糖尿病进展的多模态预测模型
机器学习
2019-07-30 v1 信号处理
机器学习
摘要
随着可穿戴设备日益普及，对个体生理与行为模式的持续监测变得显著更易获取。获取这些关于个体状态的连续模式，为研究复杂疾病与健康状况（如 2 型糖尿病（T2D））提供了前所未有的机遇。T2D 是一种广泛常见的慢性疾病，其根源与进展模式尚未被完全理解。预测 T2D 的进展可指导及时且更有效的干预以预防或管理该疾病。在本研究中，我们使用了一个包含 63 名 T2D 患者的数据集，其中包括患者佩戴的两种不同类型可穿戴设备的数据：连续血糖监测（CGM）设备与活动追踪器（ActiGraphs）。利用该数据集，我们建立了一个模型，用于预测一年后与 T2D 相关的四种主要生物标志物的水平。我们开发了宽深神经网络，并使用来自人口统计学信息、实验室检测与可穿戴传感器的数据来建立模型。我们方法的深层部分基于长短期记忆（LSTM）结构设计，以处理由可穿戴设备收集的时间序列数据集。在预测四种生物标志物的模式中，我们对 HBA1c 获得 1.67% 的均方根误差，对高密度脂蛋白胆固醇获得 6.22 mg/dl，对低密度脂蛋白胆固醇获得 10.46 mg/dl，对甘油三酯获得 18.38 mg/dl。与现有的 T2D 研究模型相比，我们的模型提供了一个更全面的工具，用于结合导致该疾病的多种多样的因素。
引用
@article{arxiv.1907.12175,
title = {Multi-modal Predictive Models of Diabetes Progression},
author = {Ramin Ramazi and Christine Perndorfer and Emily Soriano and Jean-Philippe Laurenceau and Rahmatollah Beheshti},
journal= {arXiv preprint arXiv:1907.12175},
year = {2019}
}