基于强化学习的双模式自适应基础-餐时胰岛素建议器
系统与控制
2024-12-20 v1 机器学习
系统与控制
摘要
1 型糖尿病患者(T1D)通常使用自我血糖监测(SMBG)与连续血糖监测(CGM)来测量葡萄糖浓度。所提出的自适应基础-餐时算法(ABBA)支持来自 SMBG 或 CGM 设备的输入，基于患者前一日葡萄糖水平提供个性化的每日基础率与餐时胰岛素剂量建议。ABBA 基于强化学习(RL)——一种人工智能——并在体外以 FDA 认可的 100 名成人群体在不同持续三个月模拟的现实场景中验证。场景涉及每日三顿主餐与一次睡前零食，以及胰岛素敏感性、进餐时间、碳水化合物量与葡萄糖测量时间的不同变异与不确定性。结果表明，所提方法以 CGM 或 SMBG 作为输入信号均取得相当性能，且不影响每日总胰岛素剂量。结果是一个有前景的指示：AI 算法方法可提供个性化自适应胰岛素优化并实现血糖控制——且与葡萄糖监测技术类型无关。
引用
@article{arxiv.1901.01816,
title = {A dual mode adaptive basal-bolus advisor based on reinforcement learning},
author = {Qingnan Sun and Marko V. Jankovic and João Budzinski and Brett Moore and Peter Diem and Christoph Stettler and Stavroula G. Mougiakakou},
journal= {arXiv preprint arXiv:1901.01816},
year = {2024}
}
备注
9 pages, 8 figures, accepted by Journal of Biomedical and Health Informatics in December 2018