Prediktiv A1c Baserat på CGM-data med CGM-data (A1c)

Introduktion. Hemoglobin A1C (HbA1c) återspeglar den genomsnittliga blodsockernivån för de senaste två till tre månaderna. De senaste framstegen inom sensorteknologin underlättar den dagliga övervakningen av blodsockret med hjälp av CGM-enheter. Den framtida förutsägelsen av HbA1C baserat på CGM-data har en avgörande betydelse för att upprätthålla långsiktig hälsa hos diabetespatienter. Ett högre värde än normalt för HbA1c ökar avsevärt sannolikheten för diabetesrelaterad hjärt-kärlsjukdom.

Mål. Syftet med denna studie är att förutsäga HbA1c i förväg genom att använda CGM-data genom att tillämpa maskininlärningstekniker. Resultaten av denna forskning kommer att hjälpa till att förbättra hälsan hos diabetespatienter.

Metoder. Detta är en retrospektiv analys. Utredarna kommer att avidentifiera och analysera 120 patienter med T1D som har använt CGM-sensor under de senaste tre månaderna. Senaste 15 dagarnas CGM-data kommer att analyseras och olika glukosvariabilitetsfunktioner såsom tid i intervallet (TIR), variationskoefficient (CV), medelamplitud av glykemisk avvikelse (MAGE), medelvärde av dagliga skillnader (MODD), kontinuerligt totalt netto glykemisk verkan (CONGA) kommer att extraheras. En maskininlärningsmodell kommer att beräkna (förutsäga) HbA1c inom 2-3 månader i förväg baserat på dessa 15 dagars CGM-data. För att utvärdera prestandan hos den föreslagna prediktionsmodellen kommer förutsagt HbA1c att jämföras med det verkliga HbA1c.