JP2022512402A - 機械学習の実装の取り込みに基づく改善された低血糖症予測のための血糖データセットの最適化 - Google Patents
機械学習の実装の取り込みに基づく改善された低血糖症予測のための血糖データセットの最適化 Download PDFInfo
- Publication number
- JP2022512402A JP2022512402A JP2021533545A JP2021533545A JP2022512402A JP 2022512402 A JP2022512402 A JP 2022512402A JP 2021533545 A JP2021533545 A JP 2021533545A JP 2021533545 A JP2021533545 A JP 2021533545A JP 2022512402 A JP2022512402 A JP 2022512402A
- Authority
- JP
- Japan
- Prior art keywords
- data
- classifier
- value
- optimization
- cgm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002218 hypoglycaemic effect Effects 0.000 title claims abstract description 50
- 208000013016 Hypoglycemia Diseases 0.000 title claims description 37
- 238000005457 optimization Methods 0.000 title claims description 31
- 238000010801 machine learning Methods 0.000 title description 33
- 230000002641 glycemic effect Effects 0.000 title description 7
- 238000010348 incorporation Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000002123 temporal effect Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims description 46
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 40
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 32
- 239000008103 glucose Substances 0.000 claims description 32
- 102000004877 Insulin Human genes 0.000 claims description 20
- 108090001061 Insulin Proteins 0.000 claims description 20
- 229940125396 insulin Drugs 0.000 claims description 20
- 238000004448 titration Methods 0.000 claims description 17
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 16
- 206010012601 diabetes mellitus Diseases 0.000 description 16
- 238000012360 testing method Methods 0.000 description 15
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 14
- 238000007726 management method Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 230000035945 sensitivity Effects 0.000 description 9
- 239000000243 solution Substances 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000013213 extrapolation Methods 0.000 description 6
- 201000001421 hyperglycemia Diseases 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 5
- 239000007924 injection Substances 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 102100034323 Disintegrin and metalloproteinase domain-containing protein 2 Human genes 0.000 description 2
- 101710116108 Disintegrin and metalloproteinase domain-containing protein 2 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003914 insulin secretion Effects 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- AOFUBOWZWQFQJU-SNOJBQEQSA-N (2r,3s,4s,5r)-2,5-bis(hydroxymethyl)oxolane-2,3,4-triol;(2s,3r,4s,5s,6r)-6-(hydroxymethyl)oxane-2,3,4,5-tetrol Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O.OC[C@H]1O[C@H](O)[C@H](O)[C@@H](O)[C@@H]1O AOFUBOWZWQFQJU-SNOJBQEQSA-N 0.000 description 1
