diaendoСахарный диабетDiabetes mellitus2072-03512072-0378Endocrinology research centre10.14341/DM13081diaendo-13081Research ArticleОригинальные исследованияOriginal StudiesСистема помощи принятия врачебных решений на базе искусственного интеллекта для первичной настройки параметров инсулиновой помпы у детей с сахарным диабетом 1 типаNeural network based clinical decision support system for the calculation the initial continuous subcutaneous insulin infusion settingshttps://orcid.org/0000-0002-4316-8546ЛаптевД. Н.LaptevD. N.

Лаптев Дмитрий Никитич - д.м.н., профессор; Researcher ID: O-1826-2013; Scopus Author ID: 24341083800.

Москва

Dmitry N. Laptev - MD, PhD, Professor; Researcher ID: O-1826-2013; Scopus Author ID: 24341083800.

Moscow

laptevdn@ya.ruhttps://orcid.org/0000-0001-9815-2309СорокинД. Ю.SorokinD. Y.

Сорокин Даниил Юрьевич; Researcher ID: HJY-5714-2023.

117036, Москва, улица Дм. Ульянова, д. 11

Daniil Yu. Sorokin; Researcher ID: HJY-5714-2023.

11 Dm. Ulyanova street, 117036 Moscow

daniilsorokin007@gmail.comГНЦ РФ ФГБУ «Национальный медицинский исследовательский центр эндокринологии»РоссияEndocrinology Research CentreRussian Federation202418012025276555564Copyright © Лаптев Д.Н., Сорокин Д.Ю., 20252025Лаптев Д.Н., Сорокин Д.Ю.Laptev D.N., Sorokin D.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.dia-endojournals.ru/jour/article/view/13081ОБОСНОВАНИЕ

ОБОСНОВАНИЕ. Общепринятые рекомендации по первичной настройке инсулиновой помпы в настоящее время не определены, поэтому данный процесс во многом носит субъективный характер и зависит от личного опыта и умения врача работать с инсулиновыми помпами.

ЦЕЛЬ

ЦЕЛЬ. Разработка системы поддержки принятия врачебных решений (СППВР), определяющей первичные настройки инсулиновой помпы, которые имели бы удовлетворительную согласованность с экспертным мнением врачей.

МАТЕРИАЛЫ И МЕТОДЫ

МАТЕРИАЛЫ И МЕТОДЫ. Модель разработана на основании данных от 2850 детей с сахарным диабетом 1 типа (СД1), которых перевели на непрерывную подкожную инфузию инсулина, включая возраст, вес, суточную потребность в инсулине, HbA1c. В основе модели лежит нейронная сеть.

Проводилась проспективная оценка согласованности рекомендаций СППВР и врача на 35 пакетах данных детей с СД1 (медиана возраста 9,3 года [6,4; 11,5]). Использовались 4 степени согласованности: полная согласованность, когда врач согласился с предложенными программой рекомендациями; частичная согласованность, когда врач не согласился с предложенными программой рекомендациями, но разница между врачебными рекомендациями и рекомендациями СППВР была в диапазоне ±15%; полная несогласованность — разница была более ±15%; допустимая согласованность — сумма полной и частичной согласованности. Нулевая гипотеза — не существует разницы в согласованности/несогласованности между врачами и СППВР.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ. Частота полной согласованности между СППВР и рекомендациями врача по инициации помповой инсулинотерапии составляет 29,8–43,8%, а полной несогласованности — 33,7–41,1%. Допустимая согласованность составила 58,9–66,3%. Значимых различий в медианных показателях параметров инсулиновой помпы между СППВР и врачами относительно исходных значений нет.

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ. Полученные результаты соответствуют ранее проведенным исследованиям. Алгоритм демонстрирует приемлемую производительность, а СППВР — сопоставимость рекомендаций по сравнению с мнением врачей-экспертов, без значимых отклонений между различными параметрами.

