗的副作用和它的一个重要限制因素在糖尿病患者的血糖管理3]。据估计,54.0%的患者1型糖尿病(T1DM)患者和27.4%的2型糖尿病(T2DM)病人体内有夜间低血糖症通常发生在下午1点到4点左右(4,5]。此外,75%的低血糖事件与昏迷或癫痫发生在晚上,因为自主症状往往不足以唤醒病人(6]。一些研究报道,“dead-in-bed”综合症可能是严重的夜间低血糖的结果,占5 - 6%的死亡病例患者T1DM [7,8]。因此,夜间低血糖的预测是紧迫和重要。

连续血糖监测(CGM)被认为是21世纪的糖尿病治疗路线图(9]。CGM的重要潜在的好处之一是,它能提供最大全天血糖水平的信息。到目前为止,数量有限的研究已经发表了利用原始数据从CGM设备实现低血糖的预测。在之前研究Mhaskar et al。10),一定比例的患者组作为训练数据,和其余的病人被设置为测试数据。此外,与ReLU深层神经网络非线性提出预测低血糖。同样,一个新的方案,提出了一种基于正则化学习算法对低血糖预测Naumova et al。(以前的研究11]。此外,实时方法结合五个人低血糖预测算法的研究白金汉et al。12,13]。与此同时,考虑到血糖变异性与低血糖(14),一些指标可以反映出血糖变异性和低血糖也提出了实现夜间低血糖的预测(15]。传统的指标包括意味着葡萄糖传感器(味精)、标准差的葡萄糖传感器(SD),变异系数(CV)、平均绝对葡萄糖(MAG),较低的血糖指数(LBGI),和不稳定性指数(LI)。然而,值得注意的是变化振幅,而上述指标的变化趋势是被忽视的。众所周知,低血糖时更容易发生血糖显示了一个递减的趋势,而不是增加的趋势。摘要小说CGM度规,命名为梯度,提出了。梯度的定义而言,它可以反映血糖的变化趋势。此外,味精能反映整体血糖水平,这是低血糖。因此,一种新的方法相结合的味精和梯度CGM提出了预测夜间低血糖。四个算法采用评估预测的性能在不同的预测的视野。

2。方法

2.1。过程

研究伦理委员会批准的协议是上海交通大学附属第六人民医院按照《赫尔辛基宣言》的原则。书面知情同意了每个参与者在测量之前。葡萄糖值是通过使用一个商业CGM系统(美敦力公司(Medtronic Inc .) iPro2,北岭,CA)。CGM系统的测量范围从2.2更易更易与L / L到22.2。CGM系统的监测时间间隔5分钟。每个病人都有三天CGM记录,生成每日288连续葡萄糖值的记录。最初,总共5763天CGM记录被收集到的1921例患者。此外,至少有四个每天毛细血管血糖读数测量使用SureStep血糖仪(LifeScan、苗必达,CA)校准CGM系统。在本文中,我们主要集中在夜间低血糖的调查。预测夜间低血糖的原因被认为是在这个工作如下。 Firstly, as mentioned above, nocturnal hypoglycemia has important clinical significance. Secondly, the nocturnal blood glucose level is less affected by diet, exercise, and other intervention factors, which helps to evaluate the prediction performance of the proposed metric. According to the bedtime and awakening time in most of the patients with diabetes, the nocturnal period for outcome assessment each night was from 22:00 to 06:00 of the following morning in this paper [16]。因此,一般来说,97年创纪录的连续葡萄糖值收购为病人每天晚上。然而,一些CGM记录可能不完整或丢失。失踪的CGM值插值采用直线估计如果只有一个数据失踪了。CGM记录被排除在进一步分析如果两个或两个以上的数据记录都没有。摘要809年CGM记录被排除在外,剩下的4954 CGM记录被用于我们的研究。