- 210000002237 B-cell of pancreatic islet Anatomy 0.000 description 1
- 208000002249 Diabetes Complications Diseases 0.000 description 1
- 206010012655 Diabetic complications Diseases 0.000 description 1
- 206010052341 Impaired insulin secretion Diseases 0.000 description 1
- 206010022489 Insulin Resistance Diseases 0.000 description 1
- 206010061876 Obstruction Diseases 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 241000011102 Thera Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000007180 physiological regulation Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Emergency Medicine (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
本発明の開示では、上記の目的のうちの1つ以上に対処する、または下記の開示だけでなく例示的な実施形態の説明からも明らかな目的に対処する、実施形態および態様が説明される。
(1)欠落データの取り扱い:スプライン補間ソリューションを用いた5分間のリサンプリング:データサイズが、ソフトウェアコードの一部を用いたデータプレパレーションのデータ品質処理要件を達成する欠落データに応じて増加する。
(2)ローリングスキームの時間的ビニングによる評価限界履歴(eHH):3日間の調査ブロックの臨床的に導出された間隔または3日前の評価限界履歴(eHH)内にネストされた一連のCGM測定値をビニングするために、標準的な逐次スキームとは対照的に、時間的に最適化された日ごとのローリングスキームを用いた3日間のブロックビニング。
(3)ローリングスキームの時間的ビニングによる低血糖症の予測限界履歴(pHH):今後のある将来の時間間隔、対応する以前の遡及的な時間間隔に基づく15分、30分、および60分先の予測限界(PH)、または15分、30分、および60分前の予測限界履歴(pHH)でそれぞれ低血糖症の予測を繰り返し行う、ソフトウェアプログラム。各工程で、5分ごとに、逐次スキームとは反対にローリングスキームでも、pHH=PH予測が行われる。
短期間における低血糖症または低血糖レベルの有害事象の予測もしくは検出を決定するために、15分~最大60分先、次いで、現在、実験上、および将来の機械学習の方法論の予測限界(PH)は、1日あたり1もしくは2ポイントでの血糖の自己モニタリング(SMBG)から、15分間隔のフラッシュグルコースモニタ(FGM)または5分間隔の連続グルコースモニタ(CGM)まで、異なる時間的分解能を完全に取り込み、採用し、そして活用するために、最適化および適合を必要とする。
1.対象者のCGMデータが読み込まれる。対象者のCGMデータは、表形式のデータフレームのオブジェクトタイプである。
2.(利用可能なラベルがある場合)対象者のCGMデータは、任意の「SMPG」または他のデータラベルを除去し、「CGM」データラベルのみを残す。
3.「convertToTS」関数を採用すると、対象者のCGMデータ(通常は表形式)が、さらなるデータプレパレーションのために時系列オブジェクトに変換される。
4.Pandas時系列のネイティブリサンプリング関数を、少なくとも一部のCGMデータを有する日のみを含む、対象者のCGM時系列のオブジェクトデータの平均値を用いて採用することは、「5-T」または5分のビンにリサンプリングすることでさらに準備される。欠落データがない場合、この工程は同じデータセットをもたらすが、データ解析のためにきちんと積み重ねられる。例えば、85mg/dLでの午後12:01:43秒の時点は、同じ85mg/dLで午後12:00分になる。また、92mg/dLでの午後12:06:21秒は、同じ92mg/dLで午後12:05分になる。欠落データがある場合、このリサンプリング工程は、最初に、元の未加工のデータセットを、処理済みのより大きなデータセットへと実質的に増加させ、後続の工程で実際の値に変換する必要がある新しい欠落データまたはNaNを生成する。ただし、最初に、任意の完全なNaN日を除去する必要がある。臨床研究では、完全なNaN日は、基本的にベースラインと経過観察日との間の期間である。ベースラインおよび経過観察の両方のタイムスタンプが1つのデータオブジェクト内にあるため、リサンプリング工程は残念なことに、プログラムで除去する必要のある、不必要な欠落したNaN日の非観察期間を追加する。これは次の工程で達成される。
5.「removeNaNdays」関数を採用する。
入力:対象者のCGM[Time Series]オブジェクトデータタイプ
処理:完全に欠落したNaN日間をスキャンして除去する
根拠:日と日との間の日全体を補間することもリスクである。リスクがはるかに低いのは、同日中にCGM値を補間することであり、これは、データプレパレーションの次の工程および最後の工程となる。
出力:対象者のCGM[List]オブジェクトデータタイプ。[Time Series]オブジェクトデータタイプがなくなった!