BACKGROUND

BACKGROUND: Despite existing recommendations for the initial calculation of insulin pump settings, the process is largely subjective and depends on the physician’s personal experience.

AIM

AIM: Development of a clinical decision support system (CDSS) that determines the initial settings of the insulin pump, which would have satisfactory agreement with the expert opinion of physicians.

MATERIALS AND METHODS

MATERIALS AND METHODS: Neural network model developed using data (continuous subcutaneous insulin infusion (CSII) settings, age, weight, total daily dose, and HbA1c) from 2850 children with T1D who were switched to CSII and achieved optimal glycemic control according to glucose levels. CDSS utilizing the model implemented as a computer program in Python.

A prospective assessment of the agreement between the recommendations of the CDSS and the physician conducted on 35 data sets of children with T1D (median age 9.3 years [6.4, 11.5]), and 840 points for decisions were analyzed. 4 degrees of agreement were used: complete consistency, when the physicians agreed with the CDSS recommendations; partial consistency, when the physicians didn’t agree with the CDSS recommendations, but the difference was in the range of ±15%; complete inconsistency — the difference more than ±15%; acceptable consistency is the sum of full and partial consistency (± 15% error is clinically acceptable). The null hypothesis of the study was the absence of difference in consistency/inconsistency between physicians and the CDSS.

RESULTS

RESULTS: The frequency of full consistency between CDSS and physician recommendations for initiating insulin pump therapy is 29.8-43.8%, and inconsistency is 33.7-41.1%. Acceptable consistency is 58.9–66.3%. There were no significant differences in mean insulin pump parameters between CDSS and physicians.

CONCLUSION

CONCLUSION: The results obtained are consistent with previous studies. Proposed model demonstrates acceptable performance regarding initial CSII settings, without significant deviations between various parameters.

