[논문 리뷰] Enhancing Blood Glucose Prediction with Meal Absorption and Physical Exercise Information

Chengyuan Liu, Josep Vehı́외 3명|arXiv (Cornell University)|2018. 12. 13.

Diabetes Management and Research참고 문헌 31인용 수 5

한 줄 요약

이 논문은 탈염화 기반 상태 추정을 통한 분할 혈액포도당-인슐린 모델에 식사 흡수 역학과 신체 활동 데이터를 통합하여 정확도를 향상시키는 새로운 포도당 예측 알고리즘을 제안한다. 이 방법은 시뮬레이션에서 기준 모델 대비 루트 평균 제곱 오차(RMSE)를 10.5% 감소시키고 임상적으로는 2.9% 감소시켜 저혈당 및 고혈당 예측을 크게 향상시킨다.

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.

연구 동기 및 목표

• 표준 입력인 포도당, 인슐린 및 탄수화물 외에 식사 흡수 및 신체 활동 역학을 통합하여 제1형 당뇨병에서의 포도당 예측 정확도를 향상시키는 것.
• 식사 후 포도당 출현 및 혈당 변동성에 미치는 신체 활동 영향을 간과하는 기존 모델의 한계를 해결하는 것.
• 연속 포도당 모니터링(CGM) 데이터로부터 소화관 포도당 출현 속도를 추정하기 위해 탈염화 기반 상태 추정을 사용하는 모델 기반 예측 프레임워크를 개발하는 것.
• 10명의 성인 T1D 환자로부터 확보한 실재 임상 데이터와 함께 시뮬레이션 데이터를 사용하여 상태 기반 LVX 알고리즘과의 비교를 통해 모델을 검증하는 것.
• RMSE 및 클라크 오차 격자 분석(EGA)을 사용하여 저혈당 및 고혈당 예측 성능을 평가하는 것.

제안 방법

• 연속 포도당 모니터링(CGM) 데이터로부터 소화관 포도당 출현 속도(Ra)를 추정하기 위해 탈염화 기법을 통합한 분할 포도당-인슐린 역학 모델을 사용한다.
• 소화관 모델은 시간에 따라 변하는 흡수 속도를 반영하기 위해 두 개의 병합 구조를 사용하며, k_min, k_max, k_abs, b 및 d로 매개변수화되어 혼합 식사 흡수 프로파일을 반영한다.
• 16개의 혼합 식사 프로파일을 사용하여 UVa-Padova 시뮬레이터에서 비선형 최소 제곱 최적화(lsqnonlin)를 통해 식사 흡수 매개변수를 식별하며, 피크 오차, 시간, 곡선 아래 면적 및 RMSE에 대한 제약 조건을 적용한다.
• 신체 활동은 인슐린 민감도 및 포도당 흡수에 영향을 주는 추가 외부 입력으로 모델링되어 포도당-인슐린 시스템 역학에 통합된다.
• 모델은 탈염화를 통해 측정되지 않은 주요 상태(예: 포도당 출현 속도)를 추정하여 향후 포도당 수준을 더 정확하게 예측할 수 있도록 한다.
• 성능는 시뮬레이션 및 임상 데이터셋 모두에서 RMSE 및 클라크 오차 격자 분석(EGA)을 사용하여 LVX 알고리즘과 비교하여 평가된다.

실험 결과

연구 질문

• RQ1 식사 흡수 역학을 포도당 예측 모델에 통합하는 것이 제1형 당뇨병에서 예측 정확도를 크게 향상시키는가?
• RQ2 신체 활동 정보를 포함시키는 것이 저혈당 및 고혈당 사건 예측에 어떤 영향을 미치는가?
• RQ3 제안된 탈염화 기반 상태 추정 방법은 RMSE 및 임상적 안전성 지표 측면에서 기존 모델인 LVX를 능가하는가?
• RQ4 개별화된 식사 흡수 매개변수는 다양한 식사 유형에 걸쳐 모델 적합도 및 예측 신뢰도를 얼마나 향상시키는가?
• RQ5 모델은 일일 생리적 변동성과 실제 임상 조건 하에서도 높은 정확도를 유지할 수 있는가?

주요 결과

• 60분 예측 수평선에서, 시뮬레이션 데이터에서 제안된 모델은 RMSE를 26.68 ± 3.58 mg/dL에서 23.89 ± 3.32 mg/dL로 감소시켰다(p < 0.001).
• 임상 데이터에서는 식사 흡수 정보만 포함시켜도 RMSE가 37.02 ± 5.14 mg/dL에서 35.96 ± 4.65 mg/dL로 감소했다(p < 0.001).
• LVX 알고리즘과 비교해 볼 때, 제안된 모델은 시뮬레이션에서 RMSE 26.68 ± 3.58 mg/dL(기준) 대비 32.80 ± 4.58 mg/dL로 유의미하게 높은 성능을 보였다(p < 0.001).
• 임상 데이터에서 제안된 모델은 RMSE 37.02 ± 5.14 mg/dL를 기록했으며, LVX의 49.17 ± 13.80 mg/dL보다 유의미하게 낮았다(p < 0.01).
• 클라크 오차 격자 분석을 통해 저혈당 및 고혈당 사건 모두에 대한 예측 성능 향상이 뚜렷하게 확인되었다.
• 소화관 모델은 높은 적합도를 보였으며, 16개의 모든 식사에서 R² > 0.8을 달성했고, 16개 중 14개 식사에서 RMSE < 0.5 mg·min⁻¹·kg⁻¹를 기록하여 강력한 매개변수 식별 능력을 입증했다.