この関数は、データ変換モジュールの工程で説明する「pointerTable」関数を採用する。
6.「interpolateList」関数を採用して、この消去された処理済みCGM値のリストは、最終的に、少なくとも一部のCGMが利用可能な状態の日の範囲内の任意のNaNまたは欠落データを書き込む高度なスプライン補間で補間される。
1「pointerTable」関数は、288ポイントのCGMをIDとして相互参照したルックアップテーブルを一度作成するだけである。
2.「pointerTable」関数を採用すると、CGMのリストは、相互参照された288個のIDを割り当てて、特定の値がその日のどの時点またはタイムスタンプにあるかを調整する。
医学的および科学的な観点から、CGMデータポイントが、空腹時血漿グルコース(FPG)の決定および確証のために、朝の午前または夕方の午後、とりわけ、夜間の夜の時間帯と朝の時間帯に関連付けられているかどうかを知ることが重要である。典型的なCGM日の288個のIDを相互参照することにより、CGM値のリストオブジェクトを有するだけで、時系列オブジェクトなしで、かかる情報を依然として取得するために、単一の日のためのポインタルックアップテーブルを考案した。
1.完全に欠落している日または後続の除去のためのNaN日を識別および指定するために、「removeNaNdays」機能を採用した。
2.主に、単一の日のブロックから3日間のブロックの評価限界履歴(eHH)を作成することをタスクとする、データ変換モジュールの工程処理(ループの場合のステートメント)を採用した。
入力:CGM値のクリーンなリスト
処理:「pointerTable」関数のpointerTable出力との相互参照
出力:最初にCGM値の日ごとリストにビニングする(1日あたり288ポイントまたは日ごとの塊)
入力:CGM値の日ごとリスト。ただし、3日間の塊またはブロックにはまだビニングされていない。
処理:ローリングスキームの時間的ビニングの第1の工程の利用
出力:次いで、これらの日ごとの塊を、3日間の塊またはブロックにビニングすることができる。
根拠:医学的および科学的な考慮事項と患者の生理学的調節期間のガイドライン、ならびにランダムフォレスト分類子に供給するためのモデル訓練期間の管理可能な入力の考慮事項に基づいて、日ごとおよび3日間の塊にビニングする。
1.ループのメインは、日ごとの履歴の塊を3日間の限界履歴(HH)の塊に変換することを扱う。
2.「functools」パッケージから「reduce」関数を採用すると、結果として得られるリストのリストは、単に単一の実行中のリストに変換されるか、または低減されるか、またはフラット化されるが、この時間の各リストは、単一の日ではなく、臨床的に必要な3日間の観察または評価を表す。
低血糖症の予測限界履歴(pHH)の時間的ビニングの最適化:
入力:評価限界履歴(eHH)の3日間の塊またはブロック。
根拠:このセットアップは、次の3日間の臨床評価期間への時間的な落とし穴および出血のエラーを回避する。ML解析のためにきちんとパッケージ化される。
処理:ローリングスキームの時間的ビニングの第2の工程の利用
出力:予測限界履歴(pHH)は、3日間の塊またはブロックの評価HH(eHH)内にネストされる。これは、機械学習(ML)のために輪郭を描き、かつ患者の生理学的な調節もしくは整列にも準拠し得る、境界や境界線をセットアップするために不可欠である。この第2の革新的な工程では、これは、入力データを増大させるための第3の実質的な機会である。したがって、元の未加工の入力データは、3つの実質的な工程で、ML分類子フォーマット取り込み、モデル作成、訓練、および試験のために準備が整った、処理および浄化された入力データに増大または拡張されている。
以下において、単純な数値の例を使用して、上述のデータ処理工程を説明する。値は、この目的のためにランダムに発生したものであり、実データに基づくものではない。[KEY]分子:#日:#mg/dLでの1日あたり12個のCGM値。この簡略化された説明に役立つ例の12個のCGMポイント内では、15分および30分先のpHHのみが可能である。以下では、計算を主に15分のpHHについて行う。
0:1日目:[158、335、146、371、104、170、109、290、127、151、231、376]
1:2日目:[342、201、174、100、253、36、134、270、225、117、202、356]
2:3日目:[240、172、320、174、57、215、225、163、246、235、159、36]
3:4日目:[248、342、52、388、309、219、243、275、166、107、191、288]
4:5日目:[279、74、146、276、284、334、201、185、187、151、242、114]
5:6日目:[215、289、338、282、331、282、21、152、270、83、57、114]
入力:ブロック1のeHH:
0:1日目:[158、335、146、371、104、170、109、290、127、151、231、376]
Sliding_Window1=[158、335、146、371、104、170]
X1=[158、335、146]~前の過去15分の過去3つのCGMポイントに対応
Y1=0~170>70=0、170mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
したがって、X1がX(または入力、過去のCGMのBG値)に追加または付加されることになり、Y1がY(出力、低血糖/低血糖なしのバイナリ分類子、オン/オフ)に追加または付加されることになる。
Sliding_Window2=[335、146、371、104、170、109]
