Гипогликемия на фоне инсулинотерапии остается наиболее опасным состоянием при сахарном диабете (СД), ассоциированным с риском потери сознания и смерти, прогрессированием диабетических макроангиопатий, существенным снижением качества жизни [1]. Ночная гипогликемия (НГ) — один из наиболее сложных вариантов дисгликемии при СД в диагностическом, профилактическом и лечебном плане: это преимущественно связано со снижением выраженности характерных симптомов и нарушением распознавания гипогликемии во время сна [2].

В настоящее время непрерывный мониторинг глюкозы (НМГ) с помощью малоинвазивных сенсоров является наиболее эффективной технологией выявления НГ благодаря непрерывному измерению глюкозы межклеточной жидкости в ночное время и системе оповещения пациента о критических изменениях гликемического статуса [3][4]. По сравнению со стандартным средством самоконтроля при СД — самостоятельным мониторингом глюкозы крови (СМГК) — НМГ имеет дополнительное преимущество в плане профилактики НГ — алгоритмы прогноза дальнейшего изменения глюкозы крови (ГК) [4]. Данные алгоритмы имеют тенденцию к постоянному повышению точности в связи с активным применением технологий машинного обучения (МО) и искусственных нейронных сетей (ИНС) [5][6].

Вместе с тем СМГК с помощью глюкометра остается базовым методом самоконтроля при СД, который на текущем этапе развития диабетологических технологий не может быть полностью заменен НМГ ввиду проблем точности современных биосенсоров [7]. Также весьма остро стоит проблема высокой стоимости проведения НМГ и ограниченных ресурсов системы здравоохранения для массового обеспечения пациентов с СД 1 типа (СД1) данной технологией [7][8]. Применительно к Российской Федерации следует отметить важные шаги в направлении решения данной проблемы: с 2023 г. сенсорами НМГ обеспечиваются дети с СД1 до 18 лет; с 2024 г. — беременные женщины с СД [9]. При этом все лица с СД1 в РФ обеспечены СМГК, что обусловливает перспективность дальнейшего развития данного метода мониторинга гликемии [9]. Одним из направлений этого развития может быть разработка высокоэффективных моделей прогноза НГ на основании данных СМГК. В исследованиях K. Sakurai и S. Wang представлены подобные алгоритмы на основании классических методов прогноза, однако информации о применении МО и ИНС в данной области нами не выявлено [10][11]. Ежедневно пополняющиеся массивы данных НМГ, потенциально являющиеся основой для создания моделей МО, в сочетании с технологиями мобильного здравоохранения открывают широкие горизонты для реализации новых подходов к самоконтролю при СД [12][13].

Разработать и валидировать прогностические модели для выявления повторяющихся НГ у пациентов с СД1 на основе дневных измерений глюкометра с использованием ИНС.

Место проведения. Кафедра эндокринологии ФГБОУ ВО Саратовский ГМУ им. В. И. Разумовского Минздрава России. Оценка эффективности разработанных прогностических алгоритмов выполнена на базе эндокринологического отделения ГУЗ «Саратовская ГКБ № 9».

Время исследования. База данных (БД) для реализации методов МО включала результаты НМГ, проведенного в период с марта 2016 г. по январь 2022 г. Обследование пациентов с целью внешней валидации прогностических моделей выполнено с ноября 2023 г. по октябрь 2024 г.

Пациенты с СД1.

Критерии включения: возраст 18–50 лет; наличие СД1, подтвержденного уровнем C-пептида < 0,2 нмоль/л; подписание пациентом добровольного информированного согласия.

Критерии исключения: беременность; период лактации; злокачественные онкологические заболевания; сердечно-сосудистая, дыхательная, почечная или печеночная недостаточность, декомпенсированные эндокринопатии, прием кортикостероидов, невозможность выполнять процедуры исследования (процедуры самоконтроля в рамках НМГ и СМГК, ведение журнала пациента).

