[논문 리뷰] GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes

Maxime De Bois, Mehdi Ammi외 1명|arXiv (Cornell University)|2020. 06. 29.

Diabetes Management and Research참고 문헌 114인용 수 36

한 줄 요약

본 논문은 제1형 당뇨병을 위한 개인화된 포도당 예측 모델에 대한 리뷰와 벤치마크를 제공합니다.

ABSTRACT

Due to the sensitive nature of diabetes-related data, preventing them from being shared between studies, progress in the field of glucose prediction is hard to assess. To address this issue, we present GLYFE (GLYcemia Forecasting Evaluation), a benchmark of machine-learning-based glucose-predictive models. To ensure the reproducibility of the results and the usability of the benchmark in the future, we provide extensive details about the data flow. Two datasets are used, the first comprising 10 in-silico adults from the UVA/Padova Type 1 Diabetes Metabolic Simulator (T1DMS) and the second being made of 6 real type-1 diabetic patients coming from the OhioT1DM dataset. The predictive models are personalized to the patient and evaluated on 3 different prediction horizons (30, 60, and 120 minutes) with metrics assessing their accuracy and clinical acceptability. The results of nine different models coming from the glucose-prediction literature are presented. First, they show that standard autoregressive linear models are outclassed by kernel-based non-linear ones and neural networks. In particular, the support vector regression model stands out, being at the same time one of the most accurate and clinically acceptable model. Finally, the relative performances of the models are the same for both datasets. This shows that, even though data simulated by T1DMS are not fully representative of real-world data, they can be used to assess the forecasting ability of the glucose-predictive models. Those results serve as a basis of comparison for future studies. In a field where data are hard to obtain, and where the comparison of results from different studies is often irrelevant, GLYFE gives the opportunity of gathering researchers around a standardized common environment.

연구 동기 및 목표

• 제1형 당뇨병에 대한 기존의 개인화된 혈당 예측 모델을 식별하고 분류한다.
• 제1형 당뇨병에서 혈당 예측에 사용되는 모델링 접근법을 평가한다.
• 연구들 간의 성능 측정 및 벤치마킹 관행을 평가한다.
• 표준화된 벤치마킹을 위한 격차, 도전과제 및 기회를 강조한다.

제안 방법

• 제1형 당뇨병에 대한 개인화된 혈당 예측 모델에 대한 구조화된 문헌고찰을 수행한다.
• 모형 접근법을 비교하기 위한 벤치마킹 기준을 제시하거나 적용한다.
• 인용된 연구에서 사용된 방법과 성능 지표를 분석한다.
• 방법론적 강점, 한계 및 재현성 고려사항을 논의한다.

실험 결과

연구 질문

• RQ1 제1형 당뇨병에서 개인화된 혈당 예측에 사용되는 주요 모델링 접근법은 무엇인가?
• RQ2 다양한 모델이 데이터셋, 설정 및 평가 지표 전반에서 어떻게 성능을 나타내는가?
• RQ3 현행 벤치마킹 관행의 일반적인 한계와 격차는 무엇인가?
• RQ4 혈당 예측 모델의 공정하고 재현 가능한 벤치마킹을 개선할 수 있는 권고사항은 무엇인가?

주요 결과

• 제1형 당뇨병에서 개인화된 혈당 예측에 대해 다양한 모델링 접근법이 조사되었습니다.
• 모델의 성능은 데이터셋과 평가 지표에 따라 달라집니다.
• 벤치마킹 관행은 재현성 및 비교 가능성에 있어 불일치와 격차를 드러냅니다.
• 일반적인 문제로는 데이터 품질, 개인화 및 특징 공학 고려사항이 있습니다.
• 본 연구는 표준화된 벤치마킹 프레임워크 및 향후 연구 방향의 기회를 식별합니다.