Русанов Арсений Николаевич - ассистент кафедры эндокринологии.
410031, Саратов, улица Большая Горная, д. 43А
Arseniy N. Rusanov – MD.
43A Bolshaya Gornaya street, 410031 Saratov
Родионова Татьяна Игоревна - д.м.н., профессор; ResearcherID: ABC-2921-2020; Scopus Author ID: 7004712772.
Саратов
Tatiana I. Rodionova - MD, PhD, Professor; ResearcherID: ABC-2921-2020; Scopus Author ID: 7004712772.
Saratov
ОБОСНОВАНИЕ. Время в целевом диапазоне глюкозы (TIR) — перспективный показатель гликемического контроля, применяющийся при оценке непрерывного мониторинга глюкозы (НМГ) у пациентов с сахарным диабетом (СД). Актуальной проблемой остается оценка и прогнозирование данного параметра для пациентов, использующих самостоятельный мониторинг глюкозы крови (СМГК), с учетом недостаточной доступности НМГ для большинства пациентов с СД.
ЦЕЛЬ. На основании данных экспериментального мобильного приложения разработать прогностическую модель времени в целевом диапазоне для пациентов с СД 1 типа (СД1).
МАТЕРИАЛЫ И МЕТОДЫ. Проведен анализ 1253 профилей профессионального НМГ пациентов с СД1. На основании включенных в исследование записей выполнен расчет TIR(НМГ), сгенерированы тренировочные модели 7-точечных профилей СМГК. Профили СМГК загружались в разработанное экспериментальное мобильное приложение, рассчитывающее стандартные параметры гликемического контроля. Данные были разделены на основную и тестовую выборки в соотношении 80 и 20%. Для основной выборки применены следующие методы разработки прогностических моделей: простая линейная регрессия (ПЛР), множественная линейная регрессия (МЛР), искусственная нейронная сеть (ИНС). Оценка эффективности разработанных моделей проводилась на тестовой выборке с расчетом средней абсолютной ошибки (MAE), квадратного корня из среднеквадратичной ошибки (RMSE).
РЕЗУЛЬТАТЫ. В исследование включено 568 профилей НМГ. В основной группе (n=454) TIR составил 45 [33; 65]%, в тестовой группе (n=114) — 43 [33; 58]%. Наиболее значимыми предикторами TIR в регрессионных моделях являлись процент значений в целевом диапазоне (dTIR), p<0,001; процент значений ниже целевого диапазона 1 уровня (dTBR1), p<0,001; стандартное отклонение гликемии (SD), p=0,007. Коэффициент детерминации для ПЛР (предиктор: dTIR) — 0,844; для МЛР (предикторы: dTIR, dTBR1, SD) — 0,907. Разработаны модели ИНС по типу многослойный перцептрон с двумя и одним внутренним слоем нейронов, для которых RMSE на валидационной выборке составил 4,617 и 6,639% соответственно. Результаты анализа эффективности прогноза на тестовой выборке: dTIR: MAE — 6,82%, RMSE — 8,60%; модель ПЛР: MAE — 5,66%, RMSE — 7,34%; модель МЛР: MAE — 4,18%, RMSE — 5,28%; модель ИНС (2 слоя): MAE — 4,14%, RMSE — 5,19%; модель ИНС (1 слой): MAE — 4,44%, RMSE — 5,52%.
ЗАКЛЮЧЕНИЕ. Наилучшую способность для прогноза TIR продемонстрировали ИНС с двумя внутренними слоями и МЛР. Требуются дальнейшие исследования с целью клинической валидации разработанных прогностических моделей.
BACKGROUND: Time in range (TIR) is a promising indicator of glycemic control used for evaluation of continuous glucose monitoring (CGM) for patients with diabetes mellitus (DM). The current problem is the assessment and prediction of TIR for patients who use self-monitoring of blood glucose (SМBG) corresponding low CGM availability for the majority of diabetic patients.
AIM: To develop a predictive model of TIR for patients with T1DM based on data of the experimental mobile application.
MATERIALS AND METHODS: An analysis of 1253 professional CGM profiles of patients with T1DM was performed. On the base of included records, TIR(CGM) was calculated and training models of 7-point SMBG profiles were generated. SMBG profiles’re loaded into the developed experimental mobile application that calculated standard glycemic control parameters. The dataset was divided into main and test samples (80 and 20%). For the main sample, the following methods’re used to develop predictive models: simple linear regression (SLR), multiple linear regression (MLR), artificial neural network (ANN). The effectiveness of the developed models was assessed on the test sample with the calculation of the mean absolute error (MAE), the root mean square error (RMSE).
RESULTS: The 568 CGM profiles’re included in the study. TIR in the main group (n=454) — 45 [33; 65]%, in the test group (n=114) — 43 [33; 58]%. The most significant predictors of the regression models were the derived TIR (dTIR), p<0,001; derived time below range level 1 (dTBR1), p<0,001; standard deviation of blood glucose (SD), p=0,007. Determination coefficient for SLR (predictor: dTIR) — 0,844; for MLR (predictors: dTIR, dTBR1, SD) — 0,907. ANN multilayer perceptron models with two and one hidden layers’re developed, with the RMSE on the validation set 4,617 and 6,639%, respectively. The results of the forecast efficiency on the test sample were: dTIR: MAE — 6,82%, RMSE — 8,60%; SLR: MAE — 5,66%, RMSE — 7,34%; MLR: MAE — 4,18%, RMSE — 5,28%; ANN (2 layers): MAE — 4,14%, RMSE — 5,19%; ANN (1 layer): MAE — 4,44%, RMSE — 5,52%.
CONCLUSION: ANN with two hidden layers and MLR demonstrated the best ability for TIR prediction. Further studies are required for clinical validation of developed prognostic models.
The authors declare that there are no conflicts of interest present.