可穿戴设备机器学习可以预测糖尿病前期患者的近期血糖控制

宾夕法尼亚大学的研究人员发现，使用可穿戴设备，尤其是手腕上的设备，以及机器学习方法可以预测血糖控制。一组研究人员不再依赖只能预测患者血糖控制是否会在未来5到10年内从前驱糖尿病发展为糖尿病的传统方法，而是发现将来自可穿戴显示器的实时数据和机器学习方法相结合可以创造只需六个月的数据即可准确和近期的血糖控制预测。

这项由宾夕法尼亚大学佩雷​​尔曼医学院领导的研究为通过更直接的干预措施潜在地预防该人群中的许多人患糖尿病打开了大门。这些发现发表在NPJDigitalMedicine上。

“虽然三分之一的成年人患有糖尿病前期，但我们缺乏一种实时识别患者是否正在发展或远离发展为糖尿病的方法，”主要作者、医学博士、工商管理硕士、副教授MiteshPatel说宾夕法尼亚大学医学博士和Ascension临床转化副总裁。“卫生系统和保险公司可能能够使用此类信息来更好地推荐行为或药物的改变以预防糖尿病，就像风险预测评分已经被用于预防心脏病一样。”

糖尿病前期是指患者的血糖升高，但未达到糖尿病的水平。这些患者有发展为该疾病的风险，因此医生通常根据为预测血糖控制而开发的模型(技术上称为“血糖”控制)以及时间点基线数据(例如测试或从约会中收集到的信息。短期预测数据仍然有限，大多数预测集中在未来5到10年。

在预防方面还有很多不足之处。因此，PennMedicine的研究人员着手研究是否可以创建一个模型，使预测更加直接，使用可穿戴设备和预测公式的组合，应用或不应用机器学习技术。

参与者是通过PennMedicine招募的，并被随机分配到研究的不同分支。每位患者都获得了一个跟踪身体活动、心率和睡眠活动的设备，并被分配了一个佩戴在手腕或腰部的可穿戴设备。这些设备与WaytoHealth同步，这是一个用于跟踪数据的PennMedicine平台，该平台每天都从设备中提取信息。所有患者还接受了类似同步的电子体重秤。六个月后，每位患者都接受了实验室测试和最后的称重。总共有150名参与者完成了这项研究。

当研究小组分析他们的数据时，他们发现，几乎全面，使用腕部可穿戴设备的患者对血糖控制的预测明显更好。这包括患者的血糖控制是否更好或恶化。研究人员注意到，佩戴腕部设备的患者比佩戴腰部可穿戴设备的患者平均多走1000步。

“这是一项随机试验，因此基线时的活动水平应该相似，但由于我们发现腕戴用户的步数更高，这可能表明他们在一天中佩戴设备的时间更长，”帕特尔说。“与腰部佩戴的可穿戴用户相比，这可能导致预测的差异。”

将机器学习预测模型与使用的传统模型进行比较，研究人员发现机器学习模型具有一致的优势。当数据按使用的设备类型细分时，与腕戴设备配对时，机器学习的预测能力会变得更强。

然而，当机器学习方法也与传统模型相结合(并与腕戴式设备配对)时，预测能力最高。

研究人员表示，下一步是将研究使用的预测模型整合到正常护理系统中，以覆盖更广泛的患者群体。这可能是一个轻微的障碍，但宾夕法尼亚大学已经凭借其开发的平台占据了一席之地。

“组织需要一个可扩展的平台来捕获和综合这些数据，并在理想情况下生成自动响应，以便可以大规模提供反馈，”资深作者、健康激励和行为经济学中心主任KevinVolpp医学博士说。“我们开发了WaytoHealth平台，Penn已经使用该平台成功地将远程患者监测数据整合到各种临床环境中的临床护理中。这个平台被的许多组织使用，健康之路或类似的东西可以用来帮助更广泛地实施这些类型的方法。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！