这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR Diabetes上的原创作品。必须包括完整的书目信息,https://diabetes.www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。gydF4y2Ba
糖尿病是一种慢性疾病,需要定期监测和自我管理患者的血糖水平。1型糖尿病(T1D)患者如果接受适当的糖尿病治疗,可以过上富有成效的生活。然而,血糖控制不严格可能会增加发生低血糖的风险。这种情况的发生可能是由于各种原因,如服用额外剂量的胰岛素,不吃饭,或过度运动。低血糖的症状主要从轻微的烦躁到更严重的情况,如果不及时发现。gydF4y2Ba
在这篇综述中,我们旨在报告识别和预防低血糖发作的创新检测技术和策略,重点是T1D。gydF4y2Ba
遵循PRISMA(系统评价和元分析首选报告项目)指南进行了系统的文献检索,重点是gydF4y2Ba
所提出的方法已被用于或设计用于加强血糖监测,并提高其预测未来血糖水平的有效性,这可能有助于预测未来低血糖发作。我们检测了19种低血糖预测模型,特别是在T1D上,使用了广泛的算法方法,从统计学(1.9/ 19,10%)到机器学习(9.88/ 19,52%)和深度学习(7.22/ 19,38%)。使用最多的算法是卡尔曼滤波和分类模型(支持向量机、k近邻和随机森林)。预测模型总体表现较好,准确率在70% ~ 99%之间,证明该技术能够促进T1D低血糖的预测。gydF4y2Ba
持续的血糖监测可以改善糖尿病患者的血糖控制;然而,仅使用主流非侵入性传感器(如腕带和智能手表)的低血糖和高血糖预测模型预计将是T1D移动医疗的下一步。需要前瞻性研究来证明这些模型在现实生活中移动卫生干预的价值。gydF4y2Ba
糖尿病是一种反复发作的疾病,涉及患者血糖的持续控制和自我管理。1型糖尿病(T1D)患者血糖水平调节不当可导致严重问题,如肾衰竭、心力衰竭、中风和失明[gydF4y2Ba
低血糖的担忧是成功控制高血糖的障碍,因为它鼓励胰岛素不足。减少低血糖发生的方法包括指导和咨询,及时提高对低血糖的认识,以及开发可减少低血糖发生的预测技术方法。血糖自我监测需要在一天中多次采集血液样本。目前,连续血糖监测(CGM)系统的使用允许实时收集血糖水平信息。相比之下,现代可穿戴设备可以产生和分析大量的数据,这就是为什么现代技术经常与这些产品结合使用,从收集到的数据中处理和检索有价值的信息。它们还具有几种不同的监测功能,如GPS、心率、心电图(ECG)和皮肤温度,这些对于评估糖尿病相关指标都很重要[gydF4y2Ba
人工智能算法已被广泛应用于糖尿病预测或作为诊断工具,特别是2型糖尿病[gydF4y2Ba
本文的目的是回顾新兴的检测方法和方法,以识别低血糖发作。具体而言,我们研究了用于改善血糖监测并提高其评估未来血糖水平有效性的方法;这可能有助于预测未来低血糖发作的过程。总的来说,这些方法非常有价值,因为它们是否可以帮助预测过程,这对于避免可能导致重大健康后果的潜在危险的低血糖发作至关重要。最后,我们讨论了旨在早期识别和预防夜间低血糖发作的预测方法,如果不及早发现,可能导致“死在床上”综合征。如上所述,这些方法进行了分类,并讨论了它们提出的技术。gydF4y2Ba
遵循PRISMA(系统评价和元分析首选报告项目)指南进行系统文献检索[gydF4y2Ba
搜索于2021年6月进行,仅限于2005年以后的文章。与此同时,还设置了一个警报,以避免遗漏文章。对所选文章的参考文献进行分析,以提取其他相关文章,必要时在谷歌Scholar中进行补充搜索,以查找进一步的信息,并根据每个子主题的原创作品完成综述。所有作者讨论并同意纳入和排除标准。如果有分歧,作者会通过讨论来达成共识。在筛选过程的第一步,期刊文章和会议论文被认为适合纳入,而信件、通信和综述文章被排除在这一系统评价之外。文章报道的新型葡萄糖传感器显示出足够宽的线性检测范围血液或间质测量符合条件。对于预测算法,符合条件的文章必须报告葡萄糖预测的方法,并提供所使用的数据集、方法和性能指标的详细信息。我们包括了在确定的预测范围内预测葡萄糖值的算法,以及那些专门预测未来最多24小时的低血糖事件的算法。为了符合资格,一项研究必须专注于低血糖或包括基于患者数据的低血糖预测或检测技术。 The patient group had to have T1D, whereas the trials had to have a control group. Studies that described the same methodology and technology as an already included study without significant distinction were excluded. We excluded trials that focused on the primary prevention of diabetes, those targeting gestational diabetes, those pertaining to a closed-loop or artificial pancreas system, and those that primarily focused on type 2 diabetes.