Критерии прекращения участия в исследовании: невыполнение (некорректное выполнение) процедур исследования.

В рамках исследования применялся произвольный способ формирования выборки. Пациенты разделены на группы в зависимости от наличия повторяющихся НГ (группа НГ+) или их отсутствия (группа НГ−).

Одноцентровое проспективное наблюдательное контролируемое исследование с 7-дневным периодом наблюдения.

На этапе скрининга с целью оценки критериев включения и исключения выполнены общеклинические анализы крови и мочи, биохимический анализ крови (анализатор Mindray BS-240PRO, показатели: общий белок, альбумин, общий холестерин, глюкоза, АЛТ, АСТ, общий, прямой и непрямой билирубин, креатинин, мочевина), оценка расчетной скорости клубочковой фильтрации по формуле CKD-EPI, оценка альбумин-креатининового соотношения разовой порции мочи (анализатор Siemens Clinitek Status+), гормональный анализ крови (анализатор Roche Cobas e411, показатели: инсулин, С-пептид, ТТГ, свободный Т4, кортизол). Исследование гликированного гемоглобина (HbA1c) выполнено методом высокоэффективной жидкостной хроматографии (анализатор Bio-Rad Variant II Turbo).

Пациенты, соответствующие критериям включения и не имевшие критериев исключения, наблюдались в течение 7-дневного периода, включавшего комбинированный мониторинг гликемии (СМГК и НМГ). В период наблюдения за пациентами были минимизированы изменения текущего режима инсулинотерапии (коррекция лечения проводилась в единичных случаях в ситуациях, в которых невмешательство представляло серьезную угрозу для жизни и здоровья пациента). Все необходимые корректировки терапии выполнялись после завершения 7-дневного периода наблюдения, согласно стандартным протоколам.

Непрерывный мониторинг глюкозы.

НМГ проводился с помощью системы Medtronic Guardian Connect, сенсоров Enlite MMT-7008, установленных в абдоминальной области, с частотой измерения глюкозы межклеточной жидкости (глюкозы сенсора, ГС) каждые 5 минут. Для калибровки сенсора НМГ использовалось 4 измерения СМГК.

На основании НМГ рассчитаны следующие параметры:

1) ГС средняя;

2) индикатор гликемического контроля (glucose management indicator, GMI);

3) 5-й перцентиль ГС в период времени с 00:00 до 06:00 (5п-ГС(00:00–06:00));

4) время в целевом диапазоне (time in range, TIR);

5) время выше (time above range, TAR) и ниже (time below range, TBR) целевого диапазона;

6) показатели вариабельности гликемии (ВГ): стандартное отклонение (standard deviation, SD), коэффициент вариации (coefficient of variation, CV), средняя амплитуда колебаний гликемии (mean amplitude of glycemic excursions, MAGE);

7) графики амбулаторного гликемического профиля (АГП): медиана, 1-й и 3-й квартили ГС.

Самостоятельный мониторинг глюкозы крови.

СМГК проводился в период времени с 06:00 до 24:00 с помощью глюкометра Contour Plus One 7 раз в сутки: до и через 2 часа после основных приемов пищи, перед сном. На протяжении периода наблюдения пациенты вели рукописные журналы с фиксацией ключевых событий: измерения ГК, время приемов пищи, количество съеденных углеводов по системе хлебных единиц (ХЕ), дозы вводимого инсулина, физическая активность.

Расчетные интегральные показатели СМГК включали:

1) ГК средняя;

2) GMI;

3) расчетное время в целевом диапазоне (derived time in range, dTIR),

4) расчетное время выше (derived time above range, dTAR) и ниже (derived time below range, dTBR) целевого диапазона.

5) показатели ВГ: SD, CV, MAGE.

6) адаптированные графики амбулаторного гликемического профиля (АГП) для СМГК с расчетом медианы, 1-го и 3-го квартилей ГК для каждого из 24 часовых интервалов суток в течение 7-дневного периода (всего 72 значения).

