CN111128327A - 一种低血糖预警方法和装置 - Google Patents

Abstract

本发明提供一种低血糖预警方法和装置。该方法包括：对于获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值合并结果作为随机森林模型的输入，以是否发生低血糖风险作为随机森林模型的输出；利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。本发明的方法和装置提高了低血糖预测的准确度，并具有较好的敏感度和特异度。

Description

一种低血糖预警方法和装置

技术领域

本发明涉及血糖分析技术领域，尤其涉及一种低血糖预警方法和装置。

背景技术

2017年国际糖尿病联盟最新统计报告显示，全球糖尿病成年患者的数量已经增加到4.25亿，而且患病率仍在持续上升。糖尿病病人的治疗除了要重点降低平均血糖外，还需要预防低血糖。低血糖也会导致一系列严重的并发症，损害大血管和微血管，严重的甚至会导致死亡。目前低血糖预警方法主要是利用连续血糖监测(CGM)设备记录患者历史血糖变化信息，根据CGM数据对未来15分钟至120分钟的低血糖进行预警。有研究人员还通过对CGM数据进一步挖掘，计算CGM数据的标准差(SDBG)，变异系数(CV)，最大血糖波动幅度(LAGE)，平均绝对血糖值(MAG)等，分别利用上述的参数实现低血糖预警。另外，有研究人员通过从大量的病人电子病历中提取出可能与低血糖的发生有关的临床数据，使用逻辑回归算法计算病人的低血糖发生风险。然而，现有方法仍存在低血糖预警准确性较低，低血糖预警的敏感度和特异度较差等缺陷。

糖尿病患者的低血糖症通常是相对或绝对(外源性或内源性)胰岛素过量以及抵抗血浆葡萄糖浓度下降的生理防御能力受损共同作用的结果。对于有临床低血糖高风险的糖尿病患者，一般选取血糖值3.9mmol/L作为低血糖的警戒线。

具体地，现有技术包括以下技术方案：

1)、基于电子病历的低血糖预警：通过获取大量的病人电子病历，从电子病历中提取出可能与低血糖的发生有关的临床数据(如胰岛素注射量、生活习惯等)，使用逻辑回归算法计算病人的低血糖发生风险。

2)、基于CGM数据的低血糖预警：通过CGM设备获取患者的CGM数据，采用长短期记忆网络(LSTM)算法对低血糖进行预警。

3)、基于CGM数据挖掘的低血糖预警：通过分别计算CGM数据的标准差，变异系数，最大血糖波动幅度，平均绝对血糖值等，并采用逻辑回归算法分别计算低血糖发生的概率。

标准差计算方法如下：

其中G为测量血糖值，

为测量血糖值的平均值，N为血糖测量总数。

变异系数计算方法：

其中SDBG为血糖标准差，

为测量血糖值的平均值。

最大血糖波动幅度计算方法：

LAGE＝G_max-G_min

其中G_max为测量最大血糖值，G_min为测量最小血糖值

平均绝对血糖值的计算方法：

其中G_n为第n个血糖值，N为血糖测量总数，T为测量总时间(小时)。

综上，目前的低血糖预警方法仍存在低血糖预警准确度较低，低血糖预警的敏感度和特异度较差等缺陷，临床实用性较差。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种低血糖预警方法和装置，是利用血糖平均值与梯度值相结合的低血糖预警方法，在低血糖预警方面具有高准确度，为低血糖的临床预警提供了新的解决方案。

根据本发明的第一方面，提供一种低血糖预警方法。该方法包括以下步骤：

对于获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；

构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值合并结果作为随机森林模型的输入表示为MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}，以是否发生低血糖风险作为随机森林模型的输出，MBG表示血糖平均值，T_i表示血糖梯度值；

利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。

在一个实施例中，对于多个连续血糖监测数据database＝{G₁,G₂,G₃,G₄,G₅,....G_i,....,G_N}，采用以下公式计算血糖梯度值：

gradient＝{T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}

其中，

根据本发明的第二方面，提供一种低血糖预警装置。该装置包括：

数据处理单元：用于对获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；

模型训练单元：用于构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值的合并结果作为随机森林模型的输入，表示为MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}，以是否发生低血糖风险作为随机森林模型的输出，MBG表示血糖平均值，T_i表示血糖梯度值；

