پش بینی دیابت با استفاده از گج تهای پوشیدنی و کنترل آن با اپلیکیشن قابل نصب روی تلفن همراه

دیابت ملیتوس DM نشان دهنده یک اختلال متابولیک است که با افزایش مداوم سطح گلوکز خون به دلیلتولید ناکافی انسولین پانکراس مشخص می شود. دیابت نوع ۱ ( DM۱ ) تظاهرات وابسته به انسولین را ازشروع بیماری تشکیل می دهد. مدیریت موثر DM۱ نیاز به نظارت روزانه بر قند خون، تشخیص الگو وپیش بینی شناختی سطوح گلیسم ی برای تعیین دوز انسولین خارجی ضروری دارد. با این وجود، این روشممکن است نادقیق و خطرناک باشد. ظهور پیشرفت های پ یشگامانه در فناوری های اطلاعات و ارتباطات ( ICT )شامل داده های بزرگ، اینترنت اشیاء پزشکی IoMT محاسبات ابری و الگوریتم های یادگیری ماشین ( ML )نظارت مستمر مدیریت DM۱ را تسهیل کرده است. این تحقیق بر روی روش های مبتنی بر IoMT برایمشاهده ناگسستنی مدیریت DM۱ متمرکز است، در نتیجه شناسایی جامع افراد دیابتی را ممکن می سازد. ادغامتکنیک های یادگیری ماشین با فناوری پوشیدنی ممکن است مدل های قابل اعتمادی را برای پیش بینی غلظتکوتاه مدت گلوکز خون به همراه داشته باشد. هدف از این تحقیق، ابداع مدل های دقیق پیش بینی کوتاهمدتشخص خاص، با استفاده از مجموعه ای از و یژگی ها است. برای انجام این کار، استراتژی های مدل سازیاختراعی بر روی یک مجموعه داده گسترده شامل ویژ گیهای بی ولوژیکی مرتبط با قند خون که از یک طرحنظارت غیرفعال در مقیاس بزرگ شامل ۴۰ بیمار DM۱ جمعآوری شدهاند، استفاده شد. مدل های تولید شده ازطریق رویکرد جنگل تصادفی می توانند سطوح گلوکز را در یک افق ۳۰ دقیقه ای با میانگین خطای ۱۸.۶۰ میلیگرم در دسی لیتر برای داده های شش ساعته و ۲۶.۲۱ میلی گرم در دسی لیتر برای افق پیش بینی ۴۵ دقیقه ایپیش بینی کنند. این یافته ها همچنین با داده های ۱۰ بی مار مبتلا به دیابت نوع ۲ به عنوان اثبات مفهوم تاییدشده اند، در نتیجه پتانسیل روش های مبتنی بر IoMT برای نظارت و مدیریت مداوم DM را نشان می دهد.فناوری اطلاعات و ارتباطات می تواند دیدگاه جدیدی را در مورد درمان دیابت ارائه دهد و از مدیریت دقیق وایمن سطح گلوکز اطمی نان حاصل کند.

Keywords:

یاد گیری ماشین , پایش مداوم گلوکز , ردیاب های پوشیدنی , اینترنت اشیا , دیابت , اپلیکیشن