上述文献检索共得到397个结果。在397篇文献中,去除15篇(3.8%)重复后筛选出382篇(96.2%),348篇(87.7%)因不符合我们的资格标准而被排除。在阅读了其余34篇文章的全文后,免费提醒帮助添加了3篇同样基于上述筛选过程进行评估的文章,最终总共包含了19篇符合条件的文章。gydF4y2Ba
PRISMA(系统评价和元分析首选报告项目)流程图,展示了本系统评价中遵循的搜索和筛选策略。gydF4y2Ba
预测算法有助于进一步提高T1D患者的生活质量和避免低血糖的能力。它们使患者能够早期干预并成功预防低血糖发作。几种方法引入了预测低血糖的新算法。然而,只有少数人试图评估它们在现实生活中的临床疗效和优势。每项回顾研究的细节都在gydF4y2Ba
综述了低血糖预测方法。gydF4y2Ba
研究gydF4y2Ba | 持续时间gydF4y2Ba | 数据集gydF4y2Ba | 年龄(年)gydF4y2Ba | 技术gydF4y2Ba | 结果gydF4y2Ba |
Mordvanyuk等[gydF4y2Ba |
模拟500天gydF4y2Ba | 通过UVA-Padova T1D计算机生成11个成人gydF4y2Ba一个gydF4y2Ba模拟器gydF4y2Ba | > 18gydF4y2Ba | 再邻居gydF4y2Ba |
准确率83.64%gydF4y2Ba |
保罗等人[gydF4y2Ba |
6周gydF4y2Ba | 儿童糖尿病6例患者研究网络(DirecNet)gydF4y2Ba | 平均7 (sd3)gydF4y2Ba | 高阶和低阶自回归模型;状态空间模型gydF4y2Ba |
相对误差(较高的自回归)-7%gydF4y2Ba 相对误差(较低的自回归)-24%gydF4y2Ba 相对误差(状态空间)-12%gydF4y2Ba |
詹森等人[gydF4y2Ba |
每位参与者2个实验环节gydF4y2Ba | 男性T1D患者10例gydF4y2Ba | 平均值44 (SD 15)gydF4y2Ba | 支持向量机gydF4y2BabgydF4y2Ba |
AUCgydF4y2BacgydF4y2Ba中华民国gydF4y2BadgydF4y2Ba0.962gydF4y2Ba 样本敏感性81%gydF4y2Ba 样本特异性93%gydF4y2Ba 事件敏感性100%gydF4y2Ba |
张等[gydF4y2Ba |
N/AgydF4y2BaegydF4y2Ba | 重症监护数据库中的多参数智能监测2gydF4y2Ba | N/AgydF4y2Ba | 分类树gydF4y2Ba |
准确率86%gydF4y2Ba 灵敏度89.87%gydF4y2Ba |
戴夫等人[gydF4y2Ba |
90天gydF4y2Ba | 112例T1D患者gydF4y2Ba | 平均11 (SD 10)gydF4y2Ba | LRgydF4y2BafgydF4y2Ba和射频gydF4y2BaggydF4y2Ba |
灵敏度(LR) 91.85%gydF4y2Ba 特异性(LR) 96.25%gydF4y2Ba 灵敏度(RF) 94.20%gydF4y2Ba 特异性(RF) 96.67%gydF4y2Ba |
Eren-Oruklu等[gydF4y2Ba |
24小时gydF4y2Ba | 54例T1D患者gydF4y2Ba | 平均12.5 (SD 5.5)gydF4y2Ba | 绝对预测葡萄糖值;累计金额;指数加权移动平均gydF4y2Ba |
灵敏度89%,87.5%,89%gydF4y2Ba 特异性67%,74%和78%gydF4y2Ba |
蔡斯等[gydF4y2Ba |
在一夜之间gydF4y2Ba | 40例T1D患者gydF4y2Ba | 平均21 (SD 7.5)gydF4y2Ba | 线性投影;卡尔曼滤波;混合无限脉冲;统计预测;数值逻辑算法gydF4y2Ba |
灵敏度84%gydF4y2Ba |
白金汉等人[gydF4y2Ba |
21日晚上gydF4y2Ba | T1D患者19例gydF4y2Ba | ≥18gydF4y2Ba | 卡尔曼滤波gydF4y2Ba |
AUC算法1 71%gydF4y2Ba AUC算法2 90%gydF4y2Ba AUC算法3 89%gydF4y2Ba |
乔治等人[gydF4y2Ba |
5 - 22天gydF4y2Ba | T1D患者15例gydF4y2Ba | 平均42 (SD 23)gydF4y2Ba | 回归支持向量gydF4y2Ba |
灵敏度(30分钟水平)92%gydF4y2Ba 灵敏度(60分钟水平)96%gydF4y2Ba |
伯塔奇等人[gydF4y2Ba |
12周gydF4y2Ba | T1D患者10例gydF4y2Ba | > 18gydF4y2Ba | 支持向量机gydF4y2Ba |
灵敏度78.75%gydF4y2Ba 特异性82.15%gydF4y2Ba |
瓦赫迪等人[gydF4y2Ba |
4个月gydF4y2Ba | 93例T1D患者gydF4y2Ba | 平均46 (SD 38)gydF4y2Ba | 中长期规划gydF4y2BahgydF4y2Ba神经网络回归器gydF4y2Ba |
平均绝对百分比误差RF回归27.9%gydF4y2Ba 平均绝对百分比误差MLP回归29.6%gydF4y2Ba |
玛丽奇等人[gydF4y2Ba |
1周gydF4y2Ba | 1例T1D患者gydF4y2Ba | N/AgydF4y2Ba | 梯度增强决策树gydF4y2Ba |
准确率82.7%gydF4y2Ba 灵敏度76.7%gydF4y2Ba 特异性84.2%gydF4y2Ba |
圣等[gydF4y2Ba |
10小时过夜gydF4y2Ba | 15名儿童患有T1DgydF4y2Ba | < 18gydF4y2Ba | 深度信念神经网络和受限玻尔兹曼机gydF4y2Ba |
灵敏度80%gydF4y2Ba 特异性50%gydF4y2Ba |
邝等[gydF4y2Ba |
8周gydF4y2Ba | 来自OhioT1DM数据集的12例T1D患者gydF4y2Ba | 平均50 (SD 30)gydF4y2Ba | 深度神经网络;LSTMgydF4y2Ba我gydF4y2Ba;人工RNNgydF4y2BajgydF4y2Ba |
30分钟预测范围(mg/dL) RMSEgydF4y2BakgydF4y2Ba19.10;美gydF4y2BalgydF4y2Ba13.59;葡萄糖RMSE 22.08gydF4y2Ba 60分钟预测水平(mg/dL) RMSE 32.61;美24.25;葡萄糖RMSE 38.04gydF4y2Ba |
朱等[gydF4y2Ba |
360天(模拟)8周(临床试验)gydF4y2Ba | 通过UVA-Padova T1D模拟器计算机生成的10名成人和来自OhioT1DM数据集的6名T1D患者gydF4y2Ba | 平均49 (SD 31)gydF4y2Ba | 扩张RNN和迁移学习gydF4y2Ba |
RMSE为20.1 mg/dLgydF4y2Ba |
Li, K,未发表数据,2019年10月gydF4y2Ba | 6个月gydF4y2Ba | 通过UVA-Padova T1D模拟器,10名计算机生成的成人和10名计算机生成的儿童gydF4y2Ba | >18和<18gydF4y2Ba | 深度强化学习;双扩张RNNgydF4y2Ba |
成人:葡萄糖TIRgydF4y2Ba米gydF4y2Ba93%gydF4y2Ba 儿童:葡萄糖TIR 83%gydF4y2Ba |
Munoz-Organero等[gydF4y2Ba |
10天(模拟)4天(临床试验)gydF4y2Ba | 通过AIDA糖尿病软件计算机生成的40名成人和来自D1NAMO开放数据集的9名T1D患者gydF4y2Ba | N/AgydF4y2Ba | LSTM和RNNgydF4y2Ba |
计算机生成的患者:RMSE <5 mg/dLgydF4y2Ba 真实患者:RMSE <10 mg/dLgydF4y2Ba |
Ranvier等人[gydF4y2Ba |
5天gydF4y2Ba | 1例T1D患者gydF4y2Ba | N/AgydF4y2Ba | 决策树gydF4y2Ba |
