Osoby chore na cukrzycę muszą unikać hipoglikemii, ponieważ może ona prowadzić do zawrotów głowy, dezorientacji, drgawek, a w skrajnych przypadkach nawet do utraty przytomności. Regularne monitorowanie poziomu glukozy jest kluczowe dla utrzymania stabilnego stanu zdrowia i zapobiegania powikłaniom. Długoterminowe skutki częstych epizodów hipoglikemii są bardzo poważne i obejmują zwiększone ryzyko chorób serca oraz upośledzenie funkcji poznawczych. W ramach specjalistycznego programu opieki nad pacjentami konieczne było opracowanie systemu pozwalającego na przewidywanie ryzyka hipoglikemii na podstawie danych pochodzących ze standardowych glukometrów, bez konieczności stosowania drogich i zaawansowanych technologii, takich jak ciągłe monitorowanie glukozy (CGM). Kluczowym wyzwaniem było stworzenie rozwiązania, które pozwoliłoby na automatyczne generowanie ostrzeżeń i powiadomień dla pacjentów oraz ich lekarzy, minimalizując tym samym ryzyko nagłych spadków poziomu cukru we krwi.

Opracowaliśmy oprogramowanie oparte na algorytmach uczenia maszynowego, które analizuje pomiary poziomu glukozy we krwi z glukometrów oraz dodatkowe informacje dotyczące pacjenta, takie jak przyjmowane leki i indywidualne cechy organizmu. System przetwarza dane wejściowe, aby na ich podstawie oceniać prawdopodobieństwo wystąpienia hipoglikemii w określonym przedziale czasowym. Kluczowym elementem tego procesu jest staranna ekstrakcja cech predykcyjnych, która została poprzedzona dogłębną analizą literatury naukowej dotyczącej mechanizmów regulacji poziomu cukru we krwi. Zastosowaliśmy optymalizację warunków włączania i wyłączania pacjentów z próby badawczej na podstawie liczby i regularności pomiarów glikemii, co pozwoliło na stworzenie modelu dopasowanego do warunków rzeczywistych.
Model machine learning uwzględnia indywidualne trendy zmian poziomu cukru, co pozwala na precyzyjne przewidywanie potencjalnych epizodów hipoglikemii. Algorytm analizuje wzorce zmian poziomu glukozy w odniesieniu do czasu, spożywanych posiłków, przyjmowanych leków oraz aktywności fizycznej. Wdrożony system charakteryzuje się czułością ponad 85% oraz specyficznością na podobnym poziomie, co pozwala na skuteczne identyfikowanie sytuacji wysokiego ryzyka bez generowania nadmiernej liczby fałszywych alarmów.
Dodatkowo oprogramowanie posiada funkcjonalność automatycznych powiadomień, które są wysyłane do pacjentów w przypadku wykrycia wysokiego prawdopodobieństwa wystąpienia hipoglikemii. Umożliwia to podjęcie odpowiednich działań profilaktycznych, takich jak spożycie przekąski lub dostosowanie dawki insuliny, jeszcze zanim poziom glukozy spadnie do niebezpiecznego poziomu. W efekcie system skutecznie wspiera pacjentów w zarządzaniu cukrzycą, poprawiając ich jakość życia i poczucie bezpieczeństwa.

Walidacja modelu wykazała wysoką skuteczność prognozