Type 1 diabetes hypoglycemia prediction based on continuous glucose monitoring and heart rate.

Abstract

Hypoglycemia is a condition that arises when blood glucose levels decrease below 60 mg/dL. This incident can occur due to a variety of causes, such as taking additional doses of insulin, skipping meals, or over-exercising. In this thesis, we examined the use of biosignals and other measurements provided by a wearable device along with self-assessment parameters, for the development of a hypoglycemia predictive model. Glucose measurements were captured by a clinically certified continuous glucose monitoring sensor, while the predictive model was trained using machine learning techniques. In addition, a diabetes management mobile application was developed and used for the required data collection from the patient, i.e. finger-stick glucose measurements, insulin doses, food and exercise, mood and a diabetes distress level questionnaire. Hypoglycemia threshold was defined as a blood glucose value below 70 mg/dL. The results of the hypoglycemia prediction model that was developed revealed, for patient with ID 575, that the 30-minute prediction curve held an RMSE score of 20.25 mg/dL and a MAE score of 13.26 mg/dL. Finally, we sincerely consider that the proposed model produces useful and applicable outcomes for T1D patients, and we suggest that a 30-minute RMSE of 20.25 mg/dL can provide a basis for avoiding a potentially critical, for the patient’s health, hypoglycemic episode.

Η υπογλυκαιμία είναι μια κατάσταση που εμφανίζεται όταν τα επίπεδα γλυκόζης στο αίμα μειώνονται κάτω από 60 mg/dL. Αυτό μπορεί να συμβεί για πολλούς λόγους, όπως με τη λήψη πρόσθετων δόσεων ινσουλίνης, την παράλειψη γευμάτων ή την υπερβολική άσκηση. Σε αυτή τη διπλωματική, εξετάσαμε τη χρήση βιοσημάτων και άλλων μετρήσεων που παρέχονται από μια φορητή συσκευή μαζί με παραμέτρους αυτοαξιολόγησης, για την ανάπτυξη ενός μοντέλου πρόβλεψης της υπογλυκαιμίας σε ασθενείς με διαβήτη τύπου 1 (T1D). Οι μετρήσεις γλυκόζης καταγράφηκαν από έναν αισθητήρα συνεχούς παρακολούθησης της γλυκόζης, ενώ το μοντέλο πρόβλεψης εκπαιδεύτηκε χρησιμοποιώντας τεχνικές μηχανικής μάθησης. Επιπλέον, αναπτύχθηκε και μια εφαρμογή διαχείρισης του διαβήτη για την μελλοντική συλλογή δεδομένων από τον ασθενή, όπως χειροκίνητες μετρήσεις γλυκόζης, δόσεις ινσουλίνης, φαγητό και άσκηση, διάθεση, καθώς κι ένα ερωτηματολόγιο που σχετίζεται με το T1D, το οποίο χρησιμοποιήθηκε για τον υπολογισμό της δυσφορίας των ασθενών. Η υπογλυκαιμία ορίστηκε ως τιμή γλυκόζης κάτω από 70 mg/dL. Τα αποτελέσματα του προβλεπτικού μοντέλου έδειξαν, για τον ασθενή με ID 575, ότι η καμπύλη πρόβλεψης των 30 λεπτών αξιολογήθηκε με RMSE 20,25 mg/dL και MAE 13,26 mg/dL. Τέλος, θεωρούμε ότι το προτεινόμενο προβλεπτικό μοντέλο παράγει χρήσιμα και εφαρμόσιμα αποτελέσματα για ασθενείς με T1D και προτείνουμε ότι ένα RMSE 30 λεπτών των 20,25 mg/dL μπορεί να προσφέρει τη βάση για την αποφυγή ενός δυνητικά κρίσιμου, για την υγεία του ασθενούς, υπογλυκαιμικού επεισοδίου.