由于缺乏患者数据多样性,模型验证仍在进行中gydF4y2Ba |
奇霍兹等[gydF4y2Ba |
2天gydF4y2Ba | T1D患者10例gydF4y2Ba | 平均值44 (SD 15)gydF4y2Ba | 正向选择和线性LRgydF4y2Ba |
准确率99%gydF4y2Ba 灵敏度79%gydF4y2Ba |
一个gydF4y2BaT1D: 1型糖尿病。gydF4y2Ba
bgydF4y2Ba支持向量机:支持向量机。gydF4y2Ba
cgydF4y2BaAUC:曲线下面积。gydF4y2Ba
dgydF4y2BaROC:受试者工作特征。gydF4y2Ba
egydF4y2BaN/A:不适用。gydF4y2Ba
fgydF4y2Ba逻辑回归。gydF4y2Ba
ggydF4y2BaRF:随机森林。gydF4y2Ba
hgydF4y2BaMLP:多层感知器。gydF4y2Ba
我gydF4y2BaLSTM:长短期记忆。gydF4y2Ba
jgydF4y2BaRNN:循环神经网络。gydF4y2Ba
kgydF4y2BaRMSE:均方根误差。gydF4y2Ba
lgydF4y2BaMAE:平均绝对误差。gydF4y2Ba
米gydF4y2BaTIR:目标范围内时间。gydF4y2Ba
Mordvanyuk等人的一项研究[gydF4y2Ba
在血糖预测方面,这些研究中使用的算法包括线性自回归模型和状态空间时间序列模型,分类算法如支持向量机(SVM),分类树,逻辑回归和随机森林[gydF4y2Ba
我们的研究是专门针对T1D患者进行的,他们对这种类型的预测算法的需求最大,因为他们对外源性因素的高度敏感性和他们的血糖变异性增加而更加复杂。在Jensen等人的实验中[gydF4y2Ba
张等[gydF4y2Ba
戴夫等人[gydF4y2Ba
一些研究[gydF4y2Ba
Eren-Oruklu等[gydF4y2Ba
这些研究中使用的一些预测算法使用线性回归或卡尔曼滤波器,这些计算方法使用先验数据进行短期预测,也可以集成到监测设备中。根据糖尿病控制和并发症试验[gydF4y2Ba
蔡斯等[gydF4y2Ba
在白金汉等人进行的21个晚上的随机研究中,总共检查了3种预测算法变体[gydF4y2Ba
随着cgm、胰岛素泵和身体活动追踪器等设备的日益普及,以及T1D患者碳水化合物的计数,可以收集到各种各样的数据,用于预测血糖。根据收集的数据、复杂性和算法的最终目标,在一些研究中使用了各种方法,并有1或2个补充数据输入,通常是胰岛素剂量、碳水化合物,甚至两者都有。前面提到的输入数据很容易获得,因为它们通常是在传感器增强型泵试验中捕获的,并且为建模提供了足够的精度。在许多评估研究中,生理模型对这2个额外的数据输入进行了处理[gydF4y2Ba
有证据表明,在预测模型中包含胰岛素和碳水化合物数据通常会提高算法的性能,即使是非常小的数量。然而,除了临床试验之外,在临床试验中,患者是根据他们对指示的依从性和他们的能力(例如,计算碳水化合物)而被故意选择的,在现实生活环境中,这样的输入似乎不太可能。gydF4y2Ba
预测模型中考虑的特征或特征。gydF4y2Ba
研究gydF4y2Ba | CGMgydF4y2Ba一个gydF4y2Ba阅读gydF4y2Ba | 血糖仪测量gydF4y2Ba | 胰岛素剂量gydF4y2Ba | 身体质量指数gydF4y2Ba | 碳水化合物gydF4y2Ba | 餐gydF4y2Ba | 活动gydF4y2Ba | 心电图gydF4y2BabgydF4y2Ba | HRVgydF4y2BacgydF4y2Ba | 糖尿病持续时间gydF4y2Ba | HbAgydF4y2Ba1 cgydF4y2BadgydF4y2Ba |
Mordvanyuk等[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
|
|
保罗等人[gydF4y2Ba |
✓gydF4y2Ba |
|
|
|
|
|
|
|
|
|
|
詹森等人[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
|
|