Информационные технологии анализа данных НМГ и СМГК.

При расчете TIR и dTIR принимался целевой диапазон гликемии — 3,9–10,0 ммоль/л; для параметров TBR и dTBR рассчитывались общее значение (TBR-общ., dTBR-общ.), а также показатели гипогликемии 1-го и 2-го уровней (TBR-1, TBR-2, dTBR-1, dTBR-2) согласно международным клиническим рекомендациям по НМГ [14]. Вычисления выполнены с помощью мобильного приложения DiaLog GM (авторы: Русанов А. Н., Родионова Т. И.; свидетельство о государственной регистрации программы для ЭВМ № 2022665169 от 11.08.2022) [15].

В качестве критерия НГ принимался эпизод снижения ГС по данным НМГ ниже 3,9 ммоль/л длительностью не менее 15 минут в период времени с 00:00 до 06:00. «Повторяющаяся ночная гипогликемия» определялась как наличие НГ в течение двух и более ночей в течение 7-дневного периода наблюдения. Поиск эпизодов НГ и подсчет количества ночей с НГ были автоматизированы с помощью алгоритма на языке программирования Python (v. 3.10), согласно вышеуказанным логическим условиям.

Основная задача разработанного алгоритма МО заключалась в выявлении у пациента наличия повторяющейся НГ на основании данных СМГК, полученных за дневное время суток в течение периода наблюдения. Входными данными модели прогноза служили интегральные показатели гликемического контроля и показатели адаптированного АГП, рассчитанные с помощью приложения DiaLog GM. Пропуски в структуре адаптированного АГП для каждого из 24 часовых интервалов СМГК замещены с помощью метода линейной интерполяции (язык программирования Python (v. 3.10), библиотека Pandas, метод DataFrame.interpolate()).

Для разработки моделей ИНС использовалось программное обеспечение SPSS Statistics (v. 27.0), модуль «Нейронные сети». Исследовались 2 варианта моделей с использованием технологии ИНС: модель ИНС-1 — на основании дневных данных СМГК; модель ИНС-2 — на основании дневных данных СМГК и дополнительного прогноза ночной гликемии. Основной задачей дополнительного прогноза ночной динамики ГК в модели ИНС-2 было выделение дополнительных прогностических факторов повторяющейся НГ в условиях ограниченного числа пациентов в базе данных для обучения. Архитектура ИНС — многослойный перцептрон (МСП); оптимизация ИНС проводилась с помощью алгоритма градиентного спуска, минимизации средней квадратичной ошибки (mean square error, MSE) для задач регрессии, минимизации кросс-энтропии для задач классификации. Предварительно проведена нормализация данных, включенных в модель ИНС (приведение числовых значений к шкале от 0,0 до 1,0). Данные в процессе обучения автоматически разделялись на обучающую и проверочную выборки в соотношении 80 и 20%. Подбор гиперпараметров ИНС (число слоев, число нейронов в каждом слое, функция активации нейронов) проводился эмпирическим путем в рамках серии экспериментов, по результатам которых выбиралась модель с наилучшей предсказательной способностью. В качестве альтернативного метода прогноза использовалась модель на основе логистической регрессии (модель ЛР) с прямым пошаговым включением предикторов.

Для обучения прогностических моделей использовалась БД пациентов, прошедших НМГ с помощью системы Medtronic iPro 2 в г. Саратове (свидетельство о государственной регистрации БД № 2025622962 от 11.07.2025). Указанная БД содержит результаты обследования 568 пациентов с СД1, разделенных на основную (454 пациента) и тестовую группы (114 пациентов); методы разработки БД, характеристики групп описаны ранее [15]. Помимо данных НМГ в этой БД содержатся результаты гипотетических моделей 7-точечного СМГК (созданы с помощью компьютерного алгоритма на языке программирования Python (v. 3.10), выбирающего из массива данных НМГ пре- и постпрандиальные значения ГС). Данные основной группы этой БД применялись для обучения моделей прогноза; с использованием тестовой группы выполнена внутренняя валидация.

