DiabTrend AI Analytics Kft.,1 Semmelweis Egyetem, ÁOK, III. Belgyógyászati Klinika, Budapest2
A szöveti glükózmonitorok és inzulinpumpa-kezelés ellenére az 1-es típusú cukorbetegséggel élők számára továbbra is nehézséget okoz, hogy hétköznapi életvitelük mellett (vér)cukorszintjüket a megfelelő tartományon belül tartsák. Ennek oka, hogy a betegek többsége nem képes felmérni, „megjósolni”, hogy adott tényezők hatására hogyan fog a jövőben alakulni a vércukorszint. Épp emiatt nagy jelentőséggel bírna, ha a várható vércukorszintet megbecslő algoritmussal képesek lennénk a betegek számára – a naplózott adatok alapján – a jövőbeli vércukorszintet megmutatni.
Meghatároztuk a DiabTrend vércukorszint-előrejelző rendszerének pontosságát rövid (t1 <3 óra), közepes (3 óra < t2 <6 óra) és hosszú (6 óra <t3) predikciós idősáv esetén, illetve összehasonlítottuk azokat más függvények pontosságával (konstans [C], véletlenszerű [R] és mozgó átlag [MA]). Továbbá felmértük a rendszer betegre vonatkoztatott, folyamatos, hétről hétre változó tanulási dinamikáját és ennek megfelelő pontosságát. Összehasonlítottuk két különböző modell pontosságát: az étkezések vércukoremelő hatásának becslése csak a szénhidrát-bevitel alapján vagy komplex (szénhidrát‑, fehérje- és zsírtartalmat is figyelembe véve) módon.
A vércukorszint-előrejelzéseket valós időben, 20 beteg által rögzített adatsorokon számoltuk. A 2 hónapos vizsgálati időszak alatt az adatok egy része automatikusan (vércukorszintmérések, fizikai aktivitás), míg másik része (inzulin és étkezések) manuálisan került rögzítésre egy okostelefonos alkalmazáson keresztül. A vizsgálatban 20 önként jelentkező 1-es típusú cukorbeteg vett részt (10 férfi, 10 nő, életkor 33,9±13,5 év, diabetestartam: 9,5±6,6 év, HbA1c 6,9±1,6%). Az előrejelzések pontosságának kiértékeléséhez a Parkes-féle hibaanalízis-görbét (különös tekintettel az A, B tartományokra és a relatív differenciára) használtuk.
A 20 betegből 18 rendelkezett megfelelően rögzített adattal, azaz összességében 210 000 szenzormérés, 5562 inzulinbeadás, 4721 étkezés, számos mozgás, 1260 alvás, továbbá 10 985 vércukorszintmérés történt, amely utóbbit hasonlítottuk össze az előrejelzésekkel. Az algoritmus által becsült értékek (előrejelzések) 95,6%±4,16%-a volt a klinikailag elfogadható A és B tartományokon belül. Az algoritmus 87,3±5,76%-os pontosságú volt az első héten, majd 92,5%±4,08% a második és 93,3%±4,30% a 3. héten, ezután lényeges tanulás már nem történt. Összehasonlítva az étkezések szempontjából különböző bemenetű modelleket azt találtuk, hogy csak a szénhidrát-bevitelt figyelembe véve pontosabb előrejelzés érhető el, mint a komplex modellel.
Ezen adatok alapján azt látjuk, hogy a közeljövőben létrehozható egy, az eddigi vércukorszintet előrejelző rendszereknél pontosabb megoldás, amellyel a terápiát non-invazív, személyre szabott módon javíthatjuk.
Diabetologia Hungarica 2020; 28(Suppl.1): 41-42.