Substituto de Omissão de Insulina (iOS) (iOS)

Nossas principais hipóteses:

1. que as pessoas que vivem com diabetes tipo 1 que relatam omissão intencional de insulina terão um risco maior de comportamentos alimentares desordenados e comorbidades relacionadas ao diabetes;
2. que será possível estabelecer diferentes preditores de comportamentos de omissões intencionais de insulina usando técnicas de aprendizado de máquina.

Análise estatística:

A normalidade da distribuição dos dados será verificada para cada valor usando uma análise gráfica da distribuição e um teste de Kolmogorov-Smirnov antes da realização dos testes paramétricos. Será realizada uma descrição das características dos participantes incluídos neste estudo. Variáveis ​​contínuas serão apresentadas pela média e desvio padrão para distribuições normais, mediana e amplitude para as demais. As variáveis ​​categóricas serão apresentadas pelo número e percentual de cada modalidade. O nível de significância dos testes deve ser igual ou inferior a 0,05. O risco de erro alfa é fixado em 0,05, com correção de Bonferroni, se necessário.

• Objetivo 1 - Recordatório alimentar de 24 horas: A composição e repartição dos macronutrientes (no dia), bem como o tamanho das porções da ingestão de alimentos, serão calculados usando o Canadian Food Guide 2007 ou o Canadian Nutrient File.
• Objetivo 2 - Prevalência e gravidade do diabetes e suas comorbidades: Ambos os grupos, com ou sem omissão intencional de insulina, serão comparados por meio de análises estatísticas convencionais.
• Objetivo 3 - Modelagem preditiva: Com base em uma metodologia publicada anteriormente (Iceta et al., 2021), o primeiro passo será reduzir a entropia no conjunto de dados usando um procedimento de classificação (Filtro Baseado em Correlação Rápida, FCBF) para identificar os preditor discriminante entre os dois conjuntos de dados rotulados por classe (com e sem omissão de insulina). Apenas os itens com pontuação FCBF > 0,1 serão retidos para as etapas subsequentes da análise de mineração de dados. A segunda etapa da análise de mineração de dados terá como objetivo selecionar o algoritmo preditivo mais relevante para a omissão intencional de insulina. Os desempenhos de diferentes algoritmos preditivos serão testados e comparados: regressão logística, redes neurais artificiais, classificação Naive Bayes, árvores de decisão, meta-algoritmo AdaBoost, algoritmo indutor de regras CN2, algoritmo SVM, algoritmo de k-vizinhos mais próximos e algoritmo de gradiente estocástico. Esses algoritmos de inteligência artificial serão validados (dez vezes seguidas) com uma amostra de aprendizagem aleatória, renovada dez vezes e representando 66% da população do estudo. A amostra de validação será representada pelos outros 33% da população. O algoritmo preditivo com a melhor precisão e pontuação F1 será considerado o algoritmo de melhor valor.