Внешняя валидация моделей проведена в группе вновь обследованных пациентов. На этапе внешней валидации обучающая выборка увеличена (использованы записи всех 568 пациентов), после чего произведено повторное обучение и перерасчет коэффициентов прогностических моделей (без изменения архитектуры моделей ИНС и включенных предикторов модели ЛР).

Статистический анализ выполнен с помощью программного обеспечения SPSS Statistics (v. 27.0), Microsoft Office Excel 2019. Количественные данные представлены в виде медианы и квартилей — Me [ Q1; Q3]. При оценке межгрупповых различий применялся U-критерий Манна–Уитни; учитывая описательный и разведочный характер сравнительного анализа, поправка на множественные сравнения не применялась. Для поиска потенциальных предикторов повторяющейся НГ применялся метод однофакторной логистической регрессии с оценкой отношения шансов (ОШ). Для расчета минимального размера выборки применено программное обеспечение Power Analysis And Sample Size 2024 (PASS 2024). С учетом заданных параметров (ожидаемая площадь под кривой прогностических моделей >0,7; мощность исследования — 80%, вероятность ошибки первого рода <5%) минимальный объем выборки составил 109 пациентов. Эффективность прогнозирования ночных показателей ГК оценивалась с помощью параметров MSE, квадратного корня из MSE (root mean square error, RMSE), средней абсолютной ошибки (mean absolute error, MAE). Эффективность выявления повторяющейся НГ оценивалась с помощью ROC-анализа и вычисления площади под ROC-кривой (area under the curve, AUC). В качестве критического уровня статистической значимости принималось значение p < 0,05.

Проведение исследования одобрено на заседании локального этического комитета ФГБОУ ВО Саратовский ГМУ им. В. И. Разумовского Минздрава России, г. Саратов, протокол № 4 от 7 ноября 2023 г.

На этапе скрининга в исследование включен 141 пациент, процесс отбора участников представлен на потоковой диаграмме (рисунок 1).

Окончательный анализ включал данные 116 пациентов (в группе НГ+ — 31 пациент; в группе НГ− — 85 пациентов), частота повторяющейся НГ в исследуемой группе составила 26,7 %, количество ночей с зафиксированной НГ на одного пациента в группе НГ− составило 3 [ 2; 3]. Описательная статистика групп исследования представлена в таблице 1. Между группами не выявлено статистически значимых различий по возрасту, полу, длительности СД, используемому режиму инсулинотерапии, суточной дозе инсулина, HbA1c (p>0,05). Общее значение HbA1c в обеих группах — 8,0 [ 6,7; 8,9]%. Число измерений на одного пациента для НМГ составило 1866 [ 1702; 1949], для СМГК — 45 [ 43; 46]; в анализ включено 211 629 измерений НМГ, 5186 измерений СМГК. Полнота данных для НМГ составила 84 [ 77; 88]%, для СМГК — 92 [ 88; 94]%.

При сравнительном анализе показателей гликемического контроля в группе НГ+ наблюдались более высокие (p < 0,001) показатели НМГ и СМГК, ассоциированные с нахождением ниже целевого диапазона гликемии: TBR-общ., TBR-1, TBR-2, dTBR-общ., dTBR-1, dTBR-2. Параметры ВГ по данным НМГ также были выше в группе НГ+: SD (p=0,021), CV (p<0,001), MAGE (p=0,006). При этом для СМГК отличия между группами относительно ВГ наблюдались только для показателя CV (p<0,001).

