인슐린 생략 대리모(iOS) (iOS)

우리의 주요 가설:

1. 의도적인 인슐린 누락을 보고한 제1형 당뇨병 환자는 섭식 장애 및 당뇨병 관련 합병증의 위험이 더 높을 것입니다.
2. 기계 학습 기술을 사용하여 의도적인 인슐린 누락 행동의 다른 예측 변수를 설정할 수 있습니다.

통계 분석:

파라메트릭 테스트를 수행하기 전에 분포의 그래픽 분석과 Kolmogorov-Smirnov 테스트를 사용하여 각 값에 대해 데이터 분포의 정규성을 확인합니다. 이 연구에 포함된 참가자의 특성에 대한 설명이 수행됩니다. 연속 변수는 정규 분포에 대한 평균 및 표준 편차, 기타 분포에 대한 중앙값 및 범위로 표시됩니다. 범주형 변수는 각 양식의 수와 백분율로 표시됩니다. 검정의 유의 수준은 0.05 이하이어야 합니다. 알파 오류의 위험은 0.05로 설정되며 필요한 경우 Bonferroni 수정이 적용됩니다.

• 목표 1 - 24시간 식이 회수: 캐나다 식품 가이드 2007 또는 캐나다 영양소 파일을 사용하여 음식 섭취량의 1인분 크기뿐만 아니라 다량 영양소 구성 및 재분할(하루 중).
• 목적 2 - 당뇨병 및 동반이환의 유병률 및 중증도: 의도적으로 인슐린을 생략했는지 여부에 관계없이 두 그룹 모두 기존의 통계 분석을 사용하여 비교됩니다.
• 목표 3 - 예측 모델링: 이전에 발표된 방법론(Iceta et al., 2021)을 기반으로 첫 번째 단계는 순위 절차(Fast Correlation-Based Filter, FCBF)를 사용하여 데이터 세트의 엔트로피를 줄이는 것입니다. 2개의 클래스 레이블이 지정된 데이터 세트(인슐린 생략 포함 및 제외) 사이의 구별 예측자. FCBF 점수 > 0.1인 항목만 데이터 마이닝 분석의 후속 단계에서 유지됩니다. 데이터 마이닝 분석의 두 번째 단계는 의도적인 인슐린 누락에 대해 가장 적절한 예측 알고리즘을 선택하는 것을 목표로 합니다. 로지스틱 회귀, 인공 신경망, 나이브 베이즈 분류, 결정 트리, AdaBoost 메타 알고리즘, CN2 규칙 유도 알고리즘, SVM 알고리즘, k-최근접 이웃 알고리즘 및 확률적 기울기 알고리즘과 같은 다양한 예측 알고리즘의 성능을 테스트하고 비교합니다. 이러한 인공 지능 알고리즘은 무작위 학습 샘플을 사용하여 교차 검증(연속 10회)되며, 10회 갱신되고 연구 모집단의 66%를 나타냅니다. 유효성 검사 샘플은 모집단의 나머지 33%로 표시됩니다. 최고의 정밀도와 F1 점수를 가진 예측 알고리즘이 가장 가치 있는 알고리즘으로 간주됩니다.