夜间低血糖事件被定义为CGM至少15分钟 ,和它发生在晚上22:00 06:00时(17]。低血糖事件被排除在进一步分析,如果他们发生< 2小时后以前的事件。根据上述定义,302夜间低血糖事件从4954年CGM记录可供进一步研究。

2.2。味精和梯度计算

梯度的定义而言,它可以代表最大的方向导数的函数在一个点(18- - - - - -20.]。假设CGM的数据表示为一个矩阵 ,的味精和梯度CGM数据可以得到方程(1)和方程(2),分别。 在哪里 代表了 CGM的价值, 是 CGM的梯度值, 是CGM的数量数据。

味精和梯度可以表示为一个矩阵 。有人指出之间的权重味精和梯度自适应时结合味精和梯度。味精的重量被设置为1,梯度的重量取决于味精的价值。例如,如果味精值等于4.9,梯度的重量将会设置为4.9。

2.3。低血糖预测算法

四个经典算法,即逻辑回归(LR)、支持向量机(SVM),随机森林(RF),和长时间的短期记忆(LSTM),采用实现夜间低血糖的预测我们的工作。这些算法都是基于Keras平台由Python 3.5。简要介绍了算法的原理和参数设置如下。LR是使用一个逻辑函数的预测分析模型变量(21,22]。LR已广泛应用于数据挖掘、自动诊断疾病,经济预测,等等。LR参数被设置为默认值。支持向量机是一种监督学习模型用于分类和预测。支持向量机的决策边界的最大利润超平面的学习样本(23]。SVM的内核是设置为“线性”和惩罚参数C的误差项是1.0。射频是一个经典的决策树分类器由(24,25]。它使用引导聚合和随机子空间方法建立多个决策树和合并在一起得到一个更精确的和稳定的预测。max_features n_estimators的射频参数,标准,和n_jobs被设置为200,“汽车”,“熵”和200年,分别。LSTM使用递归神经网络是一种人工体系结构领域的深度学习(26,27]。LSTM的特点是使用一个内存模块,而不是普通的隐藏节点,这有助于确保梯度不会消失或爆炸后经过许多步骤。本文模型包括3 LSTM层,输出的尺寸是10,8,2。第一层和第二层的返回序列被设置为“真正的”。

2.4。评价方法

本文采用特异性和敏感性评估夜间低血糖的预测性能不同的指标和算法在不同预测的视野。特别是,敏感性和特异性的统计措施是二进制分类的性能测试,广泛应用于医学。计算是方程(3)和方程(4)。

如方程所示(3), 代表低血糖是正确确定为低血糖,和 低血糖是错误地认定为nonhypoglycemia代表。因此,灵敏度可以反映阳性的比例(即。正确识别低血糖)。同样的, 是nonhypoglycemia被正确地命名为nonhypoglycemia,然后呢 是nonhypoglycemia被错误地认定为低血糖。因此,特征可以反映底片的比例(即。nonhypoglycemia)被正确识别。

3所示。结果

3.1。研究人群

总共有1921糖尿病患者(T1DM是289年,2型糖尿病是1632)被招募的内分泌和新陈代谢的上海交通大学附属第六人民医院2018年1月至2019年3月。报名参加者的男性比例为57.6%。的 报名参加者的年龄 ,和他们有一个 糖尿病的持续时间 。患者使用胰岛素的百分比,双胍,磺脲类,DPP-4i,α糖苷酶抑制剂在治疗期间分别为71.1%,39.2%,21.5%,8.06%,和33.4%,分别。

