Surrogat für fehlendes Insulin (iOS) (iOS)

Unsere wichtigsten Hypothesen:

1. dass Menschen mit Typ-1-Diabetes, die über absichtliches Auslassen von Insulin berichten, ein höheres Risiko für gestörtes Essverhalten und diabetesbedingte Komorbiditäten haben;
2. dass es möglich sein wird, verschiedene Prädiktoren für absichtliches Insulinauslassungsverhalten durch den Einsatz von maschinellen Lerntechniken zu ermitteln.

Statistische Analyse:

Die Normalität der Datenverteilung wird für jeden Wert mit einer grafischen Analyse der Verteilung und einem Kolmogorov-Smirnov-Test überprüft, bevor parametrische Tests durchgeführt werden. Eine Beschreibung der Merkmale der in diese Studie eingeschlossenen Teilnehmer wird durchgeführt. Kontinuierliche Variablen werden durch Mittelwert und Standardabweichung für Normalverteilungen, Median und Bereich für andere dargestellt. Kategoriale Variablen werden durch Anzahl und Prozentsatz jeder Modalität dargestellt. Das Signifikanzniveau der Tests muss gleich oder kleiner als 0,05 sein. Das Risiko eines Alpha-Fehlers wird auf 0,05 festgelegt, gegebenenfalls mit Bonferroni-Korrektur.

• Ziel 1 – 24-Stunden-Erinnerung an die Ernährung: Die Zusammensetzung und Verteilung der Makronährstoffe (über den Tag) sowie die Portionsgrößen der Nahrungsaufnahme werden anhand des Canadian Food Guide 2007 oder des Canadian Nutrient File berechnet.
• Ziel 2 – Prävalenz und Schweregrad von Diabetes und seinen Komorbiditäten: Beide Gruppen, die Insulin absichtlich weggelassen haben oder nicht, werden anhand herkömmlicher statistischer Analysen verglichen.
• Ziel 3 – Vorhersagemodellierung: Basierend auf einer zuvor veröffentlichten Methodik (Iceta et al., 2021) besteht der erste Schritt darin, die Entropie im Datensatz mithilfe eines Rangfolgeverfahrens (dem Fast Correlation-Based Filter, FCBF) zu reduzieren, um die meisten zu identifizieren diskriminierender Prädiktor zwischen den beiden klassenmarkierten Datensätzen (mit und ohne Insulinauslassung). Nur Items mit einem FCBF-Score > 0,1 werden für die weiteren Schritte der Data-Mining-Analyse beibehalten. Der zweite Schritt der Data-Mining-Analyse zielt darauf ab, den relevantesten prädiktiven Algorithmus für das absichtliche Auslassen von Insulin auszuwählen. Die Leistungen verschiedener prädiktiver Algorithmen werden getestet und verglichen: logistische Regression, künstliche neuronale Netze, naive Bayes-Klassifikation, Entscheidungsbäume, AdaBoost-Meta-Algorithmus, CN2-Regel-Inducer-Algorithmus, SVM-Algorithmus, k-nächster-Nachbarn-Algorithmus und stochastischer Gradienten-Algorithmus. Diese Algorithmen der künstlichen Intelligenz werden (zehnmal hintereinander) mit einer randomisierten Lernstichprobe kreuzvalidiert, zehnmal erneuert und repräsentieren 66 % der Studienpopulation. Die Validierungsstichprobe wird durch die anderen 33 % der Bevölkerung repräsentiert. Der prädiktive Algorithmus mit der besten Präzision und dem besten F1-Score wird als der wertvollste Algorithmus angesehen.