| Popis: |
Type 1 diabetes requires its patients to inject artificial insulin in their bodies to control their blood-glucose levels. This can to some extent be automated through the use of insulin pumps and continuous blood-glucose monitoring systems, enabling automatic insulin injections and automatic blood-glucose measurements. To inject an appropriate amount of insulin, a prediction of the future blood-glucose values has to be made, the accuracy of which dictates how autonomous such a system can be. In this paper, the performance of a machine learning model is examined, when using data from different insulin treatment methods. The two treatment methods compared are the closed-loop insulin pump system and the traditional insulin pump system. By training a convolutional recurrent neural network separately on the different datasets, the resulting models were compared on four different performance metrics; root-mean-square error, mean average relative difference, Matthews correlation coefficient for hypoglycemia, and Matthews correlation coefficient for hyperglycemia. While the results showed some indication of the closed-loop models being better, the differences were too small to be statistically significant. To get more conclusive results, a study involving more clinical patients would be needed. Typ 1 diabetes kräver insjuknade att injicera artificiellt framställt insulin för att kontrollera blocksockernivån. Processen kan till viss del automatiseras med hjälp av insulinpumpar och kontinuerliga glukosmätningssytem, vilka möjliggör automatiska insulininjektioner och automatiska blodsockermätningar. För att kunna injicera rätt mängd insulin behöver framtida glukosvärden förutspås, och noggrannheten i uppskattningen av glukosvärdena avgör hur autonomt ett sådant system kan agera. I denna rapport undersöks prestandan för en maskininlärningsmodell när data från olika insulinbehandlingsmetoder används. De två behandlingsmetoderna som jämförs är ett “closed-loop” system och ett traditionellt insulinpumpsystem. Genom att träna ett “convolutional recurrent neural network” separat på de olika datamängderna jämfördes de resulterande modellerna inom fyra olika prestandamått; “root-mean-square error”, “mean average relative difference”, “Matthews correlation coefficient” för hypoglykemi och “Matthews correlation coefficient” för hyperglykemi. Resultaten visade en viss indikation på att modellerna som hade tränats på data från “closed-loop” systemet var bättre, men skillnaderna var för små för att vara statistiskt signifikanta. För att få mer avgörande resultat skulle det behövas en studie med fler kliniska patienter. |