✓gydF4y2Ba |
|
张等[gydF4y2Ba |
|
✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
|
|
|
|
|
戴夫等人[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
|
|
✓gydF4y2Ba | ✓gydF4y2Ba |
Eren-Oruklu等[gydF4y2Ba |
✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
|
|
|
|
|
|
蔡斯等[gydF4y2Ba |
✓gydF4y2Ba | ✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
|
|
|
✓gydF4y2Ba | ✓gydF4y2Ba |
白金汉等人[gydF4y2Ba |
✓gydF4y2Ba |
|
|
|
|
|
|
|
|
|
✓gydF4y2Ba |
乔治等人[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
✓gydF4y2Ba |
伯塔奇等人[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
|
✓gydF4y2Ba |
|
|
|
|
瓦赫迪等人[gydF4y2Ba |
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
玛丽奇等人[gydF4y2Ba |
✓gydF4y2Ba |
|
|
|
|
|
|
|
✓gydF4y2Ba |
|
|
圣等[gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
|
|
|
✓gydF4y2Ba |
|
|
|
邝等[gydF4y2Ba |
✓gydF4y2Ba |
|
|
|
|
|
|
|
|
|
|
朱等[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
|
|
|
|
Li, K,未发表数据,2019年10月gydF4y2Ba | ✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
|
|
|
|
Munoz-Organero等[gydF4y2Ba |
✓gydF4y2Ba |
|
✓gydF4y2Ba |
|
|
✓gydF4y2Ba |
|
|
|
|
|
Ranvier等人[gydF4y2Ba |
|
|
|
|
|
✓gydF4y2Ba | ✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
奇霍兹等[gydF4y2Ba |
✓gydF4y2Ba | ✓gydF4y2Ba | ✓gydF4y2Ba |
|
|
|
|
✓gydF4y2Ba | ✓gydF4y2Ba | ✓gydF4y2Ba | ✓gydF4y2Ba |
一个gydF4y2BaCGM:持续血糖监测。gydF4y2Ba
bgydF4y2Ba心电图:心电图。gydF4y2Ba
cgydF4y2BaHRV:心率变异性。gydF4y2Ba
dgydF4y2BaHbAgydF4y2Ba1 cgydF4y2Ba:血红蛋白AgydF4y2Ba1 cgydF4y2Ba.gydF4y2Ba
Georga等人的研究[gydF4y2Ba
另一个影响血糖水平的重要因素是体育锻炼。伯塔奇等人[gydF4y2Ba
总的来说,将患者活动信号作为算法的输入可以提高其可预测性,这在实践中表明,许多广泛可用的活动监测系统都足够准确,可以用于这项任务。在低血糖预测过程中,合并不同的模型和检查每个系统中数据格式的可变性方面,潜在的问题可能更具技术性。其他相关信息,如压力、医疗和患者生活中的日常事件,可以视为潜在的输入,这可能有助于区分这些预测模型。gydF4y2Ba
瓦赫迪等人[gydF4y2Ba
另一个机器学习模型是Maritsch等人正在进行的研究中开发的[gydF4y2Ba