3.2。梯度分析

图1展示了原始葡萄糖值和梯度值 来 在夜间低血糖事件发生在之前 。结果在图1被描述成 。如图1,原始的葡萄糖值呈现近似线性下降趋势在低血糖事件发生之前,而原始的葡萄糖值与时间nonhypoglycemia几乎保持不变。它可以观察到,梯度可以反映血糖的变化方向。低血糖事件显示的梯度下降趋势从-90分钟到5分钟。例如,梯度值是-0.0611更易在-70分钟/ L,它是小于-0.1099更易在-35分钟/ L。此外,它是有趣的观察,梯度值的变化更明显在-30分钟到5分钟的时间范围。梯度值约为-0.2308更易与L在5分钟前低血糖事件。然而,梯度值几乎相同的nonhypoglycemia从-90分钟到5分钟,大约-0.0015更易/ L。基于单向方差分析的统计分析,在低血糖事件和nonhypoglycemia的梯度值明显不同,在不同的时间(所有 对于趋势< 0.02)。


图1
原始数据和梯度值 来 在夜间低血糖事件发生在之前 。结果在图1被描述成 偏差。
3.3。预测性能

考虑到夜间低血糖事件的数量远远少于nonhypoglycemia和样本的重要性平衡在火车模型中,一半的夜间低血糖事件(即。151事件)和151年的数据被随机选中nonhypoglycemia和四个人被用于训练算法。剩下的数据被用于验证。

