Onwuchekwa, Jennifer DanielJennifer DanielOnwuchekwa2025-05-092025-05-092025https://dspace.ub.uni-siegen.de/handle/ubsi/6912Background: Predicting hypoglycemia in diabetes management remains a substantial challenge, especially for individuals with Type 1 Diabetes (T1D), advanced Type 2 Diabetes (T2D), and prediabetes. Existing prediction systems are largely dependent on continuous glucose monitoring (CGM) data and offer limited accuracy for extended prediction horizons. These systems often fail to account for the complex, individualized physiological variations inherent to each patient. Traditional monitoring methods are primarily invasive and lack the foresight needed for timely intervention. This limitation results in a heightened risk of severe complications and a significant decline in the quality of life (QoL) of patients with diabetes. Therefore, addressing these limitations requires an innovative, personalized, and multimodal approach to enhance the efficacy of hypoglycemia prediction and empower proactive diabetes management. Objectives: The core aim of this research is to develop and validate advanced predictive models for personalized hypoglycemia prediction through three primary domains: (i.) Methodological Development focused on advanced algorithm development, temporal modeling, and the creation of semantic frameworks to capture complex physiological interactions. (ii.) Data Integration and Analysis emphasizes multimodal data integration, the use of non-invasive monitoring approaches, and advanced pattern recognition to enhance the predictive power of the models. (iii.) the Implementation Framework aims at establishing personalization strategies, assessing clinical implementation, and optimizing technological solutions for embedding predictive models into wearable devices. Collectively, these objectives work towards an innovative, personalized, and practical approach to managing hypoglycemia in individuals with diabetes. Methods: This cumulative thesis synthesized findings from five peer-reviewed publications, utilizing data from three complementary datasets: D1NAMO (n=7, Type 1 Diabetes (T1D) patients), BIG IDEAs Lab (n=16, prediabetic individuals), and MIMIC-III (glucose-insulin paired data from 9 518 patients). Key methodologies included shapelet-based feature extraction to identify distinctive physiological patterns indicative of hypoglycemia and semantic integration using ontologies and knowledge graphs for enhanced data context. Both traditional machine learning (ML) and Deep Learning (DL) models, such as Fully Convolutional Network (FCN) and Residual Network (ResNet), were evaluated for their predictive capabilities. Model validation implemented holdout and leave-one-person-out cross-validation. This approach emphasized personalized performance, temporal alignment, and the integration of multimodal physiological signals to ensure robust, individualized hypoglycemia prediction. Results: This research resulted in several key advancements in predictive modeling for hypoglycemia: (1) The FCN achieved 97% accuracy in predicting the time-to-hypoglycemia, extending prediction horizons up to 48 hours; while the ResNet model achieved 94% accuracy, emphasizing the role of model architecture in optimizing prediction capabilities. (2) Temporal analysis revealed critical glucose normalization patterns within a 1–4 hour timeframe before hypoglycemic episodes, underscoring opportunities for preventive interventions. (3) Shapelet-based analysis revealed varying model performances: the three-layered Convolutional Neural Network (CNN) achieved 76% accuracy with heart rate data, while the two-layered CNN model reached 67% accuracy. In comparison, traditional machine learning (ML) approaches showed complementary strengths – Random Forest Classifier (RFC) demonstrated 73% accuracy with heart rate and 69% with breathing rate data, and Support Vector Machine (SVM) achieved 56% accuracy with heart rate and 65% with breathing rate data. These differences in performance