预测单元：用于利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。

在一个实施例中，对于多个连续血糖监测数据database＝{G₁,G₂,G₃,G₄,G₅,....G_i,....,G_N}，采用以下公式计算血糖梯度值：

gradient＝{T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}

其中，

在一个实施例中，所述模型训练单元根据以下过程进行训练：

通过自举采样有放回地从所述训练样本集中随机选择k个样本，样本的大小与所述训练样本集相同；

对于每k个样本都建立决策树模型，获得k种分类结果；

根据该k种分类结果对每条样本进行投票，进而确定最终的分类结果。

在一个实施例中，所述模型训练单元根据以下过程获得预测分类标签：

对于所述随机森林模型的每颗决策树，输入袋外数据样本进行预测估计，每一棵决策树的预测结果作为一次类别投票，票数最高的类别为该袋外数据样本的预测分类标签，预测结果的表达式为：

其中δ(h(x,θ_k)为示性函数，argmax表示使

取值最大的预测标签y，θ_k表示控制单颗决策树生长的随机向量，P表示决策树的个数。

在一个实施例中，根据以下公式检验所述随机森林模型的分类性能：

Pe^*＝P_x,y(mg(x,y)＜0)

其中，ave_kδ(h_k(x)＝y表示将样本正确预测为标签y的平均值，

表示将样本错误分至除标签y以外的其他类别的最大平均值，Pe^*为泛化误差，P_x,y(mg(x,y)为间隔函数小于0的概率。

与现有技术相比，本发明的优点在于：通过对CGM数据进行分析，分别获取CGM数据的血糖平均值与梯度值，并将血糖平均值与梯度值相结合，采用随机森林算法对低血糖进行预警。本发明所提出的方法和装置在实现低血糖预警方面具有较高准确度，为低血糖预警提供了一种新的思路。

附图说明

以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：

图1是根据本发明一个实施例的低血糖预警方法的流程图。

具体实施方式

为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

参见图1所示，本发明实施例提供的低血糖预警方法包括以下步骤：

步骤S110，获取CGM数据并进行预处理。

例如，采用CGM设备连续获取被试者的CGM数据，对CGM数据进行预处理，得到多个时刻对应的CGM值。

具体地，在预处理过程中，当某个CGM值与相邻的CGM值相比，其值出现明显偏大或者偏小等异常现象时，则将相邻两个值的平均值替代该异常值。如果由于CGM设备暂时故障导致某个CGM值缺失，则通过采用K-近邻取值方法，根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，将这K个值加权平均来估计该样本的缺失数据。

CGM数据经预处理后可表示如下：

database＝{G₁,G₂,G₃,G₄,G₅,....G_i,....,G_N} (1)

其中G₁表示CGM的第1个值，G₂表示CGM的第2个值，以此类推。

通过上述数据预处理过程，能够获得滤除异常数据，从而避免影响后续分析的准确性。

步骤S120，根据所获取的CGM数据计算血糖平均值。

具体地，根据所获取的CGM数据，计算血糖平均值，公式如下：

其中G_i为CGM数据中第i个值，N为血糖值的测量总数。

步骤S130，根据所获取的CGM数据，获得表征血糖波动的血糖梯度值。

例如，根据所获取的CGM数据，计算血糖梯度值，其结果为一个矩阵，表示为：

gradient＝{T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N} (3)

其中，

步骤S140，合并血糖平均值和血糖梯度值。

具体地，将血糖平均值与梯度值相结合，将血糖平均值表示为一个矩阵，通过合并血糖平均值与血糖梯度值矩阵，得到新的参数，可表示为：

MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N} (4)

步骤S150，构建随机森林模型，通过训练获得低血糖预警模型，其中训练过程以血糖平均值和所述血糖梯度值的合并结果作为随机森林模型的输入，以是否发生低血糖风险作为随机森林模型的输出。

在本发明实施例中，利用随机森林模型获得低血糖预警信息。具体地，随机森林算法的基本思想是：首先，通过自举采样有放回地从原始训练集中随机选择k个样本，样本的大小和原始训练集相同。其次，对于每k个样本都建立决策树模型，会得到k种分类结果；最后，再根据k种分类结果对每条记录进行投票，以确定最终分类。在本发明中，将血糖平均值与梯度值作为随机森林算法的输入，即输入为MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}，随机森林模型的输出结果为：将发生低血糖或无低血糖发生风险两种类别。

在一个实施例中，随机森林算法相关参数设置如下：

n_estimators：决策树的个数设置为100；

oob_score：是否使用袋外数据，设置为True；

min_samples_split：根据属性分节点时，每个分区的最小样本数，设置为10；

min_samples_leaf：叶子结点的最小样本数，设置为10；

jobclass_weight：设置为'balanced_subsample'，使用y值自动调整权重，各类权重与输入数据中的类别频率成反比。

对于建好的随机森林模型，输入袋外数据进行预测估计，每一棵树的预测结果作为一次类别投票，票数最高的类别为该样本的预测分类标签，则预测结果的计算表达式为：

其中δ(h(x,θ_k)为示性函数，argmax表示使

取值最大的预测标签y，θ_k表示控制单个分类树生长的随机向量，P表示决策树的个数，即n_estimators值。

为有效地检验模型的分类性能，将袋外数据输入模型得到泛化误差，间隔函数与泛化误差按如下公式表示：

Pe^*＝P_x,y(mg(x,y)＜0)

