年龄专用模型在低血糖分类中的影响

疾病进展随年龄变化，受基因、生化和激素因素的影响，暗示需要超越标准临床指南的个性化监测、护理和药物管理。具体而言，在自身免疫性疾病如1型糖尿病(T1D)中，患者依赖外源胰岛素来弥补胰岛素缺乏，药物剂量和反映于生命体征的生理响应可能不同。胰岛素治疗可导致低血糖，这是一种血糖水平降低（≤70 mg/dL）的危险情况。通过数据分析改善糖尿病管理可最大程度降低此风险。值得注意的是，利用连续血糖监测（CGM）设备的数据，可预测低血糖发作。然而，尽管血糖波动、抗体水平和低血糖发生率在不同年龄组之间存在差异，但低血糖分类通常仅依赖于针对特定年龄范围的群体模型。在本工作中，我们使用D1Data（D1Data）这一大型T1D患者（从儿童到老年人）的CGM数据集，对低血糖发生前0、5-15、20-45和50-120分钟的时段进行分类。具体研究包括：1）包含所有年龄组的群体模型的可推广性，2）按年龄组分别训练的年龄分段模型的影响，以及3）通过迁移学习实现的模型个性化。结果表明，全局群体模型的性能与或优于年龄分段模型。这些发现表明，儿童、青少年和成人的数据可用于训练低血糖分类模型。尽管血糖波动在不同年龄组间存在差异，但短期低血糖模式相似。然而，儿童的数据在年龄专用模型下获得最佳召回率。