demonstrated that advanced architecture optimization is vital for capturing personalized physiological responses. (4) Correlation analyses demonstrated substantial inter-individual variability in glucose-heart rate relationships, with correlation coefficients ranging from -0.4087 to 0.1882, thus highlighting the necessity for tailored modeling approaches. (5) Integration of a semantic framework, utilizing ontologies and knowledge graphs, uncovered previously undetectable patterns through structured representations of patient-specific factors. This structured knowledge representation contributed to improve interpretability and prediction capabilities. (6) Classification models with temporal pattern modeliing, adapted to patient-specific glucose fluctuations achieved accuracy rates ranging from 84% to 99% for different individuals, thus, highlighting the importance of personalization in predictive modeling. Conclusion: This research demonstrated that integrating multimodal physiological data, advanced temporal modeling, and semantic knowledge frameworks significantly enhances the prediction of hypoglycemic events. Also, by employing personalized modeling approaches, predictive accuracy per patient can be improved, enabling timely and patient-specific interventions. These advancements pave the way for transforming hypoglycemia prediction into a proactive and individualized system, ultimately contributing to better clinical outcomes and improved QoL for patients with diabetes.Hintergrund: Die Vorhersage von Hypoglykämien im Diabetesmanagement bleibt eine erhebliche Herausforderung, insbesondere für Personen mit Type 1 Diabetes (T1D), fortgeschrittener Type 2 Diabetes (T2D) und Prädiabetes. Bestehende Vorhersagesysteme, die sich hauptsächlich auf continuous glucose monitoring (CGM)-Daten stützen, bieten nur eine begrenzte Genauigkeit bei erweiterten Vorhersagehorizonten und berücksichtigen oft nicht die komplexen, individuellen physiologischen Unterschiede jedes Patienten. Darüber hinaus basieren herkömmliche Überwachungsmethoden größtenteils auf invasiven Techniken und bieten nicht die Voraussicht, die für rechtzeitige Interventionen erforderlich ist. Dies führt zu einem erhöhten Risiko schwerer Komplikationen und einer erheblichen Verschlechterung der quality of life (QoL) von Menschen mit Diabetes. Daher erfordert die Bewältigung dieser Einschränkungen einen innovativen, personalisierten und multimodalen Ansatz, um die Wirksamkeit der Hypoglykämievorhersage zu verbessern und ein proaktives Diabetesmanagement zu ermöglichen. Ziele: Das zentrale Ziel dieser Forschung ist die Entwicklung und Validierung fortschrittlicher prädiktiver Modelle zur personalisierten Hypoglykämievorhersage in drei Hauptbereichen: (i) Methodische Entwicklung, mit dem Fokus auf die Entwicklung fortschrittlicher Algorithmen, zeitlicher Modellierung und der Erstellung semantischer Rahmenwerke, um komplexe physiologische Interaktionen zu erfassen. (ii) Datenintegration und Analyse betont die Integration multimodaler Daten, die Nutzung nicht-invasiver Überwachungsansätze sowie fortschrittliche Mustererkennung, um die Vorhersagekraft der Modelle zu verbessern. (iii) Das Implementierungsframework zielt auf die Etablierung von Personalisierungsstrategien, die Bewertung der klinischen Umsetzung und die Optimierung technologischer Lösungen zur Integration prädiktiver Modelle in tragbare Geräte ab. Diese Ziele zusammen arbeiten auf einen innovativen, personalisierten und praktikablen Ansatz zur Verwaltung von Hypoglykämien bei Menschen mit Diabetes hin. Methoden: Diese kumulative Dissertation stellt die Ergebnisse aus fünf begutachteten Veröffentlichungen dar, wobei Daten aus drei komplementären Datensätzen verwendet wurden: D1NAMO (n=7, T1D-Patienten), BIG IDEAs Lab (n=16, prädiabetische Personen) und MIMIC-III (Glukose-Insulin-Paarwerte von 9 518 Patienten). Zu den zentralen Methoden gehörten die shapelet-basierte Merkmalsextraktion zur Identifizierung markanter physiologischer Muster, die auf