Optimizarea modelelor de predicție a hipoglicemiei prin combinarea algoritmilor genetici și Levenberg-Marquardt

Abstract

Această lucrare investighează o metodă de anticipare a episoadelor de hipoglicemie la persoanele cu diabet de tip 1, folosind rețele neuronale artificiale (RNA). Hipoglicemia este o problemă semnicativă care apare adeseori în urma tratamentului intens cu insulină; episoadele nocturne sunt foarte periculoase din cauză că simptomele pot fi adeseori greșit interpretate sau ignorate în timpul somnului și pot evolua către convulsii sau comă chiar și deces. Studiul examinează date de monitorizare continuă a glicemiei pe o perioadă de 3 luni ale cinci persoane diagnosticate cu diabet de tip I. Prin analiza datelor istorice disponibile, metoda propusă antrenează un model de învățare profundă pentru a detecta şabloane care pot semnaliza anticipat riscul de hipoglicemie. De asemenea, cercetarea prezintă o abordare pentru îmbunătățirea sensibilității și specificității predicțiilor prin includerea algoritmilor genetici și Levenberg-Marquardt în procesul de antrenare. Această adaptare refinează precizia predictivă a modelului si înbunătățeste adaptarea dinamică la caracteristicile unice ale fiecărui pacient în parte pentru a îmbunătăți rapiditatea și fiabilitatea predicțiilor sale.

This paper investigates a method for anticipating hypoglycemic episodes in individuals with type 1 diabetes using artificial neural networks (ANNs). Hypoglycemia is a significant problem that often occurs as a result of intensive insulin treatment; nocturnal episodes are particularly dangerous because symptoms can often be misinterpreted or ignored during sleep and can progress to seizures, coma, or even death. The study examines continuous glucose monitoring (CGM) data over a 3-month period, insulin dose records, and food diaries of five individuals diagnosed with type 1 diabetes. By analyzing available historical data, the proposed method trains a deep learning model to detect patterns that can signal the risk of hypoglycemia in advance. Additionally, the research presents an approach to improve the sensitivity and specificity of predictions by incorporating genetic algorithms and Levenberg-Marquardt in the training process. This adaptation refines the predictive accuracy of the model and enhances dynamic adaptation to the unique characteristics of each individual patient to improve the speed and reliability of its predictions.