При анализе БД для обучения прогностических моделей (n = 568) повторяющаяся НГ была выявлена у 121 пациента (21,3%): в обучающей выборке (n=454) — у 94 пациентов (20,7%); в тестовой выборке (n=114) — у 27 пациентов (23,7%). Количество ночей с зафиксированной НГ на одного пациента составило 2 [ 2; 2], что ниже по сравнению с группой внешней валидации (p=0,032). Интегральные показатели мониторинга гликемии в обучающей и тестовой выборке описаны в более ранней публикации [15]. Общие показатели гликемического контроля в БД для обучения, результаты оценки их взаимосвязи с наличием повторяющейся НГ посредством однофакторной ЛР представлены в таблице 2. Ожидаемо наиболее существенным фактором риска повторяющейся НГ являлось значение 5п-ГС (00:00–06:00): ОШ=0,37 (95% ДИ 0,33–0,58, p<0,001).

Среднегрупповые значения АГП для НМГ и СМГК в анализируемых группах представлены на рисунке 2. Каждая часовая точка индивидуальных графиков АГП (данных СМГК) в дальнейшем использовалась как отдельный входной параметр для прогностических моделей.

При построении модели ИНС-1 в качестве предикторов повторяющихся НГ использовались данные СМГК, рассчитанные с помощью приложения DiaLog GM: интегральные показатели гликемического контроля и данные АГП (всего 82 параметра). Наилучший результат прогноза продемонстрировала ИНС со следующей архитектурой: МСП с входным слоем на 82 нейрона (число нейронов соответствовало числу анализируемых показателей), 2 полносвязных скрытых слоя, содержащих 64 и 16 нейронов (функция активации — сигмоидальная), выходной слой из 2 нейронов (вероятность наличия или отсутствия НГ, функция активации — Softmax), по окончании обучения ИНС-1 AUC в обучающей выборке — 0,874 (95% ДИ 0,798–0,949; p < 0,001).

При разработке модели ИНС-2 на основании 82 параметров приложения DiaLog GM проведен прогноз 5п-ГС (00:00–06:00) с помощью МСП. При оценке предсказанного значения 5п-ГС (00:00–06:00) в качестве потенциального предиктора повторяющейся НГ ОШ=0,39 (95% ДИ 0,22–0,69, p<0,001). Предсказанное значение 5п-ГС (00:00–06:00) вместе с 82 показателями приложения DiaLog GM было включено в модель МСП для прогноза ночного тренда ГС (25-й перцентиль ГС за каждый часовой период с 00:00 до 06:00, всего 6 значений). Показатели эффективности прогноза показателей ночной динамики ГК представлены в таблице 3; в дальнейшем данные показатели вместе с интегральными параметрами СМГК (17 параметров) подавались на входной слой МСП с 2 скрытыми слоями из 16 и 4 нейронов (функция активации — сигмоидальная), выходным слоем на 2 нейрона (вероятность наличия или отсутствия НГ, функция активации — Softmax). По окончании обучения ИНС-2 AUC в обучающей выборке составила 0,880 (95% ДИ 0,802–0,958; p<0,001). Процесс предварительной обработки данных, структура моделей ИНС-1 и ИНС-2 представлены на рисунке 3.

Параметры окончательной модели ЛР представлены в таблице 4. При разработке модели ЛР выбросы предсказанной вероятности НГ (n=17) удалялись из обучающей выборки, после чего производился перерасчет коэффициентов. Для финальной модели ЛР AUC в обучающей выборке составила 0,782 (95% ДИ 0,717–0,847; p<0,001).

Результаты оценки эффективности разработанных моделей на этапах внутренней и внешней валидации представлены в таблице 5. ROC-кривые для вычисленных вероятностей повторяющейся НГ представлены на рисунке 4.

В группе внутренней валидации более высокие показатели AUC, чувствительности и специфичности наблюдались для модели ИНС-1; в группе внешней валидации — для модели ИНС-2.

