Remote Management of Diabetic Patients

Abstract

A diabetes mellitus tipo 2 é a forma mais comum dos três principais tipos de diabetes. Caracteriza-se por ser uma doença crónica que afeta a capacidade do organismo controlar os níveis de glicose no sangue com consequências significativas a curto e longo prazo. Os recentes avanços tecnológicos na área da diabetes, tais como os sistemas de monitorização contínua da glicose, fornecem fontes fiáveis de dados. Este tipo de dispositivos quando acoplados a aplicações smartphone que ajudam e encorajam mudanças no estilo de vida dos pacientes permitem uma maior proximidade com a doença e, consequentemente, melhoram o controlo glicémico, prevenindo potenciais episódios perigosos para a saúde dos indivíduos com esta patologia.A presente tese faz parte do projeto financiado intitulado "POWER - Empowering a digital future". Sendo que, de vários subprojetos integrados, esta insere-se no âmbito da Assisted Living e e-Health. O objetivo é investigar metodologias de inteligência artificial e desenvolver uma plataforma algorítmica para a análise e previsão de sinais fisiológicos, bem como a sua utilização na gestão da diabetes. Portanto, é possível dividir os objetivos desta tese em dois módulos. Um correspondente à previsão dos níveis de glicose para pacientes com diabetes tipo 2, e o outro relativo ao fornecimento de recomendações que incidam sobre os hábitos de vida dos mesmos, utilizando as previsões feitas pelo modulo anterior como suporte.Relativamente ao módulo da previsão, compararam-se diferentes modelos tais como Autoregressive Integrated Moving Average (ARIMA), Case-based reasoning (CBR), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Re- current Unit (GRU) e Jump Neural Network (JNN). Através de um compromisso entre o desempenho do modelo e a complexidade computacional, o modelo RNN foi escolhido como o modelo final. Verificou-se que esta implementação pode ser utilizada para obter resultados satisfatórios no horizonte de previsão (PH) de 2h e 4h. Para a sua utilização num horizonte de 12h, deve observa-se que os resultados não serão os mais adequados. As experiências foram realizadas utilizando os dados de 10 indivíduos registados em condições de vida livre. Destes, utilizámos 3 pacientes, escolhidos aleatoriamente, no conjunto de dados para testar os algoritmos implementados. Os resultados globais para o modelo RNN foram: 34,82 mg/dL para o erro quadrático médio (RMSE) e 18,33% para o erro percentual médio absoluto (MAPE) (PH=2h); 46,59 mg/dL para RMSE e 24,35% para MAPE (PH=4h); 50,19 mg/dL para RMSE e 27,74% para MAPE (PH=12h). Uma das etapas futuras deste projeto consiste em validar os modelos implementados num conjunto de dados recolhidos e fornecidos pelo Centro Hospitalar e Universitário de Coimbra (CHUC). Com estes dados, pretende-se incorporar mais algumas características para além do registo dos valores de glicose, tais como a ingestão de hidratos de carbono e o nível de atividade física. Uma contribuição deste trabalho é o desenvolvimento de um modelo de previsão para pacientes com diabetes tipo 2, cuja existência na literatura é escassa. São necessários mais estudos nesta área para compreender e melhorar os modelos para estes pacientes. Deverão ser feitos mais estudos para identificar quais os horizontes de previsão mais úteis para os pacientes do tipo 2.Já no módulo da recomendação, desenvolveu-se um sistema de recomendação baseado em conhecimento, implementado através de regras extraídas de diretrizes fornecidas pelas principais associações internacionais de diabetes. Todas as regras desenvolvidas foram testadas através da criação de cenários hipotéticos, a fim de verificar que eram sugeridas quando necessário e de forma correta. O trabalho futuro consiste na validação e complementaridade destas regras por parte de uma equipa de endocrinologistas dos CHUC, principalmente no desenvolvimento de novas regras que utilizem os valores obtidos pelo módulo de previsão como input, de modo a criar regras mais personalizadas. A existência da previsão, além de alertar o paciente para a existência de picos de glicose potencialmente perigosos, fornecerá esses valores ao módulo de recomendação. Assim, com base nos futuros valores de glicose previstos, poderão ser sugeridas modificações nas ações do quotidiano dos pacientes. Estas, quando tomadas, devem evitar que os picos previstos sejam atingidos e, assim, ajudar a gerir o valor da glicose na gama saudável.As fases futuras deste projeto, que contarão com a parceria da Altice Labs e do CHUC, serão cruciais para validar e melhorar os módulos desenvolvidos. Uma vez concluídas, a API implementada na plataforma de gestão remota para pacientes diabéticos SmartAL da Altice será atualizada.

