Система анализа и раннего предупреждения изменения гликемичсеких отклонений
Введение
Одной из глобальных проблем современной медицины является сахарный диабет (СД), и прежде всего, СД 2 типа, который составляет около 90 % всех случаев заболевания и имеет пандемический характер распространение во всем мире. Согласно данным Международной Диабетической федерации (IDF) в 2019 году было зарегистрировано 425 млн. больных СД и 352 млн. людей с нарушенной толерантностью к глюкозе, которые имеют высокий риск развития диабета. В 2045 г. ожидается увеличение числа больных СД до 629 млн.
Ключевым звеном патогенеза СД 2 типа и метаболического синдрома (МС) считается первичная инсулинорезистентность, при которой происходят значительные нарушения углеводного и липидного обмена, повышающие риск развития сердечно-сосудистых заболеваний, прогрессирование атеросклероза и смертность среди больных СД 2 типа. В связи с этим основной стратегией современной терапии СД 2 типа является предупреждение развития сердечно-сосудистых осложнений, что предполагает строгий контроль гликемии.
Диссертация посвящена разработке автоматизированных способов повышения эффективности медицинской диагностики по клиническим данным с помощью программного обеспечения, полученным диагностическими средствами. Актуальность темы работы обусловлена как потребностями медицины в эффективных способах анализа и раннего предупреждения изменения гипергликемических отклонений, которые даже в латентной форме сопровождаются опасными поздними осложнениями, так и необходимостью в разработке биотехнических систем (БТС) медицинского назначения с обработкой клинических данных на основе математических моделей соответствующих физиологических процессов.
Оглавление
Введение 3
Глава 1 Анализ предметной области анализа и раннего предупреждения изменения гипергликемических отклонений 5
1.1 Анализ ключевых понятий и параметров изучаемой области в медицине 5
1.2 Системы и датчики анализа и предупреждения состояния пациента при различных этиологиях 18
1.3 Функциональные требования к системе анализа и раннего предупреждения гликемических отклонений 20
Выводы 23
Глава 2 Исследование методов и решений для анализа и раннего предупреждения при различных этиологиях пациента 23
2.1 Математическое моделирование 23
2.2 Машинное обучение в сфере клинических данных пациентов 29
2.3 Решение проблем предупреждения заболеваний с помощью телемедицины 34
2.4 Распределенные системы приложений 38
2.5 Микросервисная архитектура 41
Выводы 43
Глава 3 Проектирование системы анализа и раннего предупреждения изменения гликемических отклонений 44
3.1 Архитектура приложения анализа и предупреждения гликемических отклонений 44
3.2 Проектирование базы данных приложения анализа и предупреждения гликемических отклонений 45
3.3 Подготовка обучающего набора данных в качестве входных параметров обучения и алгоритм анализа данных 46
3.4 Проектирование интерфейса приложения 48
Выводы 48
Глава 4 Разработка и тестирование системы анализа и раннего предупреждения изменения гликемических отклонений 49
4.1 Программное обеспечение для реализации системы анализа и предупреждения гликемических отклонений 49
4.2 Развертывание и настройка серверов Ngnix и uWSGI 52
4.3 Разработка и тестирование WEB-клиента VueJS 56
4.4 Реализация сервиса анализа входящих данных на Python 56
Выводы 60
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 62
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ
1. Шлапак И. П., Галушко А. А. сахарный диабет: взгляд с позиции врача анестезиолога. - К.: Книга-плюс, 2010. - 160 С.
2. Ефимов А. С., Скробонская н.а. клиническая диабетология. - К.: здоровье, 1998. - 320 с.
3. Маньковский Б. Н. коматозные состояния при сахарном диабете. / Острые и неотложные состояния в практике врача, 2006, № 1. - С. 28-31.
4. Parmar MS. Recurrent hypoglycaemia in a diabetic patient as a result of unexpected renal failure. BMJ. 2004 Apr 10; 328(7444):883-4.
5. Gonzalez-Campoy J. M., Robertson R.P. Diabetic ketoacidosis and hyperosmolar nonketotic state: gaining control over extreme hyperglycemic complications // Postgraduate Medicine. — 1996. — Vol. 99. — P. 143—152.
6. Kitabchi A.E. Diabetic ketoacidosis and hyperglycemic, hyperosmolar nonketotic state / A.E. Kitabchi, J.N. Fisher, M.B. Murphy [et al.] // In: Kahn C.R., Weir G.C. (ed.): Joslin’s diabetes mellitus textbook. — Philadelphia: Lea & Febiger, 1993. — P. 753—760.
