Voorspellende A1c op basis van CGM-gegevens met behulp van CGM-gegevens (A1c)

Invoering. De hemoglobine A1C (HbA1c) weerspiegelt de gemiddelde bloedglucosespiegel van de afgelopen twee tot drie maanden. Recente ontwikkelingen in de sensortechnologie vergemakkelijken de dagelijkse controle van de bloedglucose met behulp van CGM-apparaten. De toekomstige voorspelling van de HbA1C op basis van de CGM-gegevens is van cruciaal belang voor het behoud van de gezondheid van diabetespatiënten op de lange termijn. Een hoger dan normale waarde van het HbA1c vergroot de kans op diabetesgerelateerde hart- en vaatziekten aanzienlijk.

Doel. Het doel van deze studie is om de HbA1c vooraf te voorspellen door gebruik te maken van de CGM-gegevens door het toepassen van machine learning-technieken. De resultaten van dit onderzoek zullen helpen bij het verbeteren van de gezondheid van diabetespatiënten.

methoden. Dit is een retrospectieve analyse. De onderzoekers zullen 120 patiënten met T1D de-identificeren en analyseren die de afgelopen drie maanden een CGM-sensor hebben gebruikt. CGM-gegevens van de afgelopen 15 dagen worden geanalyseerd en verschillende kenmerken van de glucosevariabiliteit, zoals time in range (TIR), variatiecoëfficiënt (CV), gemiddelde amplitude van glykemische excursie (MAGE), gemiddelde van dagelijkse verschillen (MODD), continu totaal netto glycemische actie (CONGA) zal worden geëxtraheerd. Een machine learning-model berekent (voorspelt) HbA1c 2-3 maanden van tevoren op basis van deze 15 dagen aan CGM-gegevens. Om de prestaties van het voorgestelde voorspellingsmodel te evalueren, zal de voorspelde HbA1c worden vergeleken met de werkelijke HbA1c.