Нейросетевое прогнозирование гликемии у пациентов с сахарным диабетом на основе смешанных временных рядов с перспективой применения в составе интеллектуальной инсулиновой помпы
Аннотация
В работе рассмотрена перспектива применения нейросетевого самообучающегося алгоритма для персонификации инсулинотерапии в рамках программно-технического комплекса интеллектуальной инсулиновой помпы (ИИП). ИИП – автономная автоматическая система управления подачей инсулина, способная полностью имитировать выделение инсулина поджелудочной железой здорового человека. Расчет потребной дозы осуществляется на основании биологических данных с сенсоров, установленных на теле больного. Алгоритм расчета дозы является интеллектуальным самообучающимся нейросетевым блоком, позволяющим добиться тонкой персонификации терапии с возможностью гибкой перенастройки в соответствии с динамически изменяющимися биологическими показателями пациента в реальном времени. Рассмотрено несколько возможных нейросетевых парадигм для прогнозирования сахара крови в краткосрочном (3 минуты) и среднесрочном (30 минут) периодах на основании смешанного временного ряда, включающего в себя измерения глюкозы крови, активного инсулина и активных углеводов с интервалами в 3 минуты. Показано преимущество использования сетей типа MLP (многослойный персептрон) перед иными парадигмами, в частности, LSTM-сетями (сети долгой краткосрочной памяти). Приводятся результаты расчетных экспериментов применения нейросетевой модели на реальных данных двух добровольцев с разной степенью чувствительности к инсулину. Доказана невозможность унификации модели для пациентов с разной чувствительностью, что подтверждает необходимость персонификации терапии при инсулинозависимом диабете. На основании результатов экспериментов даны рекомендации по построению и обучению нейросетевых моделей для прогнозирования уровня глюкозы крови у пациентов, а также приведены перспективы и направления дальнейших исследований.
Литература
2.Shestakova M.V., Mayorov A.Yu., Philippov Yu.I., Ibragimova L.I., Pekareva E.V., Laptev D.N., Glazunova A.M. Russian national guidelines on insulin pump therapy and continuous glucose monitoring for diabetes mellitus patients. DRAFT. Problems of Endocrinology. 2015; 61(6):55-78. (In Russ., abstract in Eng.) DOI: https://doi.org/10.14341/probl201561655-78
3.Tutubalin P.I., Novikova S.V., Kirpichnikov A.P. O rabote po sozdaniyu prototipa obraztsa iskusstvennoy podzheludochnoy zhelezy [On working at developing a prototype of an artificial pancreas sample]. Bulletin of the Technological University. 2019; 22(9):147-152. Available at: https://www.elibrary.ru/item.asp?id=41328152 (accessed 13.02.2021). (In Russ., abstract in Eng.)
4.Girsh Ya.V. Struktura oslozhneniy sakharnogo diabeta 1 tipa u detey i podrostkov srednego Priob'ya [The structure of complications of type 1 diabetes mellitus in children and adolescents in the middle Ob region]. Mother and Baby in Kuzbass. 2005; (2):40-42. Available at: https://www.elibrary.ru/item.asp?id=12989863 (accessed 13.02.2021). (In Russ., abstract in Eng.)
5.Emelyanov A.O., Kuraeva T.L., Laptev D.N., Peterkova V.A. Prospektivnoe nabljudenie jeffektivnosti i bezopasnosti pompovoj insulinoterapii u detej i podrostkov [Prospective study of efficacy and safety of insulin pump therapy in children and adolescents]. Diabetes Mellitus. 2010; (3):143-146. Available at: https://www.elibrary.ru/item.asp?id=15600486 (accessed 13.02.2021). (In Russ., abstract in Eng.)
6.Kurbanov B.A., Novikova S.V., Kirpichnikov A.P. O sostoyanii realizatsii idei sozdaniya apparatno-programmnogo kompleksa avtomaticheskogo regulirovaniya podachi insulina [On the progress of insulin delivery automatic hardware-software complex concept development]. Bulletin of the Technological University. 2018; 21(8):116-123. Available at: https://www.elibrary.ru/item.asp?id=36351320 (accessed 13.02.2021). (In Russ., abstract in Eng.)