сахарный диабетдетиискусственный интеллектпомповая инсулинотерапиясистема поддержки принятия врачебных решенийdiabetes mellituschildrenartificial intelligenceinsulin pump therapyclinical decision support systemИсследование выполнено при финансовой поддержке Министерства науки и высшего образования Российской Федерации (номер гранта: 075-15-2022-310)ReferencesWalsh J, Roberts R, Bailey T. Guidelines for insulin dosing in continuous subcutaneous insulin infusion using new formulas from a retrospective study of individuals with optimal glucose levels. J Diabetes Sci Technol. 2010;4(5):1174-1181. https://doi.org/10.1177/193229681000400516Walsh J, Roberts R, Bailey T. Guidelines for insulin dosing in continuous subcutaneous insulin infusion using new formulas from a retrospective study of individuals with optimal glucose levels. J Diabetes Sci Technol. 2010;4(5):1174-1181. https://doi.org/10.1177/193229681000400516Лаптев Д.Н., Филиппов Ю.И., Емельянов А.О., Кураева Т.Л. Оптимизация настроек инсулиновых помп у детей и подростков с сахарным диабетом 1 типа с учетом возрастных особенностей // Сахарный диабет. — 2013. — Т. 16. — №3. — С.:109-115. https://doi.org/10.14341/2072-0351-98Laptev DN, Filippov YI, Emel’yanov AO, Kuraeva TL. Age-adjustment of insulin pump settings in children and adolescents with type 1 diabetes mellitus. Diabetes mellitus. 2013;16(3):109-115. (In Russ.) https://doi.org/10.14341/2072-0351-98Bongiovanni M, Fresa R, Visalli N, et al. A Study of the Carbohydrate-to-Insulin Ratio in Pregnant Women with Type 1 Diabetes on Pump Treatment. Diabetes Technol Ther. 2016;18(6):360-365. https://doi.org/10.1089/dia.2015.0246Bongiovanni M, Fresa R, Visalli N, et al. A Study of the Carbohydrate-to-Insulin Ratio in Pregnant Women with Type 1 Diabetes on Pump Treatment. Diabetes Technol Ther. 2016;18(6):360-365. https://doi.org/10.1089/dia.2015.0246Streun GL, Elmiger MP, Dobay A, et al. A machine learning approach for handling big data produced by high resolution mass spectrometry after data independent acquisition of small molecules - Proof of concept study using an artificial neural network for sample classification. Drug Test Anal. 2020;12(6):836-845. https://doi.org/10.1002/dta.2775Streun GL, Elmiger MP, Dobay A, et al. A machine learning approach for handling big data produced by high resolution mass spectrometry after data independent acquisition of small molecules - Proof of concept study using an artificial neural network for sample classification. Drug Test Anal. 2020;12(6):836-845. https://doi.org/10.1002/dta.2775Rong D, Xie L, Ying Y. Computer vision detection of foreign objects in walnuts using deep learning. Comput Electron Agric. 2019;162:1001–1010. https://dx.doi.org/10.1016/j.compag.2019.05.019Rong D, Xie L, Ying Y. Computer vision detection of foreign objects in walnuts using deep learning. Comput Electron Agric. 2019;162:1001–1010. https://dx.doi.org/10.1016/j.compag.2019.05.019Holterhus PM, Odendahl R, Oesingmann S, et al. Classification of distinct baseline insulin infusion patterns in children and adolescents with type 1 diabetes on continuous subcutaneous insulin infusion therapy. Diabetes Care. 2007;30(3):568-573. https://doi.org/10.2337/dc06-2105Holterhus PM, Odendahl R, Oesingmann S, et al. Classification of distinct baseline insulin infusion patterns in children and adolescents with type 1 diabetes on continuous subcutaneous insulin infusion therapy. Diabetes Care. 2007;30(3):568-573. https://doi.org/10.2337/dc06-2105Encyclopedia of Information Science and Technology, Fourth Edition: / ed. Khosrow-Pour, D.B.A. M. IGI Global, 2018Encyclopedia of Information Science and Technology, Fourth Edition: / ed. Khosrow-Pour, D.B.A. M. IGI Global, 2018Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine learning in Python. J Mach Learn Res. 2011Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine learning in Python. J Mach Learn Res. 2011Kingma DP, Ba J. Adam: A Method for Stochastic Optimization. 3rd Int Conf Learn Represent ICLR 2015 - Conf Track Proc. December 2014. http://arxiv.org/abs/1412.6980Kingma DP, Ba J. Adam: A Method for Stochastic Optimization. 3rd Int Conf Learn Represent ICLR 2015 - Conf Track Proc. December 2014. http://arxiv.org/abs/1412.6980Романенкова Е.М., Еремина И.А., Титович Е.