Type 2 diabetes mellitus is the most common form of the three main types of diabetes. It is a chronic disease affecting the body's ability to control blood glucose levels with significant short and long-term consequences. Recent technological advances in the field of diabetes, such as Continuous Monitoring Devices (CGMs), provide reliable sources of blood glucose data. These types of devices when coupled with smartphone applications that help and encourage lifestyle changes in patients, allow a greater proximity to the disease and consequently improve glycemic control, preventing potentially dangerous episodes to the health of individuals with this pathology.This thesis is part of the funded project entitled "POWER - Empowering a digital future". Of several integrated subprojects, this one falls under the scope of Assisted Living and e-Health. The goal is to investigate artificial intelligence methodologies and develop an algorithmic platform for the analysis and prediction of physiological signals, as well as its use in diabetes management. Therefore, it is possible to divide the objectives of this thesis into two modules. One corresponding to the prediction of glucose levels for patients with type 2 diabetes, and the other related to the provision of recommendations that focus on their lifestyle habits, using the predictions made by the previous module as support.Regarding the forecasting module, different models such as Autoregressive Integrated Moving Average (ARIMA), Case-based reasoning (CBR), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Re- current Unit (GRU) and Jump Neural Network (JNN) were compared. Through a trade-off between model performance and computational complexity, the RNN model was chosen as the final model. It was found that this implementation can be used to obtain satisfactory results in the prediction horizon (PH) of 2h and 4h. For its use in 12h horizon, it should be observed that the results will not be the most adequate. The experiments were performed using data from 10 individuals recorded in free-living conditions. Of these, we used 3 randomly chosen patients in the data set to test the implemented algorithms. The overall results for the RNN model were: 34.82 mg/dL for Root Mean Square Error (RMSE) and 18.33% for Mean Absolute Percentage Error (MAPE) (PH=2h); 46.59 mg/dL for RMSE and 24.35% for MAPE (PH=4h); 50.19 mg/dL for RMSE and 27.74% for MAPE (PH=12h). One of the future stages of this project consists in validating the models implemented in a set of data collected and provided by the Centro Hospitalar e Universitário de Coimbra (CHUC). With these data, it is intended to incorporate some more features in addition to the recording of glucose values, such as carbohydrate intake and level of physical activity. A contribution of this work is the development of a prediction model for patients with type 2 diabetes, whose existence in the literature is scarce. More studies are needed in this area to understand and improve models for these patients. Further studies should be conducted to identify which prediction horizons are most useful for type 2 patients.As for the recommendation module, a knowledge-based recommendation system was developed and implemented using rules extracted from guidelines provided by major international diabetes associations. All developed rules were tested through the creation of hypothetical scenarios, in order to verify that they were suggested when necessary and correctly. Future work consists in the validation and complementarity of these rules by a team of endocrinologists. Mainly, in the development of new rules that use the values obtained by the prediction module as input, in order to create more personalized rules. The existence of the prediction, besides alerting the patient to potentially dangerous glucose peaks, will provide these values to the recommendation module. Thus, based on the predicted future glucose values, modifications to the patients' everyday actions can be suggested. These, when taken, should prevent the predicted peaks from being reached and thus help manage the glucose value in the healthy range.The future stages of this project, which will count on the partnership of Altice Labs and CHUC, will be crucial in validating and improving the modules developed. When completed, the API implemented in Altice's SmartAL remote management platform for diabetic patients will be updated.