| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.71 MB | Adobe PDF |
Abstract(s)
The need to control diabetes provides an opportunity to develop new technological solutions
for self-management and real predictions. These predictions can be useful in preventing unwanted
events, such as hypoglycaemia. The patients with diabetes type 1 and some patients
with diabetes type 2 commonly fear hypoglycaemia. The aim of this thesis is to develop a
context-aware framework for hypoglycaemia prediction using sparse data, information fusion
and classifiers’ consensus decision in a 24h hour time frame. With this approach, we contribute
by proposing a hypoglycaemia prediction algorithm, in a self-management scenario,
allowing it to be used by patients who perform their monitorization using a glucometer.
The literature proposes glycaemia prediction algorithms using data from Continuous Glucose
Monitoring (CGM) systems, but these approaches are not extensible to patients without
these systems. Prediction algorithms based on discrete information are a challenge, so we
proposed a novel context-aware framework for hypoglycaemia prediction based on data fusion
and classifiers’ consensus decision. The fusion of additional context information with the
conventional features can contribute to decrease the effect of inter- and intra-subject variability
on prediction patterns. Also, the prediction decision based on classifiers’ consensus
can contribute to the creation of suitable and generalised predictive algorithms. Integrating
contextual and time-based features improves the accuracy on predicted hypoglycaemia.
Using the classifiers’ consensus decision, 66% of the researched patients have over 90% of
hypoglycaemia predicted (with 37.7% with 100% of hypoglycaemia predicted), without the
increase of false positives (false alarms). This work shows the importance of data fusion and
consensus decision to handle the patterns associated with hypoglycaemia risk and its prediction,
however, further research is necessary to provide the necessary interpretability to the
predictive models.
A necessidade de controlar a diabetes oferece a oportunidade para o desenvolvimento de novas soluções tecnológicas para autogestão e previsões reais. Essas previsões podem ser úteis na prevenção de eventos indesejados, como a hipoglicemia. Os pacientes com diabetes tipo 1 e alguns pacientes com diabetes tipo 2 geralmente temem a hipoglicemia. O objetivo desta tese é desenvolver um algoritmo sensível ao contexto para a previsão de hipoglicemia recorrendo a dados discretos, fusão de informação e decisão consensual de classificadores em um período de 24 horas. Com esta abordagem, contribuímos propondo um algoritmo de previsão de hipoglicemia, num cenário de autogestão, permitindo que seja utilizado por pacientes que realizam a sua monitorização com um glicosímetro. A literatura propõe algoritmos de previsão de glicemia usando dados de sistemas contínuos de monitorização, mas essas abordagens não são extensíveis a pacientes sem esses sistemas. Algoritmos de previsão baseados em informações discretas são um desafio, por isso propusemos uma novo algoritmo sensível ao contexto para previsão de hipoglicemia com base na fusão de dados e decisão de consenso de classificadores. A fusão de informações de contexto com as variáveis convencionais pode contribuir para diminuir o efeito da inter- e intra-variabilidade nos padrões de previsão. Além disso, a decisão de previsão baseada no consenso dos classificadores pode contribuir para a criação de algoritmos preditivos adequados e generalizados. A integração de variáveis contextuais e baseadas no tempo melhora a precisão e a previsão de hipoglicemia. Usando a decisão de consenso dos classificadores, 66% dos pacientes têm mais de 90% de hipoglicemias previstas (37,7% dos pacientes com 100% de hipoglicemias previstas) sem o aumento de falsos positivos (alarmes falsos). Este trabalho mostra a importância da fusão de dados e decisão consensual para capturar os padrões associados ao risco de hipoglicemia e sua previsão, no entanto, é necessário aprofundar mais a questão da fusão de dados e modelos e explorar a interpretabilidade dos modelos preditivos.
A necessidade de controlar a diabetes oferece a oportunidade para o desenvolvimento de novas soluções tecnológicas para autogestão e previsões reais. Essas previsões podem ser úteis na prevenção de eventos indesejados, como a hipoglicemia. Os pacientes com diabetes tipo 1 e alguns pacientes com diabetes tipo 2 geralmente temem a hipoglicemia. O objetivo desta tese é desenvolver um algoritmo sensível ao contexto para a previsão de hipoglicemia recorrendo a dados discretos, fusão de informação e decisão consensual de classificadores em um período de 24 horas. Com esta abordagem, contribuímos propondo um algoritmo de previsão de hipoglicemia, num cenário de autogestão, permitindo que seja utilizado por pacientes que realizam a sua monitorização com um glicosímetro. A literatura propõe algoritmos de previsão de glicemia usando dados de sistemas contínuos de monitorização, mas essas abordagens não são extensíveis a pacientes sem esses sistemas. Algoritmos de previsão baseados em informações discretas são um desafio, por isso propusemos uma novo algoritmo sensível ao contexto para previsão de hipoglicemia com base na fusão de dados e decisão de consenso de classificadores. A fusão de informações de contexto com as variáveis convencionais pode contribuir para diminuir o efeito da inter- e intra-variabilidade nos padrões de previsão. Além disso, a decisão de previsão baseada no consenso dos classificadores pode contribuir para a criação de algoritmos preditivos adequados e generalizados. A integração de variáveis contextuais e baseadas no tempo melhora a precisão e a previsão de hipoglicemia. Usando a decisão de consenso dos classificadores, 66% dos pacientes têm mais de 90% de hipoglicemias previstas (37,7% dos pacientes com 100% de hipoglicemias previstas) sem o aumento de falsos positivos (alarmes falsos). Este trabalho mostra a importância da fusão de dados e decisão consensual para capturar os padrões associados ao risco de hipoglicemia e sua previsão, no entanto, é necessário aprofundar mais a questão da fusão de dados e modelos e explorar a interpretabilidade dos modelos preditivos.
Description
Keywords
Hipoglicemia Previsão Algoritmo sensível ao contexto Fusão de dados Variáveis baseadas no tempo Decisão de consenso de classificadores