| Popis: |
Patients with Type 1 Diabetes must consistently monitor their carbohydrate intake and administer the correct dosage of insulin to keep their blood glucose levels within a normal and healthy range. On a quarterly basis, they meet with their diabetologist to revise their therapy settings by analyzing their documented glucose, carbohydrate and insulin data. However, it can be challenging for the diabetologist during these brief appointments to get an overview of how the patient's therapy habits influence their glucose, due to the complexity of this large, multivariate time series dataset. The subject of this work is a visualization design study to create a visual analytics approach that addresses this issue. The approach aims to support experts in their search for seasonal and non-periodic patterns in diabetes data, using a combination of visual methods on the front-end and algorithmic methods on the back-end. The proposed solution offers a comprehensive overview which allows carbohydrate and insulin data to be quickly associated with glucose levels. This is achieved through a combination of a concise and unique representation of glucose data using modified horizon graphs, and the hierarchical clustering of adjacent carbohydrate or insulin entries. The hierarchical clustering of these entries prevents cluttering the view, while allowing for multi-level semantic zooming to provide details on demand. In addition, the approach supports the exploration of non-periodic patterns by clustering characteristic glucose profiles that occur during mealtimes or periods of hypoglycemia (i.e., glucose levels below the normal range). The suggested solution was evaluated through a case study, where a domain-expert user analyzed real-world diabetes data utilizing a software prototype that incorporates the approach. According to the user's feedback, it provided valuable insights into the quality of the therapy. Based on the prototype, they were able to make informed decisions about adjusting therapy parameters and addressing unfavorable eating habits in a way that exceeded their currently utilized methodology. The results of this work indicate that the suggested approach achieves the goal of supporting the exploration of patterns in diabetes data. Glucose- and therapy-related insights could be revealed based on the developed visual encoding and algorithm design concepts, which was shown in the conducted case study. Patienten mit Typ-1-Diabetes müssen ihre Kohlenhydratzufuhr konsequent überwachen und sich die richtige Insulindosis verabreichen, um ihren Blutzuckerspiegel in einem normalen und gesunden Bereich zu halten. Vierteljährlich treffen sie sich mit ihrem Diabetologen, um ihre Therapieeinstellungen anhand der dokumentierten Blutzucker-, Kohlenhydrat- und Insulindaten zu überprüfen. Aufgrund der Komplexität dieser großen, multivariaten Zeitreihendaten kann es für den Diabetologen bei diesen kurzen Terminen jedoch schwierig sein, sich einen Überblick darüber zu verschaffen, wie die Therapiegewohnheiten des Patienten seinen Blutzucker beeinflussen. Gegenstand dieser Arbeit ist eine Designstudie zur Entwicklung eines Visual-Analytics-Ansatzes, der dieses Problem angeht. Der Ansatz zielt darauf ab, Experten bei der Suche nach sowohl periodischen als auch nicht-periodischen Mustern in Diabetesdaten zu unterstützen, wobei eine Kombination aus visuellen Methoden auf dem Front-End und algorithmischen Methoden auf dem Back-End zum Einsatz kommt. Gegenstand dieser Arbeit ist eine Designstudie zur Entwicklung eines Visual-Analytics-Ansatzes, der dieses Problem angeht. Der Ansatz zielt darauf ab, Experten bei der Suche nach sowohl periodischen als auch nicht-periodischen Mustern in Diabetesdaten zu unterstützen, wobei eine Kombination aus visuellen Methoden auf dem Front-End und algorithmischen Methoden auf dem Back-End zum Einsatz kommt. Die vorgeschlagene Lösung bietet einen umfassenden Überblick, der es ermöglicht, Kohlenhydrat- und Insulindaten schnell mit Blutzuckerentgleisungen in Verbindung zu bringen. Erreicht wird dies durch eine Kombination aus einer kompakten und übersichtlichen Darstellung der Glukosedaten unter Verwendung modifizierter Horizontgraphen und dem hierarchischen Clustering nahe gelegener Kohlenhydrat- oder Insulineinträge. Das hierarchische Clustering dieser Einträge verhindert, dass die Ansicht unübersichtlich wird, und ermöglicht gleichzeitig ein mehrstufiges semantisches Zoomen, um bei Bedarf Details anzuzeigen. Darüber hinaus unterstützt der Ansatz die Erforschung nicht-periodischer Muster, indem charakteristische Glukoseprofile geclustert werden, die zu den Mahlzeiten oder bei Hypoglykämien (Glukosespiegel unterhalb des Normalbereichs) auftreten. Die vorgeschlagene Lösung wurde im Rahmen einer Fallstudie evaluiert, bei der ein Benutzer reale Diabetesdaten mithilfe eines Software-Prototyps analysierte, der diesen Ansatz umsetzt. Dem Feedback des Benutzers zufolge konnte er wertvolle Erkenntnisse über die Qualität der Therapie gewinnen. Auf Grundlage des Prototyps war er in der Lage, fundierte Entscheidungen über die Anpassung von Therapieparametern und die Behandlung ungünstiger Ernährungsgewohnheiten zu treffen. Die Ergebnisse dieser Arbeit zeigen, dass der vorgeschlagene Ansatz vielversprechende visuelle und algorithmische Konzepte bietet, die den Anwender bei der Detektion von Mustern in Diabetesdaten unterstützen können. submitted by Anna Scimone Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers Masterarbeit Universität Linz 2023 Arbeit auf den öffentlichen PCs in den Bibliotheken der JKU+Medizin abrufbar |
