インスリン欠乏サロゲート (iOS) (iOS)

主な仮説:

1. 1型糖尿病患者で、意図的なインスリンの欠乏を報告している人は、摂食行動の障害や糖尿病関連の併存疾患のリスクが高くなります。
2. 機械学習技術を使用することで、意図的なインスリン欠落行動のさまざまな予測因子を確立することが可能になります。

統計分析：

データ分布の正規性は、パラメトリック検定を実行する前に、分布のグラフ分析とコルモゴロフ-スミルノフ検定を使用して、各値についてチェックされます。 この研究に含まれる参加者の特徴の説明が行われます。 連続変数は、正規分布の平均と標準偏差、その他の中央値と範囲で表示されます。 カテゴリ変数は、各モダリティの数とパーセンテージで表示されます。 検定の有意水準は 0.05 以下でなければなりません。 アルファ エラーのリスクは 0.05 に設定され、必要に応じてボンフェローニ補正が行われます。

• 目標 1 - 24 時間の食事の想起: 多量栄養素の組成と再配分 (1 日)、および食物摂取量は、2007 年カナダ フード ガイドまたはカナダ栄養ファイルを使用して計算されます。
• 目的 2 - 糖尿病およびその合併症の有病率と重症度: 意図的にインスリンを除外したグループとそうでないグループの両方を、従来の統計分析を使用して比較します。
• 目的 3 - 予測モデリング: 以前に公開された方法論 (Iceta et al., 2021) に基づいて、最初のステップは、ランキング手順 (高速相関ベースのフィルター、FCBF) を使用してデータセットのエントロピーを減らし、最も2つのクラスラベル付きデータセット間の識別予測子（インスリンの省略の有無にかかわらず）。 FCBF スコアが 0.1 を超えるアイテムのみが、データ マイニング分析の後続のステップのために保持されます。 データ マイニング分析の 2 番目のステップは、意図的なインスリンの省略に最も関連性のある予測アルゴリズムを選択することを目的としています。 ロジスティック回帰、人工ニューラル ネットワーク、単純ベイズ分類、デシジョン ツリー、AdaBoost メタアルゴリズム、CN2 ルール インデューサ アルゴリズム、SVM アルゴリズム、k 最近傍アルゴリズム、確率的勾配アルゴリズムなど、さまざまな予測アルゴリズムのパフォーマンスがテストおよび比較されます。 これらの人工知能アルゴリズムは、無作為化された学習サンプルで相互検証 (10 回連続) され、10 回更新され、研究母集団の 66% を表します。 検証サンプルは、母集団の残りの 33% によって表されます。 最高の精度と F1 スコアを持つ予測アルゴリズムが、最高の価値のあるアルゴリズムと見なされます。