表1列出了不同的特异性和灵敏度指标和算法在不同预测的视野。CGM的长度,采用预测是30分钟。预测的视野是15分钟,30分钟,45分钟,60分钟。单一指标和复杂的指标被认为是在我们的研究中。如表中所示1,它是有趣的观察,预测性能可以显著提高,当该方法相结合的味精和梯度(即。,味精+梯度)是利用。具体来说,特异性97.12%,灵敏度是98.01%预测地平线15分钟的LR算法。此外,特异性的值分别为90.83%,82.42%,和77.87%,灵敏度值分别为90.07%,90.07%,90.73%,30分钟的预测的视野,45分钟,分别和60分钟。此外,结果表明,该方法的预测性能不仅优于原始数据和单指标也比复杂的指标,包括味精+ SD,味精+简历,味精+拉赫,味精+杂志+ LBGI味精,味精+李在不同预测的视野。此外,如表所示1,该方法的特异性和敏感性预测视野的也是最大的15分钟和30分钟当其他算法如支持向量机、射频,LSTM被用来实现低血糖的预测。
pH值 方法 LR 支持向量机 射频 LSTM
SPE (%) 森(%) SPE (%) 森(%) SPE (%) 森(%) SPE (%) 森(%)
15分钟 原始数据 95.76 95.36 96.31 96.03 94.82 94.70 93.51 92.05
味精 85.89 90.07 86.06 90.07 80.21 90.07 86.06 90.07
梯度 52.00 90.73 54.51 89.40 49.02 90.07 51.32 89.40
SD 24.24 91.39 26.83 89.40 13.53 89.40 22.17 91.39
简历 69.75 76.82 89.42 54.97 40.84 90.07 39.94 92.72
拉赫 21.37 91.39 21.37 91.39 16.15 90.73 21.37 91.39
玛格 32.87 84.77 32.78 84.77 15.58 90.73 32.78 84.77
LBGI 89.18 90.07 89.03 90.07 86.06 90.07 89.26 90.07
李 32.57 84.77 32.57 84.77 16.06 89.40 32.57 84.77
味精+梯度 97.12 98.01 97.40 98.01 96.07 96.03 96.88 97.35
味精+ SD 93.61 94.70 93.82 94.04 92.42 92.72 94.13 94.04
味精+简历 87.81 90.07 88.43 90.07 93.02 93.38 87.61 90.73
味精+拉赫 94.26 94.70 94.67 94.70 93.00 94.04 94.18 95.36
味精+杂志 93.89 94.04 94.94 94.70 93.46 93.38 93.34 94.70
味精+ LBGI 88.53 90.07 89.03 90.07 90.09 90.73 89.03 90.07
味精+李 95.27 90.73 94.09 96.03 93.40 96.03 94.36 94.70
30分钟 原始数据 83.70 90.07 85.43 90.07 83.99 90.07 85.50 90.07
味精 75.99 90.07 76.11 90.07 61.52 90.07 76.11 90.07
梯度 30.97 90.73 31.38 90.07 27.40 89.40 28.32 90.07
SD 21.45 89.40 23.22 88.74 8.48 88.74 23.22 88.74
简历 26.95 94.70 1.29 90.73 26.66 90.73 43.84 86.75
拉赫 20.84 89.40 20.84 89.40 6.30 90.73 20.84 89.40
玛格 31.75 82.12 31.76 82.12 17.17 90.07 43.91 69.54
LBGI 82.92 90.07 83.12 90.07 81.38 89.40 83.34 90.07
李 42.70 70.20 16.84 92.05 10.08 88.74 31.49 82.12
味精+梯度 90.83 90.07 90.30 90.73 87.79 90.07 90.20 90.07
味精+ SD 87.94 90.73 88.61 90.07 83.11 90.73 88.57 90.07
味精+简历 78.11 90.07 78.11 90.07 83.68 90.07 79.07 90.07
味精+拉赫 87.36 90.73 88.47 90.07 81.15 90.07 89.27 90.07
味精+杂志 86.02 90.07 88.15 90.07 79.79 90.07 87.53 90.07
味精+ LBGI 79.26 90.73 77.00 90.07 81.24 90.07 81.34 90.07
味精+李 87.99 90.73 88.48 90.07 78.93 90.73 79.58 90.07
45分钟 原始数据 75.56 90.07 78.84 90.73 80.24 90.07 80.72 90.07
味精 65.66 90.07 65.46 90.07 54.54 90.07 65.11 90.07
梯度 12.05 90.73 11.09 91.39 21.34 90.07 11.43 90.73
SD 20.58 89.40 22.42 88.08 7.03 90.07 19.91 89.40
简历 75.75 57.62 10.82 60.93 26.56 90.73 53.56 78.81
拉赫 19.95 89.40 19.94 89.40 7.77 89.40 19.95 89.40
玛格 30.93 86.09 15.72 90.07 12.91 89.40 15.72 90.07
LBGI 82.01 82.78 79.15 87.42 79.35 85.43 81.29 82.78
李 42.62 71.52 30.61 86.09 16.06 86.09 30.52 86.09
味精+梯度 82.42 90.07 81.15 90.73 79.79 90.07 82.84 90.07
味精+ SD 81.79 91.39 82.14 90.07 74.84 90.07 82.19 90.07
味精+简历 65.84 90.07 66.98 90.07 73.32 90.07 67.02 90.07
味精+拉赫 81.55 90.73 81.95 90.73 72.27 91.39 81.32 90.73
味精+杂志 83.01 90.07 82.23 90.07 70.34 90.73 81.68 90.07
味精+ LBGI 64.38 90.07 65.65 90.07 54.87 90.07 65.41 90.07
味精+李 82.48 90.07 80.39 90.73 72.95 90.07 77.43 90.07
60分钟 原始数据 71.68 90.07 70.65 90.73 64.49 90.73 70.19 90.07
味精 58.73 90.07 58.56 90.07 41.16 90.07 58.73 90.07
梯度 11.66 90.07 11.36 90.07 13.77 90.07 14.93 86.75
SD 22.39 88.74 20.52 90.73 7.91 89.40 30.93 82.12
简历 77.35 59.60 8.05 68.21 30.43 90.07 40.47 87.42
拉赫 19.73 90.73 19.73 90.73 23.87 86.09 19.65 90.73
玛格 30.62 84.11 30.63 84.11 21.83 87.42 30.64 84.11
LBGI 81.43 80.13 82.32 78.15 79.45 79.47 80.71 80.79
李 49.75 67.55 30.33 84.11 18.29 86.09 41.69 73.51
味精+梯度 77.87 90.73 77.25 90.07 76.79 90.07 81.10 90.07
味精+ SD 74.95 91.39 74.20 90.07 67.32 90.73 74.55 90.07
味精+简历 59.28 90.73 61.46 90.07 63.15 90.07 59.25 90.07
味精+拉赫 76.75 90.73 75.97 90.07 62.30 90.07 76.41 90.07
味精+杂志 77.75 90.73 78.85 90.07 69.74 90.07 76.89 90.73
味精+ LBGI 57.46 90.07 58.71 90.07 45.14 90.07 58.10 90.07
味精+李 76.51 90.73 76.67 90.73 70.87 90.07 78.90 90.07
PH值:预测地平线;SPE:特异性;森:敏感性;LR:逻辑回归;支持向量机:支持向量机;射频:随机森林;LSTM:长期短期记忆;味精:意味着葡萄糖传感器;SD:葡萄糖传感器的标准差;简历:变异系数; LAGE: largest amplitude of glycemic excursion; MAG: mean absolute glucose; LBGI: low blood glucose index; LI: lability index. The CGM length which was used for the prediction of nocturnal hypoglycemic events was 30 minutes in this table.
表1
的特异性和敏感性,夜间低血糖事件的预测基于不同指标和算法(CGM) )。