X2=[335、146、371]~前の過去15分の過去3つのCGMポイントに対応
Y2=0~109>70=0、109mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]]~X[1]
Y=[0、0]~Ys[0]、Ys[1]
Sliding_Window3=[146、371、104、170、109、290]
X3=[146、371、104]~前の過去15分の過去3つのCGMポイントに対応
Y3=0~290>70=0、290mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]、~X[1]
[146、371、104]]~X[2]
Y=[0、0、0]~Y[0]、Y[1]、Y[2]
Sliding_Window4=[371、104、170、109、290、127]
X4=[371、104、170]~前の過去15分の過去3つのCGMポイントに対応
Y4=0~127>70=0、127mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]、~X[1]
[146、371、104]、~X[2]
[371、104、170]]~X[3]
Y=[0、0、0、0]~Ys[0]、Y[1]、Y[2]、Y[3]
Sliding_Window5=[104、170、109、290、127、151]
X5=[104、170、109]~前の過去15分の過去3つのCGMポイントに対応
Y5=0~151>70=0、151mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]、~X[1]
[146、371、104]、~X[2]
[371、104、170]、~X[3]
[104、170、109]]~X[4]
Y=[0、0、0、0、0]~Y[0]、Y[1]、Y[2]、Y[3]、Y[4]
Sliding_Window6=[170、109、290、127、151、231]
X6=[170、109、290]~前の過去15分の過去3つのCGMポイントに対応
Y6=0~231>70=0、231mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]、~X[1]
[146、371、104]、~X[2]
[371、104、170]、~X[3]
[104、170、109]、~X[4]
[170、109、290]]~X[5]
Y=[0、0、0、0、0、0]~Y[0]、Y[1]、Y[2]、Y[3]、Y[4]、Y[5]
Sliding_Window7=[109、290、127、151、231、376]
X7=[109、290、127]~前の過去15分の過去3つのCGMポイントに対応
Y7=0~376>70=0、376mg/dL>70mg/dLの低血糖閾値であるため、低血糖なしに対応
ここまでのXおよびYは以下のとおり。
X=[[158、335、146]、~X[0]
[335、146、371]、~X[1]
[146、371、104]、~X[2]
[371、104、170]、~X[3]
[104、170、109]、~X[4]
[170、109、290]、~X[5]
[109、290、127]]~X[6]
Y=[0、0、0、0、0、0、0]~Y[0]、Y[1]、Y[2]、Y[3]、Y[4]、Y[5]、Y[6]
eHHブロック1の残りの日については、同じ方法で値を計算する。
1:2日目:[342、201、174、100、253、36、134、270、225、117、202、356]
2:3日目:[240、172、320、174、57、215、225、163、246、235、159、36]
以下において、低血糖の発見をもたらす計算を説明する例を示す。
pHH=PH=15
1:2日目:[342、201、174、100、253、36、134、270、225、117、202、356]
Day2_Sliding_Window1=[342、201、174、100、253、36]
Day2_X1=[342、201、174]~前の過去15分の過去3つのCGMポイントに対応
Day2_Y1=1~36<70=1、36mg/dL>70mg/dLの低血糖閾値であるため、低血糖に対応
ここまでのXおよびYは以下のとおり。
X=[[342、201、174]]
Y=[1]
pHH=PH=30
2:3日目:[240、172、320、174、57、215、225、163、246、235、159、36]
Day3_Sliding_Window1=[240、172、320、174、57、215、225、163、246、235、159、36]
Day3_X1=[240、172、320、174、57、215]~前の過去15分の過去3つのCGMポイントに対応
Day3_Y1=1~36<70=1、36mg/dL>70mg/dLの低血糖閾値であるため、低血糖に対応
ここまでのXおよびYは以下のとおり。
X=[[240、172、320、174、57、215]]
Y=[1]
ランダムフォレスト分類子に対して実行される500個の決定木(n_estimatorsパラメータ)の要件は厳しい。ほとんどが100~300個の決定木で実行される。最も最先端で複雑だが説明が難しい、WellDoc、UVAなどのような競合会社の低血糖予測アルゴリズムのニューラルネットワーク(ANN、CNNなど)に対して、より単純で説明しやすい決定木ベースのランダムフォレスト(RF)分類子のパフォーマンスおよび競争力をもたらすために、決定木の数を、より標準的な100または300個から500個まで増やすことは合理的であると考えられた。この訓練する決定木の数のパラメータおよび他のかかるパラメータをさらに微調整するために、許容度試験ためのさらなる研究開発ならびにローカルマシンおよびローカルホストサーバのメモリ不足の問題を回避し、Hadoop、MapReduce、およびAmazon Web ServicesのSpark、ならびに他のかかるサービスを用いた分散並列コンピュータ処理に移行することが必要である。
