Insulin utelämnande surrogat (iOS) (iOS)

Våra huvudsakliga hypoteser:

1. att personer som lever med typ 1-diabetes som rapporterar avsiktligt utelämnande av insulin kommer att ha en högre risk för störda ätbeteenden och diabetesrelaterade komorbiditeter;
2. att det kommer att vara möjligt att fastställa olika prediktorer för avsiktliga insulinbortfallsbeteenden genom att använda maskininlärningstekniker.

Statistisk analys:

Normaliteten för datafördelningen kommer att kontrolleras för varje värde med hjälp av en grafisk analys av fördelningen och ett Kolmogorov-Smirnov-test innan parametriska tester utförs. En beskrivning av egenskaperna hos deltagarna som ingår i denna studie kommer att utföras. Kontinuerliga variabler kommer att presenteras av medelvärdet och standardavvikelsen för normalfördelningar, median och intervall för andra. Kategoriska variabler kommer att presenteras efter antal och procent av varje modalitet. Signifikansnivån för proven ska vara lika med eller lägre än 0,05. Risken för alfafel är satt till 0,05, med Bonferroni-korrigering vid behov.

• Mål 1 - 24-timmars dietary recall: Makronäringsämnenas sammansättning och fördelning (på dagen), såväl som portionsstorlekarna för matintaget kommer att beräknas med hjälp av Canadian Food Guide 2007 eller Canadian Nutrient File.
• Mål 2 - Prevalens och svårighetsgrad av diabetes och dess komorbiditeter: Båda grupperna, som har eller inte avsiktligt utelämnat insulin, kommer att jämföras med hjälp av konventionella statistiska analyser.
• Mål 3 - Prediktiv modellering: Baserat på en tidigare publicerad metodik (Iceta et al., 2021) kommer det första steget att vara att minska entropin i datamängden med hjälp av en rangordning (Fast Correlation-Based Filter, FCBF) för att identifiera de mest diskriminerande prediktor mellan de två klassmärkta datamängderna (med och utan insulinutelämnande). Endast objekt med en FCBF-poäng > 0,1 kommer att behållas för de efterföljande stegen i datautvinningsanalysen. Det andra steget i datautvinningsanalysen kommer att syfta till att välja den mest relevanta prediktiva algoritmen för avsiktlig utelämnande av insulin. Prestanda för olika prediktiva algoritmer kommer att testas och jämföras: logistisk regression, artificiella neurala nätverk, naiv Bayes-klassificering, beslutsträd, AdaBoost-metaalgoritm, CN2-regelinduceralgoritm, SVM-algoritm, k-närmaste grannars algoritm och stokastisk gradientalgoritm. Dessa artificiell intelligensalgoritmer kommer att korsvalideras (tio gånger i rad) med ett randomiserat inlärningsprov, förnyat tio gånger och representerar 66 % av studiepopulationen. Valideringsurvalet kommer att representeras av övriga 33 % av befolkningen. Den prediktiva algoritmen med den bästa precisionen och F1-poängen kommer att betraktas som den bästa värdefulla algoritmen.