为了分析CGM长度预测性能的影响,三种不同CGM长度被认为是在我们的工作。表2列出了预测结果的预测地平线15分钟,30分钟CGM长度30分钟时,45分钟,分别和60分钟。它可以观察到,CGM长度没有影响特异性和敏感性的方法结合味精和梯度是用于预测。例如,基于LR算法的特征值分别为90.83%,91.18%,和90.73% CGM长度时30分钟,45分钟,分别和60分钟。此外,基于支持向量机的预测性能,射频,LSTM算法也显示出了类似的结论。
pH值 算法 CGM CGM CGM
SPE (%) 森(%) SPE (%) 森(%) SPE (%) 森(%)
15分钟 LR 97.12 98.01 97.47 97.70 96.85 97.35
支持向量机 97.40 98.01 97.41 97.35 96.26 97.35
射频 96.07 96.03 95.92 95.36 95.30 95.36
LSTM 96.88 97.35 97.10 97.35 96.46 96.69
30分钟 LR 90.83 90.07 91.18 90.07 90.73 91.39
支持向量机 90.30 90.73 90.08 90.07 90.09 90.73
射频 87.79 90.07 87.53 90.73 86.95 90.07
LSTM 90.20 90.07 90.87 90.73 89.30 90.73
PH值:预测地平线;SPE:特异性;森:敏感性;LR:逻辑回归;支持向量机:支持向量机;射频:随机森林;LSTM:长短期记忆。
表2
CGM长度的影响在不同算法的特异性和灵敏度指标味精+梯度时采用。

进一步了解预测提出的性能指标,减少葡萄糖传感器的时间没有低血糖事件被考虑在我们的工作。如图1,平均梯度从-90分钟到5分钟大约是-0.1119更易与低血糖事件发生前/ L。因此,数据的nonhypoglycemia平均梯度小于-0.1119更易提取L进行进一步分析。从nonhypoglycemia总共得到了1438年的数据。表3展示了假积极率(玻璃钢)和假阴性率(FNR) 30分钟预测地平线的味精+采用梯度。FNR值分别为7.95%,6.62%,9.27%,和7.95%,玻璃钢值分别为9.32%,12.20%,7.15%,和7.69%,分别由四个不同的算法。因此,它表明该指标显示更好的FNR和玻璃钢。
算法 LR 支持向量机 射频 LSTM
玻璃钢(%) 9.32 12.20 7.15 7.69
FNR (%) 7.95 6.62 9.27 7.95
玻璃钢:错误积极率;FNR:假阴性率;LR:逻辑回归;支持向量机:支持向量机;射频:随机森林;LSTM:长短期记忆。
表3
玻璃钢和FNR下降时期的葡萄糖传感器没有低血糖事件当味精的度规+采用梯度预测地平线的30分钟。

