• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.3.2022.tde-14032023-092608
Document
Author
Full name
João Paulo Aragão Pereira
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2022
Supervisor
Committee
Brandão, Anarosa Alves Franco (President)
Fagundes, Karla Fabiana Santana de Melo Cabral
Marques, Fátima de Lourdes dos Santos Nunes
Roma, Alexandre Megiorin
Silva, Felipe Leno da
Title in English
A hybrid model for long-term prediction of glycemic oscillation in individuals with type 1 diabetes and suggesting personalized recommendations.
Keywords in English
Glucose-insulin regulatory system
Machinel
Multi-agent system
Ordinaryd equations
Personalization
Prediction
Type 1 diabetes
Abstract in English
The glucose-insulin regulatory system and its glycemic oscillations is a recurring theme in the literature due to its impact on human life, especially those affected by diabetes mellitus. Several approaches have been proposed, from mathematical models to data-based ones, in order to model the glucose oscillation curve. With this curve, it is possible to predict when and how much to inject insulin, the ideal amount of carbohydrates and possible hyper- or hypoglycemic states in individuals with type 1 diabetes (T1D). However, the literature presents prediction horizons not exceeding six hours, which can be a problem considering the sleeping time. Also, existing models cannot be customized for each individual considering their lifestyle. This work presents Tesseratus, a model that adopts a multi-agent system to combine machine learning and mathematical modeling to predict glucose oscillation in up to eight hours. Tesseratus also uses the pharmacokinetics of insulins, in addition to data collected from individuals with DM1. Periodic data capture can improve the learning process of agents. Its result is essentially glucose prediction values over horizons ranging from 15 to 480 minutes. Therefore, it can assist endocrinologists in prescribing daily treatments for individuals with T1D and providing personalized recommendations for these individuals in order to maintain their blood glucose concentration in the optimal range. Tesseratus brings pioneering results for prediction horizons of eight hours for the night period, in an experiment with 15 real individuals with DM1 and 9 virtual ones. Using the Parkes Error Grid as an evaluation metric, it can be observed that 95.53% of measurements, on average, fall into zones A and B, during the daytime period, while at night it reached 95.1%, with the Mean Absolute Error equal to 26.75 and 27.16 mg/dL, respectively. It is our assertion that Tesseratus will be a reference for the classification of the glycemic prediction model, supporting the mitigation of short and long-term complications in individuals with T1D. In this way, the proposed predictive model tends to delay the acute and chronic complications of a population with a projection of 78 million adults with type 1 diabetes, worldwide, in 2045.
Title in Portuguese
Um modelo híbrido para longos horizontes de predição de oscilação de glicose em indivíduos com diabetes tipo 1 e sugestão de recomendações personalizadas
Keywords in Portuguese
Agentes inteligentes
Sistemas de recomendação
Sistemas híbridos
Abstract in Portuguese
O sistema regulador glicose-insulina e suas oscilações glicêmicas é um tema recorrente na literatura devido ao seu impacto na vida humana, principalmente dos acometidos pelo diabetes mellitus. Diversas abordagens foram propostas, desde modelos matemáticos até modelos baseados em dados, com o objetivo de modelar a curva de oscilação da glicose. De posse desta curva, é possível prever quando e quanto injetar de insulina, a quantidade ideal de carboidratos e possíveis estados hiper- ou hipoglicêmicos em indivíduos com diabetes tipo 1 (DM1). No entanto, a literatura apresenta horizontes de previsão não superiores a seis horas, o que pode ser um problema considerando o tempo de sono. Além disso, a modelagem existente não pode ser personalizada para cada indivíduo, considerando seu estilo de vida. Este trabalho apresenta o Tesseratus, um modelo que adota um sistema multiagentes para combinar aprendizado de máquina e modelagem matemática para prever a oscilação da glicose em até oito horas. O Tesseratus também utiliza a farmacocinética das insulinas, além dos dados coletados dos indivíduos com DM1. A captura periódica de dados pode melhorar o processo de aprendizado dos agentes. Seu resultado principal é, essencialmente, valores de predição de glicose durante horizontes que variam de 15 a 480 minutos. Tais valores podem ser visualizados em gráficos para auxiliar os endocrinologistas na prescrição de tratamentos diários para indivíduos com DM1. Além disso, também podem ser usados para fornecer recomendações personalizadas para esses indivíduos, a fim de manter sua concentração glicêmica na faixa ideal. Em um experimento envolvendo 15 indivíduos com DM1 e nove indivíduos virtuais com DM1, Tesseratus apresentou resultados pioneiros para horizontes de previsão de oito horas para o período noturno. Utilizando Parkes Error Grid como métrica de avaliação, pode-se observar que 95,53% das medições, em média, caem nas zonas A e B, durante o período diurno, e 95,1% no período noturno, sendo o Erro Absoluto Médio igual a 26.75 e 27.16 mg/dL, respectivamente. Consideramos que o Tesseratus será uma referência para a classificação do modelo de predição glicêmico, apoiando a mitigação de complicações de curto e longo prazo nos indivíduos com DM1. Dessa forma, o modelo preditivo proposto tende a retardar as complicações agudas e crônicas de uma população com projeção de 78 milhões de adultos com diabetes tipo 1, em todo o mundo, em 2045.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2023-03-14
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2024. All rights reserved.