Die Studie untersuchte die Vorhersagbarkeit von Blutzuckerwerten bei Diabetespatienten anhand von Daten, die nicht durch kontinuierliches Glukose-Monitoring (CGM) erfasst wurden. Stattdessen wurden Messungen von Blutzuckerwerten, Kohlenhydrataufnahme und Insulinverabreichung sowie Bewegungsaktivität über einen Zeitraum von 18 bis 33 Tagen für 9 Patienten erfasst.
Die Autoren testeten verschiedene Regressionsmodelle, darunter Random Forest und Extremely Randomized Trees, zur Vorhersage der Blutzuckerwerte eine Stunde im Voraus. Die besten Modelle erreichten einen medianen absoluten Fehler von etwa 2,2 mmol/L. Die Leistung variierte jedoch stark zwischen den Patienten.
Um die Vorhersageunsicherheit zu berücksichtigen, untersuchten die Autoren Methoden zur Berechnung von Vorhersageintervallen basierend auf der Varianz der Bagging-Modelle. Die Ergebnisse zeigten, dass das Filtern von Vorhersagen mit geringer Konfidenz die Gesamtleistung für einige Patienten verbessern kann, während es für andere Patienten keinen Effekt hat. Insgesamt legen die Ergebnisse nahe, dass maschinelle Lernmodelle bei begrenzten Diabetesdaten zwar eine moderate Vorhersageleistung erreichen können, die Berücksichtigung der Unsicherheit jedoch wichtig ist, um robuste Systeme zu entwickeln.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Tu Nguyen,Ma... om arxiv.org 04-10-2024
https://arxiv.org/pdf/1808.07380.pdfDiepere vragen