Ανάπτυξη Εξατομικευμένων Μοντέλων Ανίχνευσης Διαταραχών Γεύματος σε Άτομα με Σακχαρώδη Διαβήτη Τύπου 1 με χρήση Τεχνικών Βαθιάς Μάθησης

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η σχεδίαση, η ανάπτυξη και η αξιολόγηση εξατομικευμένων υπολογιστικών μοντέλων για την ανίχνευση διαταραχών γεύματος σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1) που εφαρμόζουν Διατάξεις Συνεχούς Μέτρησης Γλυκόζης (ΔΣΜΓ). Αν και τα σύγχρονα συστήματα ελέγχου γλυκόζης επιτυγχάνουν ικανοποιητική ρύθμιση της χορήγησης βασικής ινσουλίνης, ουσιαστική πρόκληση για τον πλήρως αυτοματοποιημένο γλυκαιμικό έλεγχο αποτελεί η αποτελεσματική διαχείριση των διαταραχών γεύματος χωρίς την απαίτηση ανακοίνωσης των γευμάτων από τον χρήστη. Η ενσωμάτωση αυτόματης ανίχνευσης των διαταραχών γεύματος μπορεί να συμβάλει ουσιαστικά στη βελτίωση του γλυκαιμικού ελέγχου και της ποιότητας ζωής του ατόμου με ΣΔΤ1. Η ανάπτυξη των εξατομικευμένων μοντέλων βασίστηκε στη χρήση των Νευρωνικών Δικτύων Μακράς Βραχείας Μνήμης (Long Short-Term Memory Neural Networks-LSTM), που αξιοποιήθηκαν λόγω της ικανότητάς τους να διαχειρίζονται αποτελεσματικά δεδομένα χρονοσειρών. Τα μοντέλα δέχθηκαν ως είσοδο δεδομένα καταγραφών γλυκόζης από ΔΣΜΓ αλλά και πληροφορίες σχετικά με τη χρονική στιγμή κατανάλωσης των λαμβανόμενων γευμάτων. Τα δεδομένα υπέστησαν επεξεργασία ώστε η ανίχνευση γεύματος να αναχθεί σε ένα πρόβλημα επιβλεπόμενης μάθησης, κατά το οποίο χρονικές ακολουθίες μετρήσεων γλυκόζης διάρκειας 2 ωρών κατηγοριοποιήθηκαν ως σχετιζόμενες με έναρξη γεύματος ή όχι (Meal-Onset ή Not Meal-Onset). Για την αντιμετώπιση της μη ισορροπημένης φύσης των δεδομένων και την επίτευξη υψηλής επίδοσης εφαρμόστηκε προσέγγιση συλλογικής μάθησης, κατά την οποία εκπαιδεύτηκαν πολλαπλά πρωταρχικά μοντέλα βασισμένα στη μέθοδο των δικτύων LSTM, και χρησιμοποιήθηκαν διαφορετικά συνδυαστικά σχήματα με στόχο τον συνδυασμό των αποφάσεων των πρωταρχικών μοντέλων και την κατηγοριοποίηση των ακολουθιών ως σχετιζόμενων ή μη σχετιζόμενων με έναρξη γεύματος. Για την ανάπτυξη και αξιολόγηση των μοντέλων χρησιμοποιήθηκαν δεδομένα 30 in silico ατόμων με ΣΔΤ1 που διατίθενται από τον UVa T1DM Simulator, καθώς και δεδομένα ιατρικού φακέλου 7 ατόμων με ΣΔΤ1 που παραχωρήθηκαν από το Διαβητολογικό Κέντρο, Α ́ Παιδιατρική Κλινική, του Νοσοκομείου Π.&Α. Κυριακού. Τα μοντέλα αξιολογήθηκαν ως προς τη διακριτική τους ικανότητα, καθώς και ως προς την ικανότητά τους να διαχειρίζονται τη διαφορετική συμπεριφορά του μεταβολισμού γλυκόζης που παρατηρείται μεταξύ διαφορετικών ατόμων με ΣΔΤ1 αλλά και μεταξύ διαφορετικών χρονικών στιγμών στα δεδομένα ενός συγκεκριμένου ασθενούς.