4所示。讨论

这项研究显示,该方法相结合的味精和梯度使改善夜间低血糖事件的预测在不同预测的视野。特异性大于87.79%,敏感性大于90.07%,30分钟在四个不同算法的预测地平线。另一方面,在前面的研究中,低血糖事件预测的准确性为67.21%,预测地平线的30分钟和81.75%的预测地平线20分钟,分别为(10,11]。在[12),使用算法来关闭胰岛素泵低血糖时预测的预测地平线35分钟,低血糖可能阻止了84%。在[28),运动后预防低血糖的近80%是通过使用最小的670 g系统。在[29日),低血糖是预防76.8%的预测暂停的实例。与先前的研究相比,该方法显示更好的预测性能的原因可能是解释如下。首先,CGM的味精价值能反映整体血糖水平在一段时间内。众所周知,血糖值越低,低血糖症的概率就越高。此外,低血糖的发生与血糖的变化。低血糖事件时更容易发生血糖水平表现出下降的趋势,而不是一个上升趋势。CGM的梯度值能反映血糖变化的方向。因此,结合味精和梯度的方法有利于提高低血糖的预测。它可以观察到,特异性和灵敏度方法的基础上结合味精和梯度高于其他指标在不同预测的视野,尤其是在短期预测视野15分钟和30分钟。原因可能与梯度值的变化有关。 As shown in Figure1,越接近低血糖事件发生,梯度变化值越大。因此,它表明该方法将显示更明显的优势在短期预测地平线。

我们的研究只是第一步味精和梯度及其应用在夜间低血糖。三本研究的限制应该注意。首先,有夜间低血糖事件分析太少,这就需要一个更大的长期研究和参与者。其次,参与者参加这个研究主要是2型糖尿病患者。然而,与2型糖尿病患者T1DM显示更高程度的血糖变化,和低血糖预测可能更加困难。由于大多数入学科目的2型糖尿病,我们研究的结果可能并不适用于所有的糖尿病患者,特别是T1DM。因此,进一步研究的新规通过大样本T1DM的患者是必要的。第三,夜间低血糖的预测是静态分析在这工作。时仍然需要评估可行性提出指标用于实时预测患者的夜间低血糖的糖尿病。一个潜在的方法度量可以集成到可穿戴设备或CGM系统来验证实时低血糖预测的可行性。 In the near future, we will try to incorporate the proposed metric and other factors including insulin dosage, carbohydrates intake, and daily activities to improve the specificity and sensitivity of hypoglycemia prediction. In addition, the feasibility of whether the proposed metric can be used in insulin pump to achieve the insulin suspension before hypoglycemia at different prediction horizons needs to be further investigated.

数据可用性

请求应该访问这些数据zd.nie@siat.ac.cn或zhoujian@sjtu.edu.cn。

的利益冲突

作者(年代)(s)宣称他们没有利益冲突。

作者的贡献

评论和X.M.导致了数据分析和论文的写作。J。L和W。导致了数据收集。Y.L. A.K.执行统计分析。I.G.低血糖预测算法执行。Y.B.和l提供很多有用的评论在这工作。Z.N.和J。Z设计研究和被担保人的工作,因此,有完全访问所有数据。Jingzhen李和小菁马同样这项工作。

确认

这项工作得到了中国国家重点研发项目批准号2018年yfc2001002和2018 yfc2001004,上海市临床医学教育Commission-Gaofeng下批准号20161430,深圳基础研究项目批准号卫生信息学JCYJ20180507182231907,中科院重点实验室。我们要感谢所有参与临床医生、护士、和技术人员为CGM数据收集和优秀的援助。