根拠:学術文献から、Daskalakiらの論文を、30分および45分で短期低血糖症予測子(STHP)分類子予測限界(PH)の比較として使用した。
根拠:学術文献から、Daskalakiらの論文を、75分で短期低血糖症予測子(STHP)分類子予測限界(PH)の比較として使用した。
1.STHP RF分類子モデルのファイル自体:「_PH60.pkl.bz2」接尾辞
2.独立変数Xの試験サブセットの最終データ:「_Xtest.npy」接尾辞
3.従属変数yの試験サブセットの最終データ:「_ytest.npy」接尾辞
4.全独立変数の最終データ:「_X.npy」接尾辞
5.全従属変数の最終データ:「_y.npy」接尾辞
混同行列テーブルの計算:TN、FN、FP、TP、図18を参照されたい。
混同行列テーブルの計算:感度、図19を参照されたい。
混同行列テーブルの計算:特異性、図20を参照されたい。
混同行列テーブルの計算:感度、特異性の文字列レポート出力、図21を参照されたい。
分類レポート:精度、リコール、F1スコア、およびサポート、図22を参照されたい。
最終データ入力#4および5の場合:WEの検証試験メトリクス結果:PH=60分:概要レポート:精度、交差検証された精度、感度、特異性、低血糖行列(TN、FN、TP、FP)、図23を参照されたい。
混同行列関数、図24を参照されたい。
混同行列関数:出力(1/3)、図25を参照されたい。
混同行列関数:出力(2/3):正規化なし、図26を参照されたい。
混同行列関数:出力(3/3):正規化あり、図27を参照されたい。
本明細書に引用された全ての参考文献は、各個々の出版物、または特許、または特許出願が、全て目的のためにその全体が参照により組み込まれるように具体的かつ個々に示されるのと同じ程度の範囲で、それらの全体が参照により、全ての目的のために本明細書に組み込まれる。
Claims (11)
- 分類子の取り込みに基づく改善された低血糖症予測のためのデータセット最適化のための方法であって、前記方法が、
-対象者に関する未加工のデータセットを提供する工程であって、前記データセットが、所与のサンプリングレートで取得された複数のBG値、およびそれらの値に関連付けられた、複数日Nにわたるタイムスタンプ、を含む、提供する工程と、
-評価ブロック値(eHH)を入力Xとしてローリングスキームの時間的ビニングによってデータ変換を実施して、対応する予測値(pHH)を出力Yとして作成する工程と、を含み、
-Xが、所与の過去の期間T-pに対する、BG値を含むスライディングウィンドウとして作成され、
-Yが、所与の将来の時間T-fにおけるBG値が、低血糖症状態を示す所与の閾値を下回るか否かを示すインジケータIとして作成される、方法。 - 前記データ変換の工程が、
-M日間(M≧2、M<N)の評価ブロックへの日ごとのBG値のローリングスキームの時間的ビニングによってデータ拡張を実施する工程の後に行われる、請求項1に記載のデータセット最適化のための方法。 - 取得される前記未加工のデータセットが、M日間のインスリン滴定レジメンに基づく、請求項2に記載のデータセット最適化のための方法。
- 未加工のデータセットを提供する前記工程が、
-公称サンプリングレートに対応するリサンプリング、および欠落BG値を置き換えるための補間されたBG値の作成を用いてデータプレパレーションを実施する工程の前に行われる、請求項1~3のいずれか一項に記載のデータセット最適化のための方法。 - データ変換が、少なくとも2つの異なる過去の期間T-pにわたって実施される、請求項1~4のいずれか一項に記載のデータセット最適化のための方法。
- T-fが、T-pに対応する、請求項5に記載のデータセット最適化のための方法。
- 分類子を訓練するための方法であって、
-請求項1~6のいずれか一項で定義されるように最適化されたデータセットを提供する工程と、
-分類子に前記最適化されたデータセットを取り込む工程と、
-取り込まれた前記データセットに基づいて前記分類子を訓練する工程と、を含む、方法。 - 前記分類子が、ランダムフォレスト分類子である、請求項7に記載の分類子を訓練するための方法。
- 将来のBG値を予測するための方法であって、
-対象者からBG値の一連の評価を取得する工程と、
-請求項7または8に定義されるように訓練された分類子に前記BG値の一連の評価を取り込む工程と、
-予測BG値を提供する工程と、を含む、方法。 - 前記BG値の一連の評価が、継続的な血糖モニタリング(CGM)によって取得される、請求項9に記載の将来のBG値を予測するための方法。
- 対象者からのデータセットの時間的最適化を実施するためのコンピュータ処理システムであって、コンピュータシステムが、1つ以上のプロセッサと、メモリと、を備え、前記メモリが、
-命令を含み、前記命令が、前記1つ以上のプロセッサによって実行されると、請求項1~9のいずれか一項に定義される方法を実施する、コンピュータ処理システム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862779638P | 2018-12-14 | 2018-12-14 | |
US62/779,638 | 2018-12-14 | ||
EP19153723 | 2019-01-25 | ||
EP19153723.2 | 2019-01-25 | ||
