| Název: | Predicting glucose level with an adapted branch predictor |
| Autoři: | Koutný, Tomáš Mayo, Michael |
| Citace zdrojového dokumentu: | KOUTNÝ, T. MAYO, M. Predicting glucose level with an adapted branch predictor. Computers in Biology and Medicine, 2022, roč. 145, č. JUN 2022, s. nestránkováno. ISSN: 0010-4825 |
| Datum vydání: | 2022 |
| Nakladatel: | Elsevier |
| Typ dokumentu: | článek article |
| URI: | 2-s2.0-85126987017 http://hdl.handle.net/11025/49659 |
| ISSN: | 0010-4825 |
| Klíčová slova: | glykémie;predikce časových řad;hluboké učení;učení vzor;výpočetní náklady;interpretovatelné modely |
| Klíčová slova v dalším jazyce: | Blood glucose level;time series forecasting;deep learning;attern learning;computational costs;interpretable models |
| Abstrakt: | Východiska a cíl: Diabetes mellitus se projevuje jako dlouhotrvající zvýšená hladina glukózy v krvi v důsledku poruchy produkce inzulínu. Takto vysoké hladiny glukózy po dlouhou dobu poškozují mnoho vnitřních orgánů. Pro zmírnění tohoto stavu vyvinuli výzkumníci a inženýři umělou slinivku s uzavřenou smyčkou sestávající z kontinuálního monitoru glukózy a inzulínové pumpy připojené přes mikrokontrolér nebo smartphone. Problémem však je, jak přesně předpovědět krátkodobé budoucí hladiny glukózy, aby bylo možné účinně kontrolovat hladinu glukózy. Mnoho práce v literatuře se zaměřuje na nejmenší chybu predikce jako klíčovou metriku, a proto sleduje komplexní metody predikce, jako je hluboké učení. Takový přístup opomíjí další důležité a významné konstrukční problémy, jako je složitost metody (ovlivňuje interpretovatelnost a bezpečnost), hardwarové požadavky na zařízení s nízkou spotřebou, jako je inzulinová pumpa, požadované množství vstupních dat pro trénink (potenciálně nepoužitelná metoda pro nové pacienty) a skutečnost, že velmi malá zlepšení přesnosti nemusí mít významný klinický přínos. Metody: Navrhujeme novou nízkokomplexní, vysvětlitelnou metodu predikce glykémie odvozenou z algoritmu prediktoru větvení Intel P6. Meta-diferenciální evoluci používáme k určení parametrů prediktoru na trénovacích datech. Je provedeno srovnání mezi naším novým algoritmem a nejmodernější metodou hlubokého učení pro predikci hladiny glukózy v krvi. Výsledky: K vyhodnocení nové metody se používá benchmarková datová sada Blood Glucose Level Prediction Challenge. Na oficiálním rozdělení testovacích dat po tréninku předpověděla nejmodernější metoda hlubokého učení hladiny glukózy 30 minut před aktuálním časem, přičemž 96,3 % předpokládaných hladin glukózy mělo relativní chybu menší než 30 % (což je ekvivalent bezpečné zóny). Náš jednodušší, interpretovatelný přístup prodloužil predikční horizont o dalších 5 minut, přičemž 95,8 % předpokládaných hladin glukózy u všech pacientů mělo relativní chybu menší než 30 %. Závěry: Při zvažování prediktivního výkonu hodnoceného pomocí benchmarkového datového souboru Predikce hladiny glukózy v krvi a metrik Surveillance Error Grid jsme zjistili, že nový algoritmus poskytuje srovnatelný výkon prediktivní přesnosti, přičemž pracuje pouze se signálem na úrovni lukózy s podstatně menší výpočetní složitostí. |
| Abstrakt v dalším jazyce: | Background and objective: Diabetes mellitus manifests as prolonged elevated blood glucose levels resulting from impaired insulin production. Such high glucose levels over a long period of time damage multiple internal organs. To mitigate this condition, researchers and engineers have developed the closed loop artificial pankreas consisting of a continuous glucose monitor and an insulin pump connected via a microcontroller or smartphone. A problem, however, is how to accurately predict short term future glucose levels in order to exert efficient glucose-level control. Much work in the literature focuses on least prediction error as a key metric and therefore pursues complex prediction methods such a deep learning. Such an approach neglects other important and significant design issues such as method complexity (impacting interpretability and safety), hardware requirements for low-power devices such as the insulin pump, the required amount of input data for training (potentially rendering the method infeasible for new patients), and the fact that very small improvements in accuracy may not have significant clinical benefit. Methods: We propose a novel low-complexity, explainable blood glucose prediction method derived from the Intel P6 branch predictor algorithm. We use Meta-Differential Evolution to determine predictor parameters on training data splits of the benchmark datasets we use. A comparison is made between our new algorithm and a state-of-the-art deep-learning method for blood glucose level prediction. Results: To evaluate the new method, the Blood Glucose Level Prediction Challenge benchmark dataset is utilised. On the official test data split after training, the state-of-the-art deep learning method predicted glucose levels 30 min ahead of current time with 96.3% of predicted glucose levels having relative error less than 30% (which is equivalent to the safe zone of the Surveillance Error Grid). Our simpler, interpretable approach prolonged the prediction horizon by another 5 min with 95.8% of predicted glucose levels of all patients having relative error less than 30%. Conclusions: When considering predictive performance as assessed using the Blood Glucose Level Prediction Challenge benchmark dataset and Surveillance Error Grid metrics, we found that the new algorithm delivered comparable predictive accuracy performance, while operating only on the lucose-level signal with considerably less computational complexity. |
| Práva: | © authors |
| Vyskytuje se v kolekcích: | Články / Articles (KIV) OBD |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Koutný 1-s2.0-S0010482522001809-main.pdf | 1,22 MB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/49659Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.