7. Guariguata L. By the numbers: New estimates from the IDF diabete atlas update for 2012. Diabetes Res Clin Pract. 2012;98:524–5. [PubMed] [Google Scholar]
8. Gujral UP, Pradeepa R, Weber MB, Narayan KM, Mohan V. Type 2 diabetes in South Asians: Similarities and differences with white Caucasian and other populations. Ann N Y Acad Sci. 2013;1281:51–63. [PMC free article] [PubMed] [Google Scholar]
9. Anjana RM, Pradeepa R, Deepa M, Datta M, Sudha V, Unnikrishnan R, et al. Prevalence of diabetes and prediabetes (impaired fasting glucose and/or impaired glucose tolerance) in urban and rural India: Phase I results of the Indian Council of Medical Research-India Diabetes (ICMR-INDIAB) study. Diabetologia. 2011;54:3022–7. [PubMed] [Google Scholar]
10. Chan JC, Gagliardino JJ, Baik SH, Chantelot JM, Ferreira SR, Hancu N, et al. Multifaceted determinants for achieving glycemic control: The International Diabetes Management Practice Study (IDMPS) Diabetes Care. 2009;32:227–33. [PMC free article] [PubMed] [Google Scholar]
11. Klonoff DC. Diabetes and telemedicine: Is the technology sound, effective, cost-effective, and practical? Diabetes Care. 2003;26:1626–8. [PubMed] [Google Scholar]
12. Bove AA, Homko CJ, Santamore WP, Kashem M, Kerper M, Elliott DJ. Managing hypertension in urban underserved subjects using telemedicine – A clinical trial. Am Heart J. 2013;165:615–21. [PubMed] [Google Scholar]
13. Cuadros J, Bresnick G. EyePACS: An adaptable telemedicine system for diabetic retinopathy screening. J Diabetes Sci Technol. 2009;3:509–16. [PMC free article] [PubMed] [Google Scholar]
14. von Wangenheim A, Barcellos CL, Jr, Andrade R, de Carlos Back Giuliano I, Borgatto AF, de Andrade DF. Implementing DICOM structured reporting in a large-scale telemedicine network. Telemed J E Health. 2013;19:535–41. [PMC free article] [PubMed] [Google Scholar]
15. Bellazzi R. Telemedicine and diabetes management: Current challenges and future research directions. J Diabetes Sci Technol. 2008;2:98–104. [PMC free article] [PubMed] [Google Scholar]
16. Kesavadev J, Das AK, Unnikrishnan R, 1st, Joshi SR, Ramachandran A, Shamsudeen J, et al. Use of insulin pumps in India: Suggested guidelines based on experience and cultural differences. Diabetes Technol Ther. 2010;12:823–31. [PMC free article] [PubMed] [Google Scholar]
17. García-Sáez G, Hernando ME, Martínez-Sarriegui I, Rigla M, Torralba V, Brugués E, et al. Architecture of a wireless personal assistant for telemedical diabetes care. Int J Med Inform. 2009;78:391–403. [PubMed] [Google Scholar]
18. Boren SA, Puchbauer AM, Williams F. Computerized prompting and feedback of diabetes care: A review of the literature. J Diabetes Sci Technol. 2009;3:944–50. [PMC free article] [PubMed] [Google Scholar]
19. Adkins JW, Storch EA, Lewin AB, Williams L, Silverstein JH, Malasanos T, et al. Home-based behavioral health intervention: Use of a telehealth model to address poor adherence to type-1 diabetes medical regimens. Telemed J E Health. 2006;12:370–2. [PubMed] [Google Scholar]
20. Lehmann ED, Deutsch T. Application of computers in diabetes care — A review. I. Computers for data collection and interpretation. Med Inform (Lond) 1995;20:281–302. [PubMed] [Google Scholar]
21. Lehmann ED, Deutsch T. Application of computers in diabetes care — A review. II. Computers for decision support and education. Med Inform (Lond) 1995;20:303–29. [PubMed] [Google Scholar]
22. Hetlevik I, Holmen J, Krüger O, Kristensen P, Iversen H, Furuseth K. Implementing clinical guidelines in the treatment of diabetes mellitus in general practice. Evaluation of effort, process, and patient outcome related to implementation of a computer-based decision support system. Int J Technol Assess Health Care. 2000;16:210–27. [PubMed] [Google Scholar]
23. Kesavadev J, Shankar A, Rasheed SA, Nair DR. Achieving desirable glycemic targets without the risks of hypoglycemia using a teletitration programme. [Last accessed on 2015 Aug 4];Diabetes. 2007 56(suppl 1):A112. Available from: http://www.professional.diabetes.org/Abstracts_Display.aspx?TYP=1 and CID=54139 . Abstract. [Google Scholar]
24. Kesavadev J, Shankar A, Shamsudeen J, Dinkar G, Pilllai PB. Telefollow up and SMBG via “DTMS” – A cost effective Tool for A1c lowering. [Last accessed on 2015 Aug 04];Diabetes. 2010 59(suppl 1):A546. Available from: http://www.professional.diabetes.org/Abstracts_Display.aspx?TYP=1 and CID=80992 . Abstract. [Google Scholar]
