Insulin utelatelsessurrogat (iOS) (iOS)

Våre hovedhypoteser:

1. at personer som lever med type 1-diabetes som rapporterer tilsiktet insulinutelatelse vil ha høyere risiko for uordnet spiseatferd og diabetesrelaterte komorbiditeter;
2. at det vil være mulig å etablere ulike prediktorer for tilsiktet insulinutelatelsesatferd ved å bruke maskinlæringsteknikker.

Statistisk analyse:

Normaliteten til datafordelingen vil bli kontrollert for hver verdi ved hjelp av en grafisk analyse av fordelingen og en Kolmogorov-Smirnov-test før parametriske tester utføres. Det vil bli utført en beskrivelse av egenskapene til deltakerne som er inkludert i denne studien. Kontinuerlige variabler vil bli presentert ved gjennomsnitt og standardavvik for normalfordelinger, median og rekkevidde for andre. Kategoriske variabler vil bli presentert etter antall og prosentandel av hver modalitet. Signifikansnivået på prøvene må være lik eller lavere enn 0,05. Risikoen for alfafeil er satt til 0,05, med Bonferroni-korrigering om nødvendig.

• Mål 1 - 24-timers tilbakekalling av kosthold: Makronæringsstoffenes sammensetning og fordeling (på dagen), samt porsjonsstørrelsene for matinntaket vil bli beregnet ved å bruke Canadian Food Guide 2007 eller Canadian Nutrient File.
• Mål 2 - Prevalens og alvorlighetsgrad av diabetes og dens komorbiditeter: Begge gruppene, som har eller ikke med vilje utelater insulin, vil bli sammenlignet ved bruk av konvensjonelle statistiske analyser.
• Mål 3 - Prediktiv modellering: Basert på en tidligere publisert metodikk (Iceta et al., 2021), vil det første trinnet være å redusere entropi i datasettet ved å bruke en rangeringsprosedyre (Fast Correlation-Based Filter, FCBF) for å identifisere de mest diskriminerende prediktor mellom de to klassemerkede datasettene (med og uten insulinutelatelse). Kun elementer med en FCBF-score > 0,1 vil bli beholdt for de påfølgende trinnene i datautvinningsanalysen. Det andre trinnet i datautvinningsanalysen tar sikte på å velge den mest relevante prediktive algoritmen for tilsiktet utelatelse av insulin. Ytelser til forskjellige prediktive algoritmer vil bli testet og sammenlignet: logistisk regresjon, kunstige nevrale nettverk, naiv Bayes-klassifisering, beslutningstrær, AdaBoost-metaalgoritme, CN2-regelinduseralgoritme, SVM-algoritme, k-nærmeste naboers algoritme og stokastisk gradientalgoritme. Disse kunstige intelligensalgoritmene vil kryssvalideres (ti ganger på rad) med et randomisert læringsutvalg, fornyet ti ganger og representerer 66 % av studiepopulasjonen. Valideringsutvalget vil være representert av de øvrige 33 % av befolkningen. Den prediktive algoritmen med best presisjon og F1-poengsum vil bli vurdert som den beste verdifulle algoritmen.