Modelos de previsão de hipoglicemia explicáveis através da evolução gramatical estruturada dinâmica

A gestão eficaz da glicose no sangue é crucial para pessoas com diabetes evitar complicações agudas. Prever valores extremos com precisão e de forma oportuna é de vital importância para elas. As pessoas com diabetes estão particularmente preocupadas em sofrer um evento de hipoglicemia (valor baixo) e, além disso, que o evento seja prolongado no tempo. É crucial prever eventos de hiperglicemia (valor alto) e hipoglicemia que podem causar danos à saúde a curto prazo e potenciais danos permanentes a longo prazo. Este artigo descreve nossa pesquisa sobre a previsão de eventos de hipoglicemia em 30, 60, 90 e 120 minutos usando métodos de aprendizado de máquina. Propomos usar Evolução Gramatical Estruturada e Evolução Gramatical Estruturada Dinâmica para produzir expressões matemáticas interpretáveis que preveem um evento de hipoglicemia. Nossa proposta gera modelos de caixa branca induzidos por uma gramática baseada em condições se-então-senão, usando glicose no sangue, frequência cardíaca, número de passos e calorias queimadas como entradas para a técnica de aprendizado de máquina. Aplicamos essas técnicas para criar três tipos de modelos: individualizados, agrupados e baseados na população. Todos eles são então comparados com as previsões de onze técnicas de aprendizado de máquina. Aplicamos essas técnicas a um conjunto de dados de 24 pacientes reais do Hospital Universitário Príncipe de Astúrias, Madrid, Espanha. Os modelos resultantes, apresentados na forma de declarações se-então-senão que incorporam operações numéricas, relacionais e lógicas entre variáveis e constantes, são inerentemente interpretáveis. As métricas de Taxa de Verdadeiro Positivo e Taxa de Verdadeiro Negativo estão acima de 0,90 para previsões de 30 minutos, 0,80 para 60 min e 0,70 para 90 min e 120 min para os três tipos de modelos. Modelos individualizados exibem as melhores métricas, enquanto modelos agrupados e baseados na população têm desempenho semelhante. Técnicas de evolução gramatical estruturada e evolução gramatical estruturada dinâmica apresentam desempenho semelhante para todos os horizontes de previsão. Em relação à comparação de diferentes técnicas de aprendizado de máquina, nos horizontes de previsão mais curtos, nossas propostas apresentam uma alta probabilidade de vitória, uma probabilidade que diminui nos horizontes de tempo mais longos. A evolução gramatical estruturada fornece modelos de previsão avançados que facilitam a explicação, modificação e reteste do modelo, oferecendo flexibilidade para refinar soluções após a criação e uma compreensão mais aprofundada do comportamento da glicose no sangue. Esses modelos foram integrados ao aplicativo glUCModel, projetado para atender pessoas com diabetes.