Hypoglykämie hindeuten, und die semantische Integration mithilfe von Ontologien und Wissensgraphen für einen verbesserten Datenkontext. Sowohl traditionelle machine learning (ML)- als auch Deep Learning (DL)-Modelle, wie das Fully Convolutional Network (FCN) und Residual Network (ResNet), wurden auf ihre Vorhersagefähigkeit hin untersucht. Die Modellvalidierung erfolgte mittels Holdout- und Leave-One-Person-Out-Cross-Validation. Dabei lag der Fokus auf der personalisierten Leistung, der zeitlichen Abstimmung und der Integration multimodaler physiologischer Signale, um eine robuste, individuelle Hypoglykämievorhersage zu gewährleisten. Ergebnisse: Diese Forschung führte zu mehreren wichtigen Fortschritten im prädiktiven Modellieren von Hypoglykämien: (1) Das FCN erreichte eine Genauigkeit von 97% bei der Vorhersage der Zeit bis zur Hypoglykämie und erweiterte den Vorhersagehorizont auf bis zu 48 Stunden. Das ResNet-Modell erreichte-eine Genauigkeit von 94%, was die Rolle der Modellarchitektur bei der Optimierung der Vorhersagefähigkeiten unterstreicht; (2) Die zeitliche Analyse zeigte kritische Glukosenormalisierungsmuster im Zeitfenster von 1–4 Stunden vor hypoglykämischen Episoden, was Möglichkeiten für präventive Interventionen aufzeigt; (3) Die shapelet-basierte Analyse zeigte unterschiedliche Modellleistungen: das dreischichtige Convolutional Neural Network (CNN) erreichte eine Genauigkeit von 76% mit nur Herzfrequenzdaten, während das zweischichtige CNN-Modell 67% Genauigkeit erreichte. Im Vergleich dazu zeigten traditionelle ML-Ansätze komplementäre Stärken – der Random Forest Classifier (RFC) erreichte eine Genauigkeit von 73% mit Herzfrequenz- und 69% mit Atemfrequenzdaten, während der Support Vector Machine (SVM) eine Genauigkeit von 56% mit Herzfrequenz- und 65% mit Atemfrequenzdaten erzielte. Diese Unterschiede in der Leistung zeigen, dass die Optimierung der Architektur entscheidend für das Erfassen personalisierter physiologischer Reaktionen ist; (4) Korrelationsanalysen zeigten eine erhebliche interindividuelle Variabilität in der Beziehung zwischen Glukose und Herzfrequenz, mit Korrelationskoeffizienten von -0,4087 bis 0,1882, was die Notwendigkeit maßgeschneiderter Modellierungsansätze verdeutlicht; (5) Die Integration eines semantischen Frameworks, unter Verwendung von Ontologien und Wissensgraphen, deckte zuvor unerkannte Muster durch strukturierte Darstellungen patientenspezifischer Faktoren auf, was zu einer verbesserten Interpretierbarkeit und Vorhersagefähigkeit beitrug; und (6) Die individuelle zeitliche Muster-Modellierung führte zu bedeutenden Fortschritten, da Klassifikationsmodelle an patientenspezifische Glukoseschwankungsdefinitionen angepasst wurden. Die Genauigkeitsraten von 84% bis 99% für verschiedene Personen validiert die Bedeutung der Personalisierung in der prädiktiven Modellierung. Schlussfolgerung: Diese Forschung zeigt, dass die Integration multimodaler physiologischer Daten, fortschrittliche zeitliche Modellierung und semantische Wissensrahmen die Vorhersage von Hypoglykämien erheblich verbessern. Durch den Einsatz personalisierter Modellierungsansätze kann die Vorhersagegenauigkeit verbessert und rechtzeitige, patientenspezifische Interventionen ermöglicht werden. Diese Fortschritte ebnen den Weg zur Transformation der Hypoglykämievorhersage in ein proaktives, individuelles Instrument, das letztlich zu besseren klinischen Ergebnissen und einer verbesserten QoL für Patienten mit Diabetes beiträgt.en004 InformatikHypoglycemia predictionHypoglykämievorhersageArtificial intelligenceMachine learningMultimodal data fusionSemantic knowledge graphsPersonalized healthcareTemporal modelingNon-Invasive monitoringDiabetes managementPredictive analyticsKünstliche IntelligenzMaschinelles LernenMultimodale DatenfusionSemantische WissensgraphenPersonalisierte GesundheitsversorgungZeitliche ModellierungNicht-invasive ÜberwachungDiabetesmanagementPrädiktive AnalytikDoctoral ThesisProf. Dr. Kristof Van Laerhovenurn:nbn:de:hbz:467-69126