Работы автора

Цель: разработать прогностический алгоритм ночных гипогликемий (НГ) на основании данныхмобильного приложения для мониторинга глюкозы. Материал и методы. Произведен ретроспективный анализ 524 профилей непрерывного мониторинга глюкозы (НМГ) пациентов с сахарным диабетом 1-го типа. НМГвыполнен с помощью системы Medtronic iPro2 в течение 6-7 суток, проведен анализ ночных периодов НМГдля выявления систематических НГ. В исследование включены 239 пациентов, из которых у 65 (27,1 %) выявлены систематические НГ. Построены модели 7-точечных гликемических профилей, данные которых загружалисьв мобильное приложение DiaLog GM для расчета стандартизованных показателей мониторинга глюкозы. Прогностическая модель НГ разработана на основании метода логистической регрессии.
Результаты. Согласнорегрессионному анализу наиболее значимыми предикторами НГ, вошедшими в прогностическую модель, являлись гликированный гемоглобин (p=0,001), применение помповой инсулинотерапии (p=0,001), время нижецелевого диапазона 1-го уровня (p<0,001), коэффициент вариации глюкозы (p=0,02). Площадь под ROC-кривойдля модели прогноза - 0,917; оптимальная точка отсечки для предсказанной вероятности НГ - 0,317, при которой чувствительность модели составила 86 %, специфичность - 90 %.
Заключение. Разработанная модельпрогноза на основании данных специализированного мобильного приложения позволяет усовершенствоватьсуществующие подходы к оценке риска НГ за счет более высокой предсказательной способности.

Время в целевом диапазоне глюкозы (TIR) — перспективный показатель гликемического контроля, применяющийся при оценке непрерывного мониторинга глюкозы (НМГ) у пациентов с сахарным диабетом (СД). Актуальной проблемой остается оценка и прогнозирование данного параметра для пациентов, использующих самостоятельный мониторинг глюкозы крови (СМГК), с учетом недостаточной доступности НМГ для большинства пациентов с СД.
ЦЕЛЬ. На основании данных экспериментального мобильного приложения разработать прогностическую модель времени в целевом диапазоне для пациентов с СД 1 типа (СД1).
МАТЕРИАЛЫ И МЕТОДЫ. Проведен анализ 1253 профилей профессионального НМГ пациентов с СД1. На основании включенных в исследование записей выполнен расчет TIR(НМГ), сгенерированы тренировочные модели 7-точечных профилей СМГК. Профили СМГК загружались в разработанное экспериментальное мобильное приложение, рассчитывающее стандартные параметры гликемического контроля. Данные были разделены на основную и тестовую выборки в соотношении 80 и 20%. Для основной выборки применены следующие методы разработки прогностических
моделей: простая линейная регрессия (ПЛР), множественная линейная регрессия (МЛР), искусственная нейронная сеть (ИНС). Оценка эффективности разработанных моделей проводилась на тестовой выборке с расчетом средней абсолютной ошибки (MAE), квадратного корня из среднеквадратичной ошибки (RMSE).
РЕЗУЛЬТАТЫ. В исследование включено 568 профилей НМГ. В основной группе (n=454) TIR составил 45 [33; 65]%, в тестовой группе (n=114) — 43 [33; 58]%. Наиболее значимыми предикторами TIR в регрессионных моделях являлись процент значений в целевом диапазоне (dTIR), p<0,001; процент значений ниже целевого диапазона 1 уровня (dTBR1), p<0,001; стандартное отклонение гликемии (SD), p=0,007. Коэффициент детерминации для ПЛР (предиктор: dTIR) — 0,844; для МЛР (предикторы: dTIR, dTBR1, SD) — 0,907. Разработаны модели ИНС по типу многослойный перцептрон с двумя и одним внутренним слоем нейронов, для которых RMSE на валидационной выборке составил 4,617 и 6,639% соответственно. Результаты анализа эффективности прогноза на тестовой выборке: dTIR: MAE — 6,82%, RMSE — 8,60%; модель ПЛР: MAE — 5,66%, RMSE — 7,34%; модель МЛР: MAE — 4,18%, RMSE — 5,28%; модель ИНС (2 слоя): MAE — 4,14%, RMSE — 5,19%; модель ИНС (1 слой): MAE — 4,44%, RMSE — 5,52%.
ЗАКЛЮЧЕНИЕ. Наилучшую способность для прогноза TIR продемонстрировали ИНС с двумя внутренними слоями и МЛР. Требуются дальнейшие исследования с целью клинической валидации разработанных прогностических моделей.