25. Kesavadev J, Shankar A, Shamsudeen J, Dinkar G, Pillai PBS, Gopalakrishnan G, et al. A1c, BP and LDL goals: Successful use of telemedicine (DTMS™) in 1000 compliant T2DM subjects over 6 months. [Last accessed on 2015 Aug 04];Diabetes. 2011 60(suppl 1):A63. Available from: http://www.professional.diabetes.org/Abstracts_Display.aspx?TYP=1 and CID=86815 . Abstract. [Google Scholar]
26. Klonoff DC, True MW. The missing element of telemedicine for diabetes: Decision support software. J Diabetes Sci Technol. 2009;3:996–1001. [PMC free article] [PubMed] [Google Scholar]
27. Dalton JE. Web-based care for adults with type 2 diabetes. Can J Diet Pract Res. 2008;69:185–91. [PubMed] [Google Scholar]
28. Bellazzi R, Larizza C, Montani S, Riva A, Stefanelli M, d’Annunzio G, et al. A telemedicine support for diabetes management: The T-IDDM project. Comput Methods Programs Biomed. 2002;69:147–61. [PubMed] [Google Scholar]
29. Hejlesen OK, Plougmann S, Ege BM, Larsen OV, Bek T, Cavan D. Using the internet in patient-centred diabetes care for communication, education, and decision support. Stud Health Technol Inform. 2001;84(Pt 2):1464–8. [PubMed] [Google Scholar]
30. Hernando ME, Gómez EJ, Corcoy R, del Pozo F. Evaluation of DIABNET, a decision support system for therapy planning in gestational diabetes. Comput Methods Programs Biomed. 2000;62:235–48. [PubMed] [Google Scholar]
31. Davis S, Alonso MD. Hypoglycemia as a barrier to glycemic control. J Diabetes Complications. 2004;18:60–8. [PubMed] [Google Scholar]
32. Cryer PE. Hypoglycemia-associated autonomic failure in diabetes. Handb Clin Neurol. 2013;117:295–307. [PubMed] [Google Scholar]
33. Marcolino MS, Maia JX, Alkmim MB, Boersma E, Ribeiro AL. Telemedicine application in the care of diabetes patients: Systematic review and meta-analysis. PLoS One. 2013;8:e79246. [PMC free article] [PubMed] [Google Scholar]
34. The effect of intensive treatment of diabetes on the development and progression of long-term complications in insulin-dependent diabetes mellitus. The Diabetes Control and Complications Trial Research Group. N Engl J Med. 1993;329:977–86. [PubMed] [Google Scholar]
35. Effect of intensive blood-glucose control with metformin on complications in overweight patients with type 2 diabetes (UKPDS 34). UK Prospective Diabetes Study (UKPDS) Group. Lancet. 1998;352:854–65. [PubMed] [Google Scholar]
36. Kesavadev J, Shankar A, Pillai PB, Krishnan G, Jothydev S. Cost-effective use of telemedicine and self-monitoring of blood glucose via diabetes tele management system (DTMS) to achieve target glycosylated hemoglobin values without serious symptomatic hypoglycemia in 1,000 subjects with type 2 diabetes mellitus – A retrospective study. Diabetes Technol Ther. 2012;14:772–6. [PubMed] [Google Scholar]
37. Klonoff DC, Schwartz DM. An economic analysis of interventions for diabetes. Diabetes Care. 2000;23:390–404. [PubMed] [Google Scholar]
38. Kesavadev J, Shankar A, Gopalakrishnan G, Lally J, Sanal G, Jothydev S, et al. Superiority of a telemedicine based counselling in ensuring multi drug compliance in T2D. [Last accessed on 2015 Aug 04];Diabetes. 2013 62(suppl 1):A176. Available from:
39. El-Jabali AK. Neural network modeling and control of type 1 diabetes mellitus. Bioprocess Biosyst Eng. 2005 Apr;27(2):75-9. doi: 10.1007/s00449-004-0363-3. Epub 2004 Dec 1. PMID: 15578231.
40. База данных CIFAR-10 and CIFAR-100 // Alex Krizhevsky URL: https://www.cs.toronto.edu/~kriz/cifar.html (дата обращения: 20.04.2021).
41. Календарев, А. Современная веб-архитектура. От монолита к микросервисам / А. Календарев // Системный администратор. – 2017. – № 1-2(170-171). – С. 80-83.
42. Электронная документация HTML5 [Электронный ресурс], URL:https://www.w3.org/TR/html52/ (дата обращения 11.05.2021)
43. Электронная документация CSS [Электронный ресурс], URL: https://www.w3schools.com/w3css/ (дата обращения 11.05.2021)
44. Электронная документация JavaScript [Электронный ресурс], URL: https://learn.javascript.ru/ (дата обращения 11.05.2021)
Для повышения качества модели используем библиотеку GridSearchCV в python. GridSearchCV – это инструмент для автоматического подбирания параметров для моделей машинного обучения. Он находит наилучшие параметры, путем обычного перебора: он создает модель для каждой возможной комбинации параметров.
На рисунке отображена матрица путаницы после улучшения оптимизации и улучшения параметров модели.
После применения GridSearchCV так же улучшились параметры модели, по котором мы может считать ее подходящей для анализа поступающих данных пациента:
Accuracy Score: 80,5%
Precision: 72,8%
Recall: 75,4%