В., и др. Уровень С-пептида и распространенность панкреатических аутоантител у детей с сахарным диабетом 1 типа при разной длительности заболевания // Сахарный диабет. — 2022. — Т. 25. — No2. — С.155-165. https://doi.org/10.14341/DM12843Romanenkova EM, Eremina IA, Titovich EV, et al. C-peptide levels and the prevalence of islets autoantibodies in children with type 1 diabetes mellitus with different duration of the disease. Diabetes mellitus. 2022;25(2):155-165. (In Russ.) https://doi.org/10.14341/DM12843Лаптев Д.Н., Безлепкина О.Б., Демина Е.С., и др. Результаты клинической апробации системы freestyle libre у детей с сахарным диабетом 1 типа: улучшение гликемического контроля в сочетании со снижением риска тяжелой гипогликемии и диабетического кетоацидоза // Проблемы эндокринологии. — 2022. — Т. 68. — №3. — С. 86-92. https://doi.org/10.14341/probl12877Laptev DN, Bezlepkina OB, Demina ES, et al. Evaluation of FreeStyle Libre in pediatric t1dm: improved glycemic control, reduction in diabetic ketoacidosis and severe hypoglycemia. Problems of Endocrinology. 2022;68(3):86-92. (In Russ.)] https://doi.org/10.14341/probl12877Лаптев Д.Н., Емельянов А.О., Андрианова Е.А., и др. Применение Flash-мониторинга глюкозы у детей с сахарным диабетом 1 типа в реальной клинической практике // Сахарный диабет. — 2021. — Т. 24. — №6. — С.504-510. https://doi.org/10.14341/DM12817Laptev DN, Emelyanov AO, Andrianova EA, et al. The use of Flash glucose monitoring in children with type 1 diabetes mellitus in real clinical practice. Diabetes mellitus. 2021;24(6):504-510. (In Russ.) https://doi.org/10.14341/DM12817Gajewska KA, Biesma R, Bennett K, Sreenan S. Barriers and facilitators to accessing insulin pump therapy by adults with type 1 diabetes mellitus: a qualitative study. Acta Diabetol. 2021;58(1):93-105. https://doi.org/10.1007/s00592-020-01595-5Gajewska KA, Biesma R, Bennett K, Sreenan S. Barriers and facilitators to accessing insulin pump therapy by adults with type 1 diabetes mellitus: a qualitative study. Acta Diabetol. 2021;58(1):93-105. https://doi.org/10.1007/s00592-020-01595-5Sherr JL, Schoelwer M, Dos Santos TJ, et al. ISPAD Clinical Practice Consensus Guidelines 2022: Diabetes technologies: Insulin delivery. Pediatr Diabetes. 2022;23(8):1406-1431. https://doi.org/10.1111/pedi.13421Sherr JL, Schoelwer M, Dos Santos TJ, et al. ISPAD Clinical Practice Consensus Guidelines 2022: Diabetes technologies: Insulin delivery. Pediatr Diabetes. 2022;23(8):1406-1431. https://doi.org/10.1111/pedi.13421Alemzadeh R, Hoffmann RG, Dasgupta M, Parton E. Development of optimal kids insulin dosing system formulas for young children with type 1 diabetes mellitus. Diabetes Technol Ther. 2012;14(5):418-422. https://doi.org/10.1089/dia.2011.0184Alemzadeh R, Hoffmann RG, Dasgupta M, Parton E. Development of optimal kids insulin dosing system formulas for young children with type 1 diabetes mellitus. Diabetes Technol Ther. 2012;14(5):418-422. https://doi.org/10.1089/dia.2011.0184Bode BW, Sabbah HT, Gross TM, Fredrickson LP, Davidson PC. Diabetes management in the new millennium using insulin pump therapy. Diabetes Metab Res Rev. 2002;18 Suppl 1:S14-S20. https://doi.org/10.1002/dmrr.205Bode BW, Sabbah HT, Gross TM, Fredrickson LP, Davidson PC. Diabetes management in the new millennium using insulin pump therapy. Diabetes Metab Res Rev. 2002;18 Suppl 1:S14-S20. https://doi.org/10.1002/dmrr.205Nimri R, Dassau E, Segall T, et al. Adjusting insulin doses in patients with type 1 diabetes who use insulin pump and continuous glucose monitoring: Variations among countries and physicians. Diabetes Obes Metab. 2018;20(10):2458-2466. https://doi.org/10.1111/dom.13408Nimri R, Dassau E, Segall T, et al. Adjusting insulin doses in patients with type 1 diabetes who use insulin pump and continuous glucose monitoring: Variations among countries and physicians. Diabetes Obes Metab. 2018;20(10):2458-2466. https://doi.org/10.1111/dom.13408Реброва О.Ю., Федяева В.К., Хачатрян Г.Р. Адаптация и валидизация вопросника для оценки риска систематических ошибок в рандомизированных контролируемых испытаниях // Медицинские технологии. Оценка и выбор. — 2015. — Т.19. — №1. — С.9-17Rebrova OYu, Fedyaeva VK, Khachatryan GR. Adaptatsiya i validizatsiya voprosnika dlya otsenki riska sistematicheskikh oshibok v randomizirovannykh kontroliruemykh ispytaniyakh. Meditsinskie tekhnologii. Otsenka i vybor. 2015;19(1):9-17. (In Russ.)

The authors declare that there are no conflicts of interest present.