TY - JOUR AU - Faruqui, Syed Hasib Akhter AU - Du, Yan AU - Meka, Rajitha AU - Alaeddini, Adel AU - Li, Chengdong AU - Shirinkam, Sara AU - Wang, Jing PY - 2019 DA - 2019/11/1 TI - 2型糖尿病血糖水平动态预测深度学习模型的开发:随机对照试验的二次分析JO - JMIR Mhealth Uhealth SP - e14452 VL - 7 IS - 11 KW - 2型糖尿病KW -基于长短期记忆(LSTM)的循环神经网络(RNNs) KW -血糖水平预测KW -移动健康生活方式数据AB -背景:2型糖尿病(T2DM)是一个主要的公共卫生负担。糖尿病的自我管理，包括保持健康的生活方式，对于血糖控制和预防糖尿病并发症至关重要。基于移动的健康数据可以在预测血糖水平、生活方式管理和控制2型糖尿病方面发挥重要作用。目的:本研究的目的是根据T2DM患者的日常移动健康生活方式数据，包括前一天的饮食、体育活动、体重和血糖水平，动态预测2型糖尿病患者的每日血糖水平。方法:我们使用了10名超重或肥胖的T2DM患者的数据，这些患者在行为生活方式干预中使用移动工具每日监测饮食、身体活动、体重和血糖超过6个月。我们开发了一种基于长短期记忆的循环神经网络的深度学习模型，用于预测单个患者第二天的血糖水平。神经网络使用了几层计算节点来模拟移动健康数据(食物摄入量包括消耗的卡路里、脂肪和碳水化合物;锻炼;和重量)从一天到另一天从嘈杂的数据。 Results: The model was validated based on a data set of 10 patients who had been monitored daily for over 6 months. The proposed deep learning model demonstrated considerable accuracy in predicting the next day glucose level based on Clark Error Grid and ±10% range of the actual values. Conclusions: Using machine learning methodologies may leverage mobile health lifestyle data to develop effective individualized prediction plans for T2DM management. However, predicting future glucose levels is challenging as glucose level is determined by multiple factors. Future study with more rigorous study design is warranted to better predict future glucose levels for T2DM management. SN - 2291-5222 UR - https://mhealth.www.mybigtv.com/2019/11/e14452 UR - https://doi.org/10.2196/14452 UR - http://www.ncbi.nlm.nih.gov/pubmed/31682586 DO - 10.2196/14452 ID - info:doi/10.2196/14452 ER -