基于高斯过程学习与风险敏感控制的贝叶斯优化辅助餐时 bolus 决策
系统与控制
2021-01-21 v1 系统与控制
摘要
有效的餐后血糖控制对糖尿病患者的葡萄糖管理十分重要。本工作中，提出了一种数据驱动的餐时 bolus 决策方法，无需受试者特异的葡萄糖管理参数。餐后葡萄糖动力学使用高斯过程回归学习。考虑到高血糖与低血糖的非对称风险以及预测葡萄糖轨迹中的不确定性，设计了非对称风险敏感代价函数。由于代价函数的梯度不可用，采用贝叶斯优化求解该优化问题。所提方法使用 FDA 认可的 UVA/Padova T1DM 模拟器的 10 名成人队列进行评估，并与标准胰岛素 bolus 计算器比较。对于已宣告进餐的情形，所提方法在平均葡萄糖及 [70, 180] mg/dL 内时间占比方面取得了满意且相近的性能，且不增加低血糖风险。对于无进餐信息（假设患者饮食一致）及基础率不匹配的情形也观察到类似结果。此外，基于临床数据进行了建议模式分析，表明该方法可在真实临床环境中确定安全合理的餐时 bolus。结果验证了所提方法的有效性与鲁棒性，并表明通过数据驱动的最优控制方法实现改善餐后葡萄糖调控的可行性。
引用
@article{arxiv.2101.08044,
title = {Bayesian Optimization Assisted Meal Bolus Decision Based on Gaussian Processes Learning and Risk-Sensitive Control},
author = {Deheng Cai and Wei Liu and Linong Ji and Dawei Shi},
journal= {arXiv preprint arXiv:2101.08044},
year = {2021}
}