其中，ave_kδ(h_k(x)＝y表示将样本正确预测为标签y的平均值，

表示将样本错误分至除标签y以外的其他类别的最大平均值。Pe^*为泛化误差，P_x,y(mg(x,y)为间隔函数小于0的概率，即预测结果出现误判的概率。因此，泛化误差越低，模型的分类性能越好。

为进一步验证本发明的效果，进行了对比试验，下表1给出了不同方法的低血糖预警结果，其中SPE表示特异度，SEN表示敏感度。由表1可知，本发明的基于血糖平均值与梯度值相结合的方法对低血糖预警的敏感度和特异度最好，准确度最高。

表1：不同方法的低血糖预警结果

相应地，本发明还提供一种低血糖预警装置，用于实现上述方法的一个方面或多个方面。例如，该装置包括：一种低血糖预警装置，包括：数据处理单元，其用于对获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；模型训练单元，其用于构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值的合并结果作为随机森林模型的输入，以是否发生低血糖风险作为随机森林模型的输出；预测单元，其用于利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。本发明装置中的各单元可采用逻辑电路或处理器实现。

综上所述，本发明提出的基于血糖平均值与梯度值相结合的低血糖预警方法，与其他方法相比，敏感度和特异度最好，准确度最高。

需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种低血糖预警方法，包括以下步骤：

对于获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；

构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值合并结果作为随机森林模型的输入表示为MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}，以是否发生低血糖风险作为随机森林模型的输出，MBG表示血糖平均值，T_i表示血糖梯度值；

利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。

2.根据权利要求1所述的低血糖预警方法，其特征在于，对于多个连续血糖监测数据database＝{G₁,G₂,G₃,G₄,G₅,....G_i,....,G_N}，采用以下公式计算血糖梯度值：

gradient＝{T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}

其中，

3.一种低血糖预警装置，包括：

数据处理单元：用于对获取的多个连续血糖监测数据，计算血糖平均值和血糖梯度值，所述血糖梯度值表征连续血糖监测数据的波动情况；

模型训练单元：用于构建随机森林模型和训练样本集，通过训练获得低血糖预警模型，其中以所述血糖平均值和所述血糖梯度值的合并结果作为随机森林模型的输入，表示为MBG_gradient＝{MBG,T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}，以是否发生低血糖风险作为随机森林模型的输出，MBG表示血糖平均值，T_i表示血糖梯度值；

预测单元：用于利用所述低血糖预警模型获得被试者是否具有发生低血糖的风险。

4.根据权利要求3所述的低血糖预警装置，其特征在于，对于多个连续血糖监测数据database＝{G₁,G₂,G₃,G₄,G₅,....G_i,....,G_N}，采用以下公式计算血糖梯度值：

gradient＝{T₁,T₂,T₃,T₄,T₅,....T_i,....,T_N}

其中，

5.根据权利要求3所述的低血糖预警装置，其特征在于，所述模型训练单元根据以下过程进行训练：

通过自举采样有放回地从所述训练样本集中随机选择k个样本，样本的大小与所述训练样本集相同；

对于每k个样本都建立决策树模型，获得k种分类结果；

根据该k种分类结果对每条样本进行投票，进而确定最终的分类结果。

6.根据权利要求5所述的低血糖预警装置，其特征在于，所述模型训练单元根据以下过程获得预测分类标签：

对于所述随机森林模型的每颗决策树，输入袋外数据样本进行预测估计，每一棵决策树的预测结果作为一次类别投票，票数最高的类别为该袋外数据样本的预测分类标签，预测结果的表达式为：

其中δ(h(x,θ_k)为示性函数，argmax表示使

取值最大的预测标签y，θ_k表示控制单颗决策树生长的随机向量，P表示决策树的个数。

7.根据权利要求3所述的低血糖预警装置，其特征在于，根据以下公式检验所述随机森林模型的分类性能：

Pe^*＝P_x,y(mg(x,y)＜0)

其中，ave_kδ(h_k(x)＝y表示将样本正确预测为标签y的平均值，

表示将样本错误分至除标签y以外的其他类别的最大平均值，Pe^*为泛化误差，P_x,y(mg(x,y)为间隔函数小于0的概率。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至2中任一项所述方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至2中任一项所述的方法的步骤。

Images