将CGM、胰岛素泵和活动跟踪器连接到移动设备的能力可以应用多种不同的算法和复杂的基于云的估计。上述几种预测算法的一个主要共同点是[gydF4y2Ba
近年来,研究人员研究了低血糖水平对心脏电活动的影响。在低血糖期间,研究显示QT间期延长(Q波开始和T波结束之间的时间),心率变异性(HRV)升高,心脏复极改变。因此,监测ECG改变可以提供一种检测低血糖开始的无创方法。新型ECG可穿戴设备的出现使心脏信号的收集变得轻松,并为通过ECG数据和使用深度学习技术识别低血糖铺平了道路。gydF4y2Ba
在San等人的研究中[gydF4y2Ba
另一个预测血糖水平的深度学习框架最近被开发出来[gydF4y2Ba
一般来说,机器学习和深度学习方法在数据分析和预测方面展示了巨大的可能性,它们专注于自动学习行为和从大规模数据中提取特征。开发了深度学习模型[gydF4y2Ba
一项研究(Li, K,未发表数据,2019年10月)建议使用深度强化学习,并基于UVA-Padova T1D模拟器的数据,为T1D患者提供双激素传递方法[gydF4y2Ba
在另一个基于深度学习的混合模型中[gydF4y2Ba
在非侵入性方法中,Ranvier等人[gydF4y2Ba
奇霍兹等[gydF4y2Ba
这些研究表明,ECG可以在自由生活环境下辅助患者检测低血糖发作。升级的设备和优化的算法可以使某些方法在实践中更精确、更简单地部署。虽然T1D患者可能不是第一批受益于这些技术方法的患者,但其他因内分泌、肝脏或心脏疾病等其他疾病而经历低血糖发作的非T1D患者,可能会受到这些基于ecg的算法的积极影响。gydF4y2Ba
在T1D低血糖风险管理的背景下,本综述评估了几种低血糖或血糖水平预测方法。每种方法都包括用于预测血糖水平的不同技术和工具。一般来说,低血糖预测算法可以为T1D患者提供有价值的替代方案,以预防可能的发作,因为有许多患者经历无症状的低血糖发作。gydF4y2Ba
所审查的几种方法已经被纳入商业可用系统;即Bertachi等人提出的方法[gydF4y2Ba
不幸的是,预测血糖水平的准确性可能会有很大的差异。这类研究中的数据收集可能受到各种限制因素的影响,包括低效率的硬件、受限的医疗保健环境、患者不遵守研究程序以及由于大量生物医学数据记录而造成的障碍。这些障碍迫使机器学习研究人员处理有缺陷的数据,并为他们的预测模型寻找变通方法[gydF4y2Ba
CGM传感器被认为是糖尿病治疗的一次革命[gydF4y2Ba
然而,目前的CGM技术存在寿命有限、皮肤刺激、粘连问题和消耗品费用等缺点,可能无法负担终身跟踪和预测。挑战在于使用主流的无创传感器,如腕带和智能手表,来建立可靠的低血糖和高血糖预测模型,遵循主流设备中可用的ECG和HR传感器的范式,并用于帮助心脏疾病患者[gydF4y2Ba
应该在其局限性的范围内解释这一审查。我们使用了一组有限的术语来搜索文献。我们没有使用特定算法的关键词,我们可能无意中忽略了可能有助于T1D低血糖预测算法取得进展的研究。我们在有限的数据库中搜索文章(例如,gydF4y2Ba
在这项系统综述中,我们包括了广泛的低血糖预测算法和系统,其中一些使用了特定的医疗或活动设备,如cgm和活动跟踪器。然而,这些方法不能单独推荐给患者;它们必须得到一项全面计划的支持,才能有效地支持医疗保健。具体而言,在部署正确的设备或技术来帮助T1D患者之前,需要进行教育和药物管理,以降低发生低血糖的概率。总的来说,我们的结论是,在接下来的几年里,与常用的cgm相比,其他低血糖预测方法将面临挑战,因为它们局限于事件检测,cgm也有可能通知患者他们的血糖变化率。gydF4y2Ba
根据相似度分类的研究所使用的算法数量。gydF4y2Ba
参考文献的数量基于他们考虑问题的年份。gydF4y2Ba
连续血糖监测gydF4y2Ba
深层信念网络gydF4y2Ba
扩张循环神经网络gydF4y2Ba
心电图gydF4y2Ba
广义自回归条件异方差gydF4y2Ba
心率变异性gydF4y2Ba
系统评价和元分析的首选报告项目gydF4y2Ba
支持向量机gydF4y2Ba
1型糖尿病gydF4y2Ba
没有宣布。gydF4y2Ba