Substitut d'omission d'insuline (iOS) (iOS)

Nos principales hypothèses :

1. que les personnes atteintes de diabète de type 1 qui signalent une omission intentionnelle d'insuline auront un risque plus élevé de comportements alimentaires désordonnés et de comorbidités liées au diabète ;
2. qu'il sera possible d'établir différents prédicteurs des comportements d'omission intentionnelle d'insuline en utilisant des techniques d'apprentissage automatique.

Analyses statistiques:

La normalité de la distribution des données sera vérifiée pour chaque valeur à l'aide d'une analyse graphique de la distribution et d'un test de Kolmogorov-Smirnov avant d'effectuer des tests paramétriques. Une description des caractéristiques des participants inclus dans cette étude sera effectuée. Les variables continues seront présentées par la moyenne et l'écart-type pour les distributions normales, la médiane et l'intervalle pour les autres. Les variables catégorielles seront présentées par le nombre et le pourcentage de chaque modalité. Le niveau de signification des tests doit être égal ou inférieur à 0,05. Le risque d'erreur alpha est fixé à 0,05, avec correction de Bonferroni si nécessaire.

• Objectif 1 - Rappel alimentaire de 24 heures : La composition et la répartition des macronutriments (dans la journée), ainsi que la taille des portions de l'apport alimentaire seront calculées à l'aide du Guide alimentaire canadien 2007 ou du Fichier canadien sur les éléments nutritifs.
• Objectif 2 - Prévalence et sévérité du diabète et de ses comorbidités : Les deux groupes, ayant ou non intentionnellement omis l'insuline, seront comparés à l'aide d'analyses statistiques classiques.
• Objectif 3 - Modélisation prédictive : Sur la base d'une méthodologie précédemment publiée (Iceta et al., 2021), la première étape consistera à réduire l'entropie dans l'ensemble de données à l'aide d'une procédure de classement (le Fast Correlation-Based Filter, FCBF) pour identifier les prédicteur discriminant entre les deux ensembles de données étiquetés par classe (avec et sans omission d'insuline). Seuls les items avec un score FCBF > 0,1 seront retenus pour les étapes suivantes de l'analyse de data-mining. La deuxième étape de l'analyse de data-mining visera à sélectionner l'algorithme prédictif le plus pertinent pour l'omission intentionnelle d'insuline. Les performances de différents algorithmes prédictifs seront testées et comparées : régression logistique, réseaux de neurones artificiels, classification bayésienne naïve, arbres de décision, méta-algorithme AdaBoost, algorithme inducteur de règles CN2, algorithme SVM, algorithme des k plus proches voisins et algorithme de gradient stochastique. Ces algorithmes d'intelligence artificielle seront validés de manière croisée (dix fois de suite) avec un échantillon d'apprentissage randomisé, renouvelé dix fois et représentant 66% de la population étudiée. L'échantillon de validation sera représenté par les 33 % restants de la population. L'algorithme prédictif avec la meilleure précision et le meilleur score F1 sera considéré comme le meilleur algorithme de valeur.