引用

  1. b . Timar r . Timar l . Gaițăc . Oancea c . Levai和d . Lungeanu“糖尿病神经病变的影响,平衡和下跌的风险,2型糖尿病患者:横断面研究,“《公共科学图书馆•综合》,11卷,不。4 p . e0154654 2016。视图:出版商的网站|谷歌学术搜索
  2. 国际糖尿病联合会IDF糖尿病阿特拉斯国际糖尿病联合会,布鲁塞尔,比利时,9日版版,2019年,http://www.diabetesatlas.org。
  3. e·r·r·d·帕沙克·e·b·施罗德Seaquist et al .,“严重低血糖需要医疗干预在一个大型的成人糖尿病患者接受护理在美国综合健康保健系统:2005 - 2011,”糖尿病护理,39卷,不。3、363 - 370年,2016页。视图:出版商的网站|谷歌学术搜索
  4. r . n . Lamounier帽子巴西研究小组,b . Geloneze et al .,”治疗糖尿病患者低血糖发生率和意识来:帽子的研究在巴西,“糖尿病学与代谢综合征,10卷,不。1、1 - 10,2018页。视图:出版商的网站|谷歌学术搜索
  5. p·a·波特b·基廷g .伯恩和t·w·琼斯,“夜间低血糖的发生率和预测标准与胰岛素依赖型糖尿病儿童,”的《儿科学》杂志上,卷130,不。3、366 - 372年,1997页。视图:出版商的网站|谷歌学术搜索
  6. a·艾哈迈德s Dagenais n . j .叫卖小贩,c·j·柯林斯和m·l·劳森“夜间低血糖症的患病率在儿童1型糖尿病:一个试点研究使用连续血糖监测,“的《儿科学》杂志上,卷159,不。2,页297 - 302。e1, 2011年。视图:出版商的网站|谷歌学术搜索
  7. o . Sovik和h . Thordarson Dead-in-bed综合症”在年轻的糖尿病患者,糖尿病护理补充2卷。22日,B40-B42, 1999页。视图:谷歌学术搜索
  8. d . Koltin和d . Daneman Dead-in-bed糖尿病综合症——一个噩梦,”小儿糖尿病,9卷,不。5,504 - 507年,2008页。视图:出版商的网站|谷歌学术搜索
  9. d . c . Klonoff“连续葡萄糖监测:21世纪路线图糖尿病治疗,”糖尿病护理,28卷,不。5,1231 - 1239年,2005页。视图:出版商的网站|谷歌学术搜索
  10. h . n . Mhaskar美国诉Pereverzyev, m·d·范德沃特”的深度学习方法糖尿病血糖预测,“前沿应用数学和统计数据,3卷,2017年。视图:出版商的网站|谷歌学术搜索
  11. 诉Naumova、美国诉Pereverzyev和s . Sivananthan“正规化learning-case的元学习方法研究:血糖预测,“神经网络,33卷,不。3、181 - 193年,2012页。视图:出版商的网站|谷歌学术搜索
  12. b .白金汉,惠普追逐,大肠Dassau et al .,“预防夜间低血糖使用预测报警算法中断胰岛素泵,”糖尿病护理,33卷,不。5,1013 - 1017年,2010页。视图:出版商的网站|谷歌学术搜索
  13. 大肠Dassau f·卡梅伦·h·李et al .,“实时低血糖预测套件使用连续血糖监测:人工胰腺的安全网,”糖尿病护理,33卷,不。6,1249 - 1254年,2010页。视图:出版商的网站|谷歌学术搜索
  14. t . a . Peyser a . k . Balo b . a .白金汉i b·赫希和a·加西亚,“血糖变化百分比:一种新颖的方法来评估血糖变异性与连续葡萄糖监测数据,”糖尿病技术&疗法,20卷,不。1,-,2018页。视图:出版商的网站|谷歌学术搜索
  15. 诉诉Klimontov和n . e . Myakina葡萄糖变异性指数预测夜间低血糖的集老年2型糖尿病患者胰岛素,”糖尿病和代谢综合征:临床研究和评论,11卷,不。2、119 - 124年,2017页。视图:出版商的网站|谷歌学术搜索
