Ερευνητές αναπτύσσουν μοντέλο που προβλέπει με ακρίβεια παρατεταμένα επεισόδια υπογλυκαιμίας Ερευνητές αναπτύσσουν μοντέλο που προβλέπει με ακρίβεια παρατεταμένα επεισόδια υπογλυκαιμίας
Ο φόβος της σοβαρής υπογλυκαιμίας συχνά οδηγεί σε λιγότερο δραστική θεραπεία με ινσουλίνη, αυξάνοντας την μακροχρόνια έκθεση των ανθρώπων στην υπεργλυκαιμία. Για τη βελτιστοποίηση... Ερευνητές αναπτύσσουν μοντέλο που προβλέπει με ακρίβεια παρατεταμένα επεισόδια υπογλυκαιμίας

Ο φόβος της σοβαρής υπογλυκαιμίας συχνά οδηγεί σε λιγότερο δραστική θεραπεία με ινσουλίνη, αυξάνοντας την μακροχρόνια έκθεση των ανθρώπων στην υπεργλυκαιμία. Για τη βελτιστοποίηση της διαχείρισης του διαβήτη, οι μακροχρόνιοι κίνδυνοι που συνδέονται με την υπεργλυκαιμία πρέπει να εξισορροπούνται με τους κινδύνους της υπογλυκαιμίας.

Ο Medhav Erraguntla, αναπληρωτής καθηγητής στο Τμήμα Wm Michael Barnes ‘64 Βιομηχανικής μηχανικής και Μηχανικών Συστημάτων του Πανεπιστημίου του Τέξας στις ΗΠΑ και ο Balakrishna Hardias, καθηγητής στο Τμήμα Βιοϊατρικής Μηχανικής, προσπαθούν να αναπτύξουν ένα ακριβές μοντέλο πρόβλεψης υπογλυκαιμικών επεισοδίων που είναι ιδιαίτερα ευαίσθητο και συγκεκριμένο και μπορεί να εφαρμοστεί σε νέους ασθενείς και νέες χρονικές περιόδους.

Στόχος της έρευνας είναι να μειωθούν οι λανθασμένες ειδοποιήσεις υπογλυκαιμίας.

«Η έγκαιρη ανίχνευση επικείμενων γλυκαιμικών γεγονότων, μέσω ενός συστήματος διαρκούς καταγραφής γλυκόζης – το οποίο να είναι εξαιρετικά ευαίσθητο και ακριβές και να έχει χαμηλά ποσοστά ψευδών συναγερμών – μπορεί να βοηθήσει τους ασθενείς με διαβήτη να διαχειριστούν καλύτερα την υπογλυκαιμία και τη γενικότερη υγεία τους» είπε ο Erraguntla.

Οι ακριβείς ειδοποιήσεις υπογλυκαιμίας που προτείνει η ομάδα, θα επιτρέψουν στους ασθενείς να διαχειριστούν τον διαβήτη τους καλύτερα, μειώνοντας τον φόβο της υπογλυκαιμίας.

Η μελέτη πραγματοποιήθηκε σε απο-ταυτοποιημένα, αναδρομικά δεδομένα, δηλαδή σε ήδη υπάρχοντα δεδομένα.

Η ομάδα χρησιμοποίησε βάσεις δεδομένων συστημάτων διαρκούς καταγραφής γλυκόζης (CGMS) από 110 παιδιατρικούς ασθενείς με διαβήτη τύπου 1 και άντλησε στοιχεία για ένα χρονικό διάστημα 30 με 90 ημερών. Τα στοιχεία περιείχαν πάνω από 1,6 εκατομμύρια τιμές γλυκόζης σε κανονικές συνθήκες ζωής και αναλύθηκαν με τη χρήση αλγόριθμων μηχανικής μάθησης.

Αντί να εστιάσει σε όλες τις περιπτώσεις υπογλυκαιμίας, η ομάδα εστίασε σε παρατεταμένα επεισόδιά υπογλυκαιμίας που ορίστηκαν ως εξής: τιμές γλυκόζης κάτω από τα 70 mg/dL με διάρκεια τουλάχιστον 15 λεπτών. Εστιάζοντας στα παρατεταμένα επεισόδια αντί για επεισόδια μικρότερης διάρκειας είχαν καλύτερη απόδοση του μοντέλου.

Σε προηγούμενες έρευνες, η ομάδα είχε αναπτύξει έναν αλγόριθμο μηχανικής εκμάθησης για CGM που ανιχνεύει την υπογλυκαιμία 30 λεπτά πριν την εμφάνισή της. Η ομάδα κατάφερε να επιτύχει ποσοστό ακρίβειας και ευαισθησίας πάνω από 90%. Ωστόσο, λόγω μικρού αριθμού υπογλυκαιμικών επεισοδίων σε σχέση με μη υπογλυκαιμικά επεισόδια, αυτή η αυξημένη ευαισθησία και ακρίβεια οδηγούσε σε λανθασμένες ειδοποιήσεις περίπου στο 80% των περιπτώσεων, το οποίο σημαίνει ότι οι ασθενείς λάμβαναν αχρείαστα μέτρα για την αποφυγή της υπογλυκαιμίας.

Η βελτίωση της ακρίβειας σε καταστάσεις με τόσο μεγάλη ανισορροπία, βοηθά στη μείωση των λανθασμένων ειδοποιήσεων, βελτιώνοντας την εμπειρία των χρηστών και αυξάνοντας την εμπιστοσύνη τους στις ειδοποιήσεις.

Το νέο μοντέλο μηχανικής εκμάθησης προέβλεψε με ακρίβεια παρατεταμένα γεγονότα υπογλυκαιμίας με ευαισθησία 97%, 30 και 60 λεπτά πριν την εμφάνιση της υπογλυκαιμίας. Οι λανθασμένες ειδοποιήσεις παρέμειναν σε ποσοστά κάτω του 25%, σε σχέση με το προηγούμενο 80%. Με λίγα λόγια, μόνο 1 στις 4 ειδοποιήσεις είναι πιθανά λανθασμένες, σε σχέση με το προηγούμενο ποσοστό που ήταν 4 στις 5.

Περισσότερο από 61% των πρόσκαιρων επεισοδίων υπογλυκαιμίας ανιχνεύονται ως λανθασμένα θετικά από το μοντέλο.

«Τα αποτελέσματα της έρευνας αυτής μας φέρνουν ένα βήμα πιο κοντά στην αποτελεσματική διαχείριση του διαβήτη, και του τεράστιου βάρους που θέτει στην υγεία μας» είπε ο Erraguntla.

Πηγή: Medical Xpress

Shares
Αποδοχή
Η ιστοσελίδα glykouli.gr χρησιμοποιεί cookies για τη βελτίωση των υπηρεσιών της. Περισσότερες πληροφορίες εδώ.
Shares