Среди включенных в исследование пациентов преобладали лица молодого возраста, обследованные в стационарных условиях, с несколько более высокими значениями HbA1c по сравнению со средними показателями пациентов с СД1, включенных в базу данных клинико-эпидемиологического мониторинга СД на территории Российской Федерации [9]. Отметим, что более низкий уровень HbA1c (по сравнению с медианным показателем в БД для обучения) не привел к ухудшению результатов прогноза в группе внешней валидации. Тем не менее следует с осторожностью экстраполировать результаты проведенного исследования на генеральную совокупность лиц с СД1.

По результатам проведенного исследования модели на базе ИНС продемонстрировали достаточно высокую эффективность выявления повторяющейся НГ. В более ранних публикациях сообщалось о потенциале ИНС для прогноза НГ, в которых в качестве входной информации использовались данные НМГ: интегральные показатели гликемического контроля и ГК в различные промежутки времени [16][17]. Ключевым отличием проведенной нами работы являлось применение показателей СМГК в дневное время суток в качестве входных данных для ИНС; НМГ использовался только в качестве эталонного метода выявления НГ.

При анализе актуальной литературы не было обнаружено публикаций о применении технологии ИНС для прогноза НГ на основании данных СМГК, подобные исследования основывались только на традиционных прогностических моделях [10][11]. В исследовании K. Sakurai и соавт. (29 пациентов) для прогноза минимального значения ГК предложена формула на базе МЛР (предикторы: возраст пациента, ГК натощак, доза базального инсулина) [10]. В проведенном нами исследовании отчасти использовалась похожая концепция — прогноз 5п-ГС (00:00–06:00) в модели ИНС-2, но с помощью ИНС; прямое сопоставление с работой K. Sakurai и соавт. затруднительно в связи с существенными различиями в методологии исследований.

Оценка ВГ может оказаться крайне полезной с точки зрения прогноза НГ, в настоящий момент известна значимая ассоциация между риском гипогликемии и ВГ (особенно для параметра CV, рассчитанного на основании НМГ) [18]. Результаты нашего исследования подтверждают эту ассоциацию; дополнительно установлено, что параметр CV, рассчитанный на основании СМГК в дневное время суток, также может являться значимым предиктором НГ (ОШ=1,12 (95% ДИ 1,09–1,15), p<0,001). В исследовании S. Wang и соавт. с включением 313 пациентов с СД 2 типа (СД2) представлена модель прогноза НГ на основании показателя ВГ, рассчитанного на основании СМГК [11]. Разработанная S. Wang и соавт. модель демонстрировала AUC=0,587; чувствительность — 66,7%, специфичность — 50,0%. Все разработанные нами модели продемонстрировали более высокую эффективность прогноза НГ, наилучший результат был получен в группе внешней валидации при использовании модели ИНС-2: AUC=0,907; чувствительность — 93,5%; специфичность — 82,7%. К недостаткам предлагаемого нами подхода стоит отнести большую сложность реализации, однако внедрение моделей ИНС в специализированные мобильные приложения для СМГК может существенно упростить процедуру прогноза НГ при СД1.

Результаты проведенного исследования могут способствовать оптимизации мониторинга гликемии при СД1 в стационарных и амбулаторных условиях. С помощью разработанного мобильного приложения для базового СМГК адаптированы основные подходы к анализу данных, применяемых при НМГ: оценка времени нахождения в различных диапазонах гликемии, исследование ВГ, построение графика АГП. На основании этих параметров разработаны модели прогноза, основной прикладной задачей которых является выявление риска НГ, особенно у пациентов с нарушением распознавания гипогликемий. При выявлении повышенного риска повторяющихся НГ рекомендуется интенсифицировать мониторинг гликемии в ночные часы: проведение дополнительных измерений при СМГК или назначение НМГ. Вышеуказанный подход может улучшить выявление НГ с последующей коррекцией инсулинотерапии, что в перспективе повысит безопасность заместительной терапии, уменьшит число случаев экстренных госпитализаций, повысит качество и продолжительность жизни при СД1.