  16. d·m·威尔逊·m·卡尔霍恩·d·m·Maahs et al .,“与夜间低血糖高危因素与1型糖尿病青少年和年轻的成年人,“糖尿病技术&疗法,17卷,不。6,385 - 391年,2015页。视图:出版商的网站|谷歌学术搜索
  17. t·丹纳r . Nimri t Battelino et al .,“国际共识使用连续血糖监测,”糖尿病护理,40卷,不。12日,第1640 - 1631页,2017年。视图:出版商的网站|谷歌学术搜索
  18. y l . Liu,赵,h·黄和a·c·Bovik“盲图像质量评估的相对梯度统计和演算法神经网络”信号处理:图像通信40卷,页1 - 15,2016。视图:出版商的网站|谷歌学术搜索
  19. b .戴,吴x和w·布鲁里溃疡,“视网膜微动脉瘤检测使用梯度向量分析和类不平衡分类,“《公共科学图书馆•综合》,11卷,不。8 p . e0161556 2016。视图:出版商的网站|谷歌学术搜索
  20. 江t . x,黄t . z、x l .赵l . j .邓和y . Wang”FastDeRain:小说视频雨条纹去除方法利用方向梯度先知先觉,“IEEE图像处理,28卷,不。4、2089 - 2102年,2019页。视图:出版商的网站|谷歌学术搜索
  21. d . Dingen m .凡不转向,p . Houthuizen et al .,“RegressionExplorer:互动的探索与亚组分析逻辑回归模型,”IEEE可视化和计算机图形学,25卷,不。1,第255 - 246页,2019。视图:出版商的网站|谷歌学术搜索
  22. t·e·休伊特k·e·韦伯斯特和w·j·赫德”系统的选择风险预测的关键变量逻辑回归分析:五因素最大模型,”临床运动医学杂志》上卷,29号1,第85 - 78页,2019。视图:出版商的网站|谷歌学术搜索
  23. 黄m . w . c . w . Chen w·c·林,s . w .柯和c·f·蔡“支持向量机SVM预测乳腺癌,”《公共科学图书馆•综合》,12卷,不。1,p . e0161501 2017。视图:出版商的网站|谷歌学术搜索
  24. h·m·戈梅斯a . Bifet j .阅读et al。”校正:自适应随机森林演化数据流分类,“机器学习,卷108,不。10日,1877 - 1878年,2019页。视图:出版商的网站|谷歌学术搜索
  25. 朱x, x Du, m . Kerich f·w·Lohoff和r . Momenan“基于随机森林分类的酒精依赖患者和健康对照组使用静息状态的核磁共振成像,”神经学字母卷。676年,即,2018页。视图:出版商的网站|谷歌学术搜索
  26. m . Cornia l . Baraldi g·塞拉,r . Cucchiara”预测人眼注视通过LSTM-based凸起的模式,”IEEE图像处理,27卷,不。10日,5142 - 5154年,2018页。视图:出版商的网站|谷歌学术搜索
  27. j·麦肯齐,j·f·罗迪克,r .鸡头”评估HTM和LSTM短期干线交通流预测,“IEEE智能交通系统,20卷,不。5,1847 - 1857年,2019页。视图:出版商的网站|谷歌学术搜索
  28. m·a·伍德,d .辛宜佳g . p . Forlenza et al .,“在临床评估的最小的670 g系统”暂停前低”功能在儿童1型糖尿病患者,糖尿病技术&疗法,20卷,不。11日,第737 - 731页,2018年。视图:出版商的网站|谷歌学术搜索
  29. t . Biester o . Kordonouri m . et al。”“让算法做这项工作”:减少低血糖使用胰岛素泵治疗预测感应增强传送悬挂(SmartGuard)在儿童1型糖尿病患者中,“糖尿病技术&疗法,19卷,不。3、173 - 182年,2017页。视图:出版商的网站|谷歌学术搜索

版权©2020 Jingzhen李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点455年
下载379年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。