[论文解读] 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 5

一句话总结

该论文提出了一种新颖的葡萄糖预测算法，通过将进餐吸收动力学和体力活动数据整合到基于去卷积的状态估计的隔室葡萄糖-胰岛素模型中，提升了预测精度。与标准模型相比，该方法在模拟环境中将均方根误差（RMSE）降低了10.5%，在临床环境中降低了2.9%，显著改善了低血糖和高血糖的预测效果。

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.

研究动机与目标

• 通过在标准输入（如葡萄糖、胰岛素和碳水化合物）之外，整合进餐吸收和体力活动动力学，提升1型糖尿病患者的葡萄糖预测精度。
• 解决现有模型忽略餐后葡萄糖出现和体力活动对血糖变异性影响的局限性。
• 开发一种基于模型的预测框架，利用去卷积技术从CGM数据中估计胃肠道葡萄糖出现速率。
• 使用10名成年T1D受试者的模拟数据和真实临床数据，将该模型与最先进的LVX算法进行对比验证。
• 通过RMSE和Clarke误差网格分析（EGA）评估模型在低血糖和高血糖预测方面的性能。

提出的方法

• 采用隔室葡萄糖-胰岛素动力学模型，结合去卷积技术，从连续血糖监测（CGM）数据中估计胃肠道葡萄糖出现速率（Ra）。
• 胃肠道模型采用双隔室结构，具有时变吸收速率，参数化为k_min、k_max、k_abs、b和d，以反映混合餐的吸收特征。
• 通过非线性最小二乘优化（lsqnonlin）识别进餐吸收参数，使用UVa-Padova模拟器提供的16组混合餐数据，约束条件包括峰值误差、峰值时间、曲线下面积和RMSE。
• 体力活动被建模为影响胰岛素敏感性和葡萄糖摄取的额外外源性输入，整合进葡萄糖-胰岛素系统动力学中。
• 该模型利用去卷积方法估计关键未测量状态（如葡萄糖出现速率），从而实现对未来血糖水平的更精确预测。
• 性能通过RMSE和Clarke误差网格分析（EGA）与LVX算法进行对比，评估对象包括模拟数据和临床数据集。

实验结果

研究问题

• RQ1 将进餐吸收动力学整合到葡萄糖预测模型中，是否能显著提升1型糖尿病患者的预测精度？
• RQ2 将体力活动信息纳入模型，对低血糖和高血糖事件的预测有何影响？
• RQ3 所提出的基于去卷积的状态估计方法是否在RMSE和临床安全指标方面优于现有模型（如LVX）？
• RQ4 个性化进餐吸收参数在多大程度上提升了模型对不同类型进餐的拟合度和预测可靠性？
• RQ5 在日间生理变异性及真实临床条件下，该模型是否能保持高精度？

主要发现

• 在60分钟预测时长下，模拟数据中RMSE从26.68 ± 3.58 mg/dL降低至23.89 ± 3.32 mg/dL（p < 0.001）。
• 在临床数据中，仅引入进餐吸收信息即可使RMSE从37.02 ± 5.14 mg/dL降低至35.96 ± 4.65 mg/dL（p < 0.001）。
• 与LVX算法相比，该模型表现出统计学上更优的性能，模拟数据中RMSE为26.68 ± 3.58 mg/dL，而LVX为32.80 ± 4.58 mg/dL（p < 0.001）。
• 在临床数据中，该模型的RMSE为37.02 ± 5.14 mg/dL，显著低于LVX的49.17 ± 13.80 mg/dL（p < 0.01）。
• Clarke误差网格分析证实，该模型在预测低血糖和高血糖事件方面均有显著改善。
• 胃肠道模型拟合质量高，所有16餐的R² > 0.8，14餐的RMSE < 0.5 mg·min⁻¹·kg⁻¹，表明参数识别具有鲁棒性。