Is het mogelijk om op niet-invasieve wijze hypoglykemie te detecteren bij mensen met diabetes type 1 op basis van hun kijkgedrag tijdens het rijden? Dit werd onderzocht met behulp van een op machine learning (ML) gebaseerde benadering in combinatie met een hypoglykemisch clampprotocol. De resultaten van deze studie ‘A Machine Learning–Based Approach to Noninvasively Detect Hypoglycemia from Gaze Behavior While Driving’ werden gepresenteerd tijdens het 81ste congres van de American Diabetes Association.
Methode
Bij 19 personen (12 mannen, leeftijd 32 ± 7,1 jaar) met diabetes type 1 (HbA1c 7,1 ± 0,6% [54 ± 6 mmol/mol]) werd een gecontroleerde hypoglykemie geïnduceerd met behulp van een aangepast hypoglykemisch clampprotocol. Het kijkgedrag en de bloedglucosegegevens van de deelnemers werden verzameld tijdens het rijden in een simulator gedurende drie sessies van achttien minuten:
- Sessie 1 – bloedglucose tussen de 5 en 8 mmol/l
- Sessie 2 – bloedglucose daalt van 4 naar 2,5 mmol/l
- Sessie 3 – bloedglucose tussen de 2 en 2,5 mmol/l
Een gradiënt versterkend machine learning-model werd gebouwd voor detectie van hypoglykemie (3.9 mmol/l) op basis van kijkgedrag.
Resultaten
De gemiddelde veneuze bloedglucosewaarde was 5,85 ± 0,63 mmol/l tijdens sessie 1, daalde van 3,41 ± 0,33 mmol/l naar 2,62 ± 0,47 mmol/l tijdens sessie 2, en was respectievelijk 2.37 ± 0.22 mmol/l tijdens sessie 3. De kijkanalyse leverde 29.968 gegevensmonsters op (1.577,5 ± 52 per persoon, 10.041 normoglykemie, 19.927 hypoglykemie). Gemiddels bereikte het machine learning-model een gebied onder de curve van de werking van de ontvanger van 0,83 ± 0,09 voor detectie van hypoglykemie met cross-validatie van één persoon. Zie onderstaande figuur:
Conclusie
Een op machine-learning gebaseerde kijkanalyse toont een hoge nauwkeurigheid bij het detecteren van niet-invasieve hypoglykemie tijdens het rijden. Deze aanpak biedt potentieel in verschillende omgevingen waar camera’s beschikbaar zijn.
Referentie