PCT/EP2019/084634 WO2020120571A1 (en) | 2018-12-14 | 2019-12-11 | Blod glucose data set optimization for improved hypoglycemia prediction based on machine learning implementation ingestion |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022512402A true JP2022512402A (ja) | 2022-02-03 |
Family
ID=68841139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021533545A Pending JP2022512402A (ja) | 2018-12-14 | 2019-12-11 | 機械学習の実装の取り込みに基づく改善された低血糖症予測のための血糖データセットの最適化 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220020497A1 (ja) |
EP (1) | EP3895179A1 (ja) |
JP (1) | JP2022512402A (ja) |
CN (1) | CN113168917A (ja) |
WO (1) | WO2020120571A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102565145B1 (ko) * | 2022-09-16 | 2023-08-09 | 주식회사 우리아이오 | 광학 장치 기반 광대역 분광법 및 비침습 생체 데이터 측정장치 및 이를 이용한 스마트 헬스케어 모니터링 시스템 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220211329A1 (en) * | 2021-01-07 | 2022-07-07 | Universitat Politècnica De València (Upv) | Method and system for enhancing glucose prediction |
CN117766145A (zh) * | 2023-12-28 | 2024-03-26 | 重庆联芯致康生物科技有限公司 | 一种连续血糖预测模型构建方法、血糖预测方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080154513A1 (en) | 2006-12-21 | 2008-06-26 | University Of Virginia Patent Foundation | Systems, Methods and Computer Program Codes for Recognition of Patterns of Hyperglycemia and Hypoglycemia, Increased Glucose Variability, and Ineffective Self-Monitoring in Diabetes |
US10657224B2 (en) * | 2015-09-25 | 2020-05-19 | Accenture Global Solutions Limited | Monitoring and treatment dosage prediction system |
-
2019
- 2019-12-11 JP JP2021533545A patent/JP2022512402A/ja active Pending
- 2019-12-11 CN CN201980082675.6A patent/CN113168917A/zh active Pending
- 2019-12-11 WO PCT/EP2019/084634 patent/WO2020120571A1/en unknown
- 2019-12-11 US US17/311,003 patent/US20220020497A1/en active Pending
- 2019-12-11 EP EP19817709.9A patent/EP3895179A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102565145B1 (ko) * | 2022-09-16 | 2023-08-09 | 주식회사 우리아이오 | 광학 장치 기반 광대역 분광법 및 비침습 생체 데이터 측정장치 및 이를 이용한 스마트 헬스케어 모니터링 시스템 |
Also Published As
Publication number | Publication date |
---|---|
US20220020497A1 (en) | 2022-01-20 |
WO2020120571A1 (en) | 2020-06-18 |
CN113168917A (zh) | 2021-07-23 |
EP3895179A1 (en) | 2021-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200375549A1 (en) | Systems for biomonitoring and blood glucose forecasting, and associated methods | |
JP2022512402A (ja) | 機械学習の実装の取り込みに基づく改善された低血糖症予測のための血糖データセットの最適化 | |
Meneghetti et al. | Data-driven anomaly recognition for unsupervised model-free fault detection in artificial pancreas | |
