[論文レビュー] Enhancing Blood Glucose Prediction with Meal Absorption and Physical Exercise Information

Chengyuan Liu, Josep Vehı́+3 more|arXiv (Cornell University)|Dec 13, 2018

Diabetes Management and Research参考文献 31被引用数 5

ひとこと要約

本論文は、コンpartimentalなグルコース・インスリンモデルにデコンボリューションに基づく状態推定を組み合わせることで、食事吸収ダイナミクスと運動データを統合し、グルコース予測の精度を向上させる新規なアルゴリズムを提案する。この手法は、シミュレーションでRMSEを10.5%、臨床的条件下で2.9%低減し、低血糖および高血糖の予測が著しく改善される。

ABSTRACT

Objective: Numerous glucose prediction algorithm have been proposed to empower type 1 diabetes (T1D) management. Most of these algorithms only account for input such as glucose, insulin and carbohydrate, which limits their performance. Here, we present a novel glucose prediction algorithm which, in addition to standard inputs, accounts for meal absorption and physical exercise information to enhance prediction accuracy. Methods: a compartmental model of glucose-insulin dynamics combined with a deconvolution technique for state estimation is employed for glucose prediction. In silico data corresponding from the 10 adult subjects of UVa-Padova simulator, and clinical data from 10 adults with T1D were used. Finally, a comparison against a validated glucose prediction algorithm based on a latent variable with exogenous input (LVX) model is provided. Results: For a prediction horizon of 60 minutes, accounting for meal absorption and physical exercise improved glucose forecasting accuracy. In particular, root mean square error (mg/dL) went from 26.68 to 23.89, p<0.001 (in silico data); and from 37.02 to 35.96, p<0.001 (clinical data - only meal information). Such improvement in accuracy was translated into significant improvements on hypoglycaemia and hyperglycaemia prediction. Finally, the performance of the proposed algorithm is statistically superior to that of the LVX algorithm (26.68 vs. 32.80, p<0.001 (in silico data); 37.02 vs. 49.17, p<0.01 (clinical data). Conclusion: Taking into account meal absorption and physical exercise information improves glucose prediction accuracy.

研究の動機と目的

• 標準的な入力（グルコース、インスリン、炭水化物）に加え、食事吸収および運動のダイナミクスを組み込むことで、1型糖尿病におけるグルコース予測の精度を向上させること。
• 摂食後のグルコース出現および運動が血糖変動に与える影響を無視する既存のモデルの限界を是正すること。
• CGMデータから消化管グルコース出現速度を推定するために、デコンボリューションを用いたモデルベースの状態推定フレームワークを構築すること。
• 10名の成人T1D被験者からのシミュレートおよび臨床的データを用いて、状態の最新技術LVXアルゴリズムと比較してモデルを検証すること。
• RMSEおよびClarke誤差グリッド分析（EGA）を用いて、低血糖および高血糖の予測性能を評価すること。

提案手法

• コンpartimentalなグルコース・インスリンダイナミクスモデルを用い、連続的グルコースモニタリング（CGM）データから消化管グルコース出現速度（Ra）を推定するためにデコンボリューション技術を統合する。
• 消化管モデルは、時間変動する吸収率を反映する2コンpartiment構造を採用し、k_min、k_max、k_abs、b、dのパラメータでパラメータ化し、混合食事の吸収プロファイルを再現する。
• 16の混合食事プロファイル（UVa-Padova シミュレータより取得）を用いて、非線形最小二乗最適化（lsqnonlin）により食事吸収パラメータを同定し、ピーク誤差、ピーク到達時間、AUC、およびRMSEに制約を課す。
• 運動は、インスリン感受性およびグルコース摂取に影響を与える追加の外部入力としてモデル化され、グルコース・インスリンシステムのダイナミクスに統合される。
• 未測定の主要な状態（例：グルコース出現速度）をデコンボリューションを用いて推定することで、将来的なグルコース値のより正確な予測が可能になる。
• 性能は、シミュレートおよび臨床的データの両方で、RMSEおよびClarke誤差グリッド分析（EGA）を用いてLVXアルゴリズムと比較して評価される。

実験結果

リサーチクエスチョン

• RQ1 グルコース予測モデルに食事吸収ダイナミクスを組み込むことで、1型糖尿病における予測精度が著しく向上するか？
• RQ2 運動情報の組み込みが、低血糖および高血糖イベントの予測にどのように影響するか？
• RQ3 提案されたデコンボリューションに基づく状態推定法は、LVXのような既存のモデルを上回る性能を示すか（RMSEおよび臨床的安全性指標で評価）。
• RQ4 個別化された食事吸収パラメータは、多様な食事タイプにおいてモデルの適合性および予測信頼性をどの程度向上させるか？
• RQ5 モデルは、日中の生理的変動および実臨床環境下でも高い精度を維持できるか？

主な発見

• 60分予測期間において、シミュレートデータでRMSEが26.68 ± 3.58 mg/dLから23.89 ± 3.32 mg/dLに低下（p < 0.001）。
• 臨床データでは、食事吸収情報の組み込みのみでRMSEが37.02 ± 5.14 mg/dLから35.96 ± 4.65 mg/dLに低下（p < 0.001）。
• LVXアルゴリズムと比較して、統計的に優れた性能を示し、シミュレートデータでRMSEが26.68 ± 3.58 mg/dL（対照群）と32.80 ± 4.58 mg/dL（p < 0.001）であった。
• 臨床データでは、提案モデルのRMSEが37.02 ± 5.14 mg/dLであり、LVXの49.17 ± 13.80 mg/dLよりも顕著に低い（p < 0.01）。
• Clarke誤差グリッド分析により、低血糖および高血糖イベントの両方の予測において顕著な改善が確認された。
• 消化管モデルは高い適合度を達成し、全16食においてR² > 0.8を達成し、16食中14食でRMSE < 0.5 mg·min⁻¹·kg⁻¹を達成しており、パラメータ同定の堅牢性が裏付けられた。