[논문 리뷰] Prediction of Daytime Hypoglycemic Events Using Continuous Glucose Monitoring Data and Classification Technique

Miyeon Jung, You‐Bin Lee외 2명|arXiv (Cornell University)|2017. 04. 27.

Diabetes Management and Research참고 문헌 27인용 수 4

한 줄 요약

이 연구는 연속 혈액 포도당 모니터링(CGM) 데이터를 사용하여 15분 전에 낮 동안의 저혈당 사건을 예측하는 기계 학습 모델을 제안한다. 결정점에서 포도당 감소 속도와 절대 포도당 수치를 활용함으로써 분류 및 회귀 트리(CART) 모델은 유사 조건에서 기존 방법보다 뛰어난 성능을 보이며 저혈당 사건의 80%를 탐지하였다.

ABSTRACT

Daytime hypoglycemia should be accurately predicted to achieve normoglycemia and to avoid disastrous situations. Hypoglycemia, an abnormally low blood glucose level, is divided into daytime hypoglycemia and nocturnal hypoglycemia. Many studies of hypoglycemia prevention deal with nocturnal hypoglycemia. In this paper, we propose new predictor variables to predict daytime hypoglycemia using continuous glucose monitoring (CGM) data. We apply classification and regression tree (CART) as a prediction method. The independent variables of our prediction model are the rate of decrease from a peak and absolute level of the BG at the decision point. The evaluation results showed that our model was able to detect almost 80% of hypoglycemic events 15 min in advance, which was higher than the existing methods with similar conditions. The proposed method might achieve a real-time prediction as well as can be embedded into BG monitoring device.

연구 동기 및 목표

• 야간 저혈당 탐지 기술의 발전에도 불구하고 낮 동안의 저혈당에 대한 효과적인 예측 방법이 부족한 문제를 해결하기 위해.
• 향상된 혈액 포도당 조절을 위해 CGM 데이터를 활용한 실시간, 임베디드 가능한 예측 시스템을 개발하기 위해.
• 특히 결정점에서의 포도당 감소 속도와 절대 포도당 수치와 같은 핵심 생리적 지표를 예측 특징으로 식별하기 위해.
• CART 기반 분류 모델의 성능을 평가하여 높은 민감도와 조기 경고 기능을 갖춘 저혈당 사건 탐지 능력을 확보하기 위해.

제안 방법

• 연구는 포도당 추세와 관련된 시간적 특징을 추출하기 위해 연속 혈액 포도당 모니터링(CGM) 데이터를 입력으로 사용한다.
• 새로운 예측 변수로는 피크에서의 포도당 감소 속도와 결정점에서의 절대 포도당 수치를 도입한다.
• 15분 이내에 저혈당 사건이 발생할지 여부를 분류하기 위해 분류 및 회귀 트리(CART) 알고리즘을 적용한다.
• 모델은 CGM 데이터를 기반으로 학습 및 검증되며, 표준 분류 지표를 사용하여 성능을 평가한다.
• 실시간 구현을 고려하여 설계되어 기존의 CGM 장치에 통합하기 적합하다.

실험 결과

연구 질문

• RQ1 CGM 데이터를 사용하는 기계 학습 모델이 충분한 사전 경고 시간을 확보하여 낮 동안의 저혈당 사건을 예측할 수 있는가?
• RQ2 감소 속도 및 절대 포도당 수치와 같은 포도당 추세 특징 중에서 향후 저혈당을 가장 잘 예측하는 것은 무엇인가?
• RQ3 CART 기반 모델의 성능은 기존 방법과 비교해 15분 전에 저혈당 사건을 탐지하는 데서 어떻게 다른가?
• RQ4 제안된 모델은 임상적 사용을 위해 실시간 혈액 포도당 모니터링 시스템에 통합될 수 있는가?

주요 결과

• 제안된 모델은 약 80%의 낮 동안의 저혈당 사건을 15분 전에 탐지하여 높은 민감도를 입증하였다.
• 결정점에서의 포도당 감소 속도와 절대 포도당 수치의 포함이 예측 성능 향상에 크게 기여하였다.
• 유사 조건에서 기존 방법보다 뛰어난 성능을 보였으며, 특히 저혈당 발현의 조기 탐지에서 뛰어난 성능을 보였다.
• CART 기반 접근 방식은 실시간 예측이 가능하며, 웨어러블 CGM 장치에 통합하기에 적합하다.