7.Palumbo P., Pepe P., Panunzi S., De Gaetano A. Time-Delay Model-Based Control of the Glucose-Insulin System, by Means of a State Observer. European Journal of Control. 2012; 18(6):591-606. (In Eng.) DOI: https://doi.org/10.3166/EJC.18.591-606
8.Haahr H., Heise T. Fast-Acting Insulin Aspart: A Review of its Pharmacokinetic and Pharmacodynamic Properties and the Clinical Consequences. Clinical Pharmacokinetics. 2020; 59(2):155-172. (In Eng.) DOI: https://doi.org/10.1007/s40262-019-00834-5
9.Wichern D.W. Modeling and forecasting discrete univariate time series with applications. Information Sciences. 1973; 6:247-264. (In Eng.) DOI: https://doi.org/10.1016/0020-0255(73)90041-8
10.Elleri D., Allen J.M., Harris J. et al. Absorption patterns of meals containing complex carbohydrates in type 1 diabetes. Diabetologia. 2013; 56(5):1108-1117. (In Eng.) DOI: https://doi.org/10.1007/s00125-013-2852-x
11.Toffanin Ch. et al. Dynamic insulin on board: incorporation of circadian insulin sensitivity variation. Journal of Diabetes Science and Technology. 2013; 7(4):928-940. (In Eng.) DOI: https://doi.org/10.1177/193229681300700415
12.Tutubalin P., Novikova S., et al. Status of creation of hardware-software complex of automatic control of the insulin delivery. Journal of Physics: Conference Series. 2019; 1368:042006. (In Eng.) DOI: https://doi.org/10.1088/1742-6596/1368/4/042006
13.Tunakova Yu., Novikova S., Ragimov A., Faizullin R., Valiev V. A method for assessing the retention of trace elements in human body using neural network technology. Journal of Healthcare Engineering. 2017; 2017:3471616. (In Eng.) DOI: https://doi.org/10.1155/2017/3471616
14.Subbotina I.E., Buevich A.G., Shichkin A.V. et al. Multilayer perceptron, generalized regression neural network, and hybrid model in predicting the spatial distribution of impurity in the topsoil of urbanized area. AIP Conference Proceedings. 2018; 1982(1):20004. (In Eng.) DOI: https://doi.org/10.1063/1.5045410
15.Kumar J., Goomer R., Kumar Singh A. Long Short Term Memory Recurrent Neural Network (LSTM-RNN) Based Workload Forecasting Model For Cloud Datacenters. Procedia Computer Science. 2018; 125:676-682. (In Eng.) DOI: https://doi.org/10.1016/j.procs.2017.12.087.
16.Lee J.M., Hirschfeld E., Wedding J. A Patient-Designed Do-It-Yourself Mobile Technology System for Diabetes: Promise and Challenges for a New Era in Medicine. JAMA. 2016; 315(14):1447-1448. (In Eng.) DOI: https://doi.org/10.1001/jama.2016.1903
17.Mingaliev Z.Z. Mnogofaktornaya neyrosetevaya model' kratkosrochnogo prognozirovaniya glikemii u bol'nykh sakharnym diabetom tipa I [Multi-factor neural network model of short-term prediction of glycemia in patients with type i diabetes]. Information Technology. Problems and Solutions. 2020; (2):67-72. Available at: https://www.elibrary.ru/item.asp?id=44303749 (accessed 13.02.2021). (In Russ., abstract in Eng.)
18.Cheng H., Tan P.N., Gao J., Scripps J. Multistep-Ahead Time Series Prediction. In: Ng W.K., Kitsuregawa M., Li J., Chang K. (Eds.) Advances in Knowledge Discovery and Data Mining. PAKDD 2006. Lecture Notes in Computer Science, vol. 3918. Springer, Berlin, Heidelberg; 2006. p. 765-774. (In Eng.) DOI: https://doi.org/10.1007/11731139_89
19.Kremleva E.Sh., Kirpichnikov A.P., Novikova S.V., Valitova N.L. Algoritm postroyeniya modeli kaskadnoy neyrosetevoy fil'tratsii dannykh s razlichnoy stepen'yu detalizatsii [Algorithm of constructing a neural cascade data filtration model with different detail degrees]. Bulletin of the Technological University. 2018; 21(8):109-115. Available at: https://www.elibrary.ru/item.asp?id=36351319 (accessed 13.02.2021). (In Russ., abstract in Eng.)
20.Novikova S.V., Kremleva E.Sh., Valitova N.L. Kodirovaniye myagkikh tsiklicheskikh dannykh pri pomoshchi psevdo-nechetkoy mery [Soft cyclic data encoding using a quasi-fuzzy measure]. Vestnik TvGU. Seriya: Prikladnaya matematika = Herald of Tver State University. Series: Applied Mathematics. 2019; (3):90-101. (In Russ., abstract in Eng.) DOI: https://doi.org/10.26456/vtpmk542
21.Graupe D. Principles of artificial neural networks. Advanced series of circuits and systems, 2nd Ed. World Scientific Publishing Co, Singapore; 2007. (In Eng.) DOI: https://doi.org/10.1142/6429
22.Liu F., He X., Zhou L. Application of generalized regression neural network residual kriging for terrain surface interpolation. Proceedings SPIE: International Symposium on Spatial Analysis, Spatial-Temporal Data Modeling, and Data Mining. 2009; 7492:74925F. (In Eng.) DOI: https://doi.org/10.1117/12.837425
23.Taneja H., Kapil, Singh A.K. Preserving Privacy of Patients Based on Re-identification Risk. Procedia Computer Science. 2015; 70(C):448- 454. Proc. of the 4th Int. Conference on Eco-friendly Computing and Communication Systems. (In Eng.) DOI: https://doi.org/10.1016/j.procs.2015.10.073
24.Contreras I., Vehi J. Artificial Intelligence for Diabetes Management and Decision Support: Literature Review. Journal of Medical Internet Research. 2018; 20(5):e10775. (In Eng.) DOI: https://doi.org/10.2196/10775
25.Vettoretti M., Cappon G., Facchinetti A., Sparacino G. Advanced Diabetes Management Using Artificial Intelligence and Continuous Glucose Monitoring Sensors. Sensors. 2020; 20(14):3870. (In Eng.) DOI: https://doi.org/10.3390/s20143870
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