Среди включенных в исследование пациентов преобладали лица, обследованные в стационарных условиях, что потенциально могло привести к смещению выборки; требуются дальнейшие исследования эффективности разработанных моделей среди пациентов с СД1 в условиях амбулаторной практики.

Существующая погрешность в измерениях современных систем НМГ создает риск ошибочной классификации пациентов по наличию повторяющейся НГ. Для минимизации этого риска применялась более частая калибровка сенсора НМГ [19]. Также следует учитывать синтетический характер профилей СМГК в БД для обучения моделей; тем не менее результаты внешней валидации с использованием реальных данных СМГК указывают на правомерность используемого подхода.

Разработанные модели напрямую не включали информацию о наличии нарушения распознавания гипогликемии и купировании НГ. Однако эти факторы учитывались косвенно через способность ИНС моделировать ночной тренд гликемии и показатели СМГК в утренние часы (возможная гипергликемия при купировании эпизода НГ и феномене Сомоджи, сохраняющаяся гипогликемия после 6:00).

База данных для обучения моделей содержала записи о 568 пациентах; вместе с тем актуальная практика в области МО часто предполагает использование существенно большего количества объектов для подобных задач [12]. Увеличение объема БД для обучения может повысить эффективность разработанных моделей: на этапе внешней валидации (обучающая выборка — 568 пациентов) эффективность прогноза была более высокой для всех разработанных моделей прогноза по сравнению с этапом внутренней валидации (обучающая выборка — 454 пациента). Проведенное исследование указывает на потенциал технологий МО и ИНС, однако для достижения максимальной эффективности подобных моделей требуется дальнейшая работа по накоплению «больших данных» мониторинга гликемии при СД.

В дальнейшем планируется продолжение исследований по оценке эффективности предлагаемого подхода в условиях реальной клинической практики у пациентов различных возрастных групп с СД1, пациентов с СД2, получающих инсулинотерапию. Планируется интеграция разработанных моделей ИНС в программное обеспечение для мониторинга гликемии с целью создания полноценного инструмента для оценки риска повторяющейся НГ. Планируется дальнейшее увеличение базы данных для реализации технологии МО, исследование альтернативных моделей прогноза, различных архитектур ИНС, применение концепции «глубокого обучения» при разработке моделей ИНС.

В рамках настоящего исследования разработанные модели ИНС для выявления повторяющихся НГ продемонстрировали бóльшую эффективность прогноза по сравнению с моделью на базе ЛР. Получены неоднозначные результаты относительно более предпочтительного варианта модели ИНС для прогноза повторяющихся НГ. На этапе внешней валидации отмечена лучшая прогностическая способность модели, в которой ИНС предварительно применялась для прогноза ночного тренда ГК, после чего предсказанные значения включались в финальную прогностическую модель повторяющихся НГ. Представляется перспективным совершенствование систем СМГК с помощью специализированных мобильных приложений и прогностических моделей на базе ИНС с целью выявления повторяющихся НГ при СД1, а также дальнейшее увеличение баз данных для обучения подобных моделей. Такой подход может способствовать оптимизации самоконтроля, повышению эффективности и безопасности инсулинотерапии при СД1.

Источники финансирования. Работа выполнена по инициативе авторов без привлечения финансирования.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с содержанием настоящей статьи.

Участие авторов. Русанов А. Н. — разработка концепции и дизайна исследования, проведение процедур исследования, разработка программного обеспечения, статистический анализ полученных данных, написание текста статьи; Родионова Т. И. — разработка концепции и дизайна исследования, статистический анализ полученных данных, написание текста статьи. Оба автора одобрили финальную версию статьи перед публикацией, согласились нести ответственность за все аспекты работы, подразумевающую надлежащее изучение и решение вопросов, связанных с точностью или добросовестностью любой части работы.