Surrogato di omissione di insulina (iOS) (iOS)

Le nostre principali ipotesi:

1. che le persone affette da diabete di tipo 1 che segnalano l'omissione intenzionale di insulina avranno un rischio maggiore di comportamenti alimentari disordinati e comorbidità legate al diabete;
2. che sarà possibile stabilire diversi predittori di comportamenti intenzionali di omissione di insulina utilizzando tecniche di apprendimento automatico.

Analisi statistica:

La normalità della distribuzione dei dati verrà verificata per ciascun valore utilizzando un'analisi grafica della distribuzione e un test di Kolmogorov-Smirnov prima dell'esecuzione dei test parametrici. Verrà eseguita una descrizione delle caratteristiche dei partecipanti inclusi in questo studio. Le variabili continue saranno presentate dalla media e dalla deviazione standard per le distribuzioni normali, mediana e range per le altre. Le variabili categoriche saranno presentate dal numero e dalla percentuale di ciascuna modalità. Il livello di significatività dei test deve essere uguale o inferiore a 0,05. Il rischio di errore alfa è fissato a 0,05, con la correzione di Bonferroni se necessario.

• Obiettivo 1 - Richiamo dietetico di 24 ore: la composizione e la ripartizione dei macronutrienti (nella giornata), così come le porzioni dell'assunzione di cibo saranno calcolate utilizzando la Canadian Food Guide 2007 o il Canadian Nutrient File.
• Obiettivo 2 - Prevalenza e gravità del diabete e delle sue comorbilità: entrambi i gruppi, che hanno o meno intenzionalmente omesso l'insulina, saranno confrontati utilizzando analisi statistiche convenzionali.
• Obiettivo 3 - Modellazione predittiva: sulla base di una metodologia precedentemente pubblicata (Iceta et al., 2021), il primo passo sarà ridurre l'entropia nel set di dati utilizzando una procedura di classificazione (Fast Correlation-Based Filter, FCBF) per identificare il più predittore discriminante tra i due set di dati etichettati per classe (con e senza omissione di insulina). Solo gli elementi con un punteggio FCBF > 0,1 verranno conservati per le fasi successive dell'analisi di data mining. La seconda fase dell'analisi di data mining mirerà a selezionare l'algoritmo predittivo più rilevante per l'omissione intenzionale di insulina. Verranno testate e confrontate le prestazioni di diversi algoritmi predittivi: regressione logistica, reti neurali artificiali, classificazione naive di Bayes, alberi decisionali, meta-algoritmo AdaBoost, algoritmo induttore di regole CN2, algoritmo SVM, algoritmo k-nearest neighbors e algoritmo di gradiente stocastico. Questi algoritmi di intelligenza artificiale saranno convalidati in modo incrociato (dieci volte di seguito) con un campione di apprendimento randomizzato, rinnovato dieci volte e che rappresenta il 66% della popolazione dello studio. Il campione di validazione sarà rappresentato dal restante 33% della popolazione. L'algoritmo predittivo con la migliore precisione e punteggio F1 sarà considerato come il miglior algoritmo di valore.