Exploring Machine Learning Methods to Predict Hypoglycemic States in Diabetes Type I Patients

Abstract

Hypoglycemia is a serious condition associated with increased mortality in patients with type 1 diabetes, which is an incurable autoimmune disease. Hypoglycemia is defined by blood glucose levels below 70 mg/dL. The causes can include excessive insulin injections, skipping meals, or increased physical activity. It can occur suddenly and may be asymptomatic, impeding timely preventive measures. Thus, innovative technologies, such as machine learning, can help to predict the state before it occurs. Prediction models are mainly classified as short- and long-term prediction horizons (PHs) of up to 2 hours and up to 24 hours, respectively. Most research conducted in the field of diabetes forecasts blood glucose values. Still, the obtained accuracy may not be su!cient to prevent hypoglycemia due to the possible time lag of CGM devices. Moreover, most studies focus on one PH only. This thesis included short- and long-term PHs in the same classification model to consider multiple use cases and to enable better decision support. The predicted times are 5-15 min, 15-30 min, 30 min-1 h, 1-2 h, 2-4 h, 4-8 h, 8-12 h, 12-24 h before hypoglycemia. The input features are prior glucose measurements, the administered basal and bolus insulin dosages, and acceleration data. First, a correlation analysis between the input features and the classes is conducted. Thereafter, RNN and CNN are explored to classify the onset of hypoglycemia based on the proposed nine classes. Furthermore, training with six classes classifying up to 4 hours before the onset is compared. Finally, subject-specific models are tested. The population-based correlation analysis reveals a very weak association between basal insulin and glucose, and between basal insulin and acceleration data. An individual correlation analysis showed stronger relationships, but the scores varied significantly among the subjects. For the classification model with nine classes, the best results are obtained with a LSTM model. Subject-specific models improve the performance. However, only classes 0-2 could be well classified with recalls of 98%, 72%, and 50%, respectively. A population-based model with only six classes obtains better results with recalls of 99%, 73%, and 56% for classes 0, 1, and 2, respectively. In conclusion, the proposed system that includes short- and long-term PHs is not feasible with the data or models used. Whereas, a model classifying multiple short-term horizons up to 4 hours before hypoglycemia produces promising results with improved precision, and F1-measure and indicates that at least 60% of events can be predicted which is increased to approximately 70% in subject 563.

Hypoglykämie ist ein ernsthafter Zustand, der bei Patienten mit Typ 1 Diabetes, einer unheilbaren Autoimmunerkrankung, mit einer erhöhten Mortalität assoziiert ist. Sie wird durch Blutzuckerwerte unterhalb von 70 mg/dL definiert und kann durch übermäßige Insulinverabreichung, das Auslassen von Mahlzeiten oder eine gesteigerte körperliche Aktivität verursacht werden. Da eine Hypoglykämie plötzlich auftreten und asymptomatisch verlaufen kann, werden rechtzeitige präventive Maßnahmen erschwert. In diesem Kontext können innovative Technologien wie maschinelle Lernenverfahren benutzt werden, um Hypoglykämien vorherzusagen. Vorhersagemodelle lassen sich primär in kurzfristige und langfristige Vorhersagehorizonte (PHs) unterteilen, die Zeiträume von bis zu 2 Stunden bzw. bis zu 24 Stunden abdecken. Der Großteil, der in diesem Bereich durchgeführten Studien, fokussiert sich auf die Vorhersage von Blutzuckerwert-Zeitreihen. Allerdings reicht die Genauigkeit bisheriger Modelle nicht aus, um Hypoglykämien zuverlässig zu verhindern, da kontinuierliche Glukosemessgeräte (CGM-Geräte) potenzielle Zeitverzögerungen aufweisen. Zudem liegt der Schwerpunkt der meisten Untersuchungen auf einem einzelnen Vorhersagehorizont. Die vorliegende Arbeit integriert sowohl kurzfristige als auch langfristige PHs in einem Klassifikationsmodell, um verschiedene Anwendungsszenarien abzudecken und eine optimierte Entscheidungsunterstützung zu ermöglichen. Die vorhergesagten Zeitintervalle umfassen 5–15 min, 15–30 min, 30 min–1 h, 1–2 h, 2–4 h, 4–8 h, 8–12 h sowie 12–24 h vor dem Auftreten einer Hypoglykämie. Als Inputwerte dienen Glukosemesswerte, die verabreichten Basal- und Bolusinsulindosen sowie Beschleunigungsdaten. Zunächst wurde eine Korrelationsanalyse zwischen den Inputwerten und den Zielklassen durchgeführt. Anschließend wurden Recurrent Neural Networks (RNN) und Convolutional Neural Networks (CNN) trainiert, um das Auftreten einer Hypoglykämie anhand der vorgeschlagenen neun Klassen zu klassifizieren. Zudem wurde ein alternatives Modell mit sechs Klassen evaluiert, das eine Vorhersage bis zu 4 Stunden vor dem Zustand ermöglicht. Abschließend wurden personenspezifische Modelle untersucht. Die populationsbasierte Korrelationsanalyse zeigt nur eine sehr geringe Assoziation zwischen Basalinsulin und Glukose sowie zwischen Basalinsulin und Beschleunigungsdaten. Individuelle Analysen weisen auf stärkere Korrelationen hin, wobei die Korrelationen interindividuell stark variieren. Im Klassifikationsmodell mit neun Klassen liefert das Long Short-Term Memory (LSTM)-Netzwerk die besten Ergebnisse. Die Berücksichtigung individueller Modelle verbessert die Vorhersagegenauigkeit. Allerdings konnten nur die Klassen 0–2 mit Recall-Werten von 98%, 72% bzw. 50% zuverlässig klassifiziert werden. Ein populationsbasiertes Modell mit sechs Klassen erzielte verbesserte Ergebnisse mit Recall-Werten von 99%, 73% und 56% für die Klassen 0, 1 und 2. Zusammenfassend erweist sich das vorgeschlagene System, das sowohl kurzfristige als auch langfristige PHs umfasst, in Kombination mit den verwendeten Daten und Modellen als nicht praktikabel. Jedoch zeigt ein Modell, das mehrere kurzfristige Horizonte bis zu 4 Stunden vor dem Auftreten einer Hypoglykämie klassifiziert, vielversprechende Ergebnisse mit erhöhter Präzision und einem verbesserten F1-Measure-Wert. Die Analyse deutet darauf hin, dass mindestens 60% der Hypoglykämie-Ereignisse vorhergesagt werden können, wobei dieser Wert für Proband 563 auf etwa 70% gesteigert werden konnte.