Type 1 Diabetes Hypoglycemia Prediction Algorithms: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Diabetes is a chronic condition that necessitates regular monitoring and self-management of the patient's blood glucose levels. People with type 1 diabetes (T1D) can live a productive life if they receive proper diabetes care. Nonetheless, a loose glycemic control might increase the risk of developing hypoglycemia. This incident can occur because of a variety of causes, such as taking additional doses of insulin, skipping meals, or overexercising. Mainly, the symptoms of hypoglycemia range from mild dysphoria to more severe conditions, if not detected in a timely manner. OBJECTIVE: In this review, we aimed to report on innovative detection techniques and tactics for identifying and preventing hypoglycemic episodes, focusing on T1D. METHODS: A systematic literature search following the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines was performed focusing on the PubMed, GoogleScholar, IEEEXplore, and ACM Digital Library to find articles on technologies related to hypoglycemia detection in patients with T1D. RESULTS: The presented approaches have been used or devised to enhance blood glucose monitoring and boost its efficacy in forecasting future glucose levels, which could aid the prediction of future episodes of hypoglycemia. We detected 19 predictive models for hypoglycemia, specifically on T1D, using a wide range of algorithmic methodologies, spanning from statistics (1.9/19, 10%) to machine learning (9.88/19, 52%) and deep learning (7.22/19, 38%). The algorithms used most were the Kalman filtering and classification models (support vector machine, k-nearest neighbors, and random forests). The performance of the predictive models was found to be satisfactory overall, reaching accuracies between 70% and 99%, which proves that such technologies are capable of facilitating the prediction of T1D hypoglycemia. CONCLUSIONS: It is evident that continuous glucose monitoring can improve glucose control in diabetes; however, predictive models for hypo- and hyperglycemia using only mainstream noninvasive sensors such as wristbands and smartwatches are foreseen to be the next step for mobile health in T1D. Prospective studies are required to demonstrate the value of such models in real-life mobile health interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,016 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».