Faruqui et al. | Development of a deep learning model for dynamic forecasting of blood glucose level for type 2 diabetes mellitus: secondary analysis of a randomized controlled trial | |
CA2846854C (en) | Method, system and computer readable medium for adaptive advisory control of diabetes | |
Facchinetti et al. | Modeling transient disconnections and compression artifacts of continuous glucose sensors | |
JP2021536618A (ja) | 遡及的水平線ベースのインスリン用量予測 | |
EP3902469B1 (en) | Evaluation and visualization of glycemic dysfunction | |
Bhimireddy et al. | Blood glucose level prediction as time-series modeling using sequence-to-sequence neural networks | |
US20230110814A1 (en) | Systems and methods for analyzing, interpreting, and acting on continuous glucose monitoring data | |
US20230005586A1 (en) | Determining total daily basal dose mismatch | |
Rodbard | The ambulatory glucose profile: opportunities for enhancement | |
WO2022235618A9 (en) | Methods, systems, and apparatuses for preventing diabetic events | |
Kurdi et al. | Proof-of-concept study of using supervised machine learning algorithms to predict self-care and glycemic control in type 1 diabetes patients on insulin pump therapy | |
US20210193279A1 (en) | Therapeutic zone assessor | |
Kerr et al. | Actionable self-monitoring of blood glucose: redefining the role for patients using multiple daily injection therapy | |
Luckett et al. | Estimating dynamic treatment regimes in mobile health using V-learning | |
EP4060677A1 (en) | Devices and processes for data sample selection for therapy-directed tasks | |
Doshi et al. | FORECASTING EXERCISE LAPSES IN INDIVIDUALS WITH TYPE 1 DIABETES USING STATE SPACE MOD | |
Borle et al. | The Challenge of Predicting Meal-to-meal Blood Glucose Concentrations for Patients with Type I Diabetes | |
Raphael | Prediction of Unplanned 30-Day Readmission of Heart Failure Patients Using LSTM | |
Thomas et al. | Artificial intelligence in diabetes management | |
EP4268242A1 (en) | Nonparametric glucose predictors | |
KAŞKAL | Evaluation of risk factors associated with antihypertensive treatment success employing data mining techniques | |
Vehi et al. | A decision support system for diabetic patients: closing the loop for MDI users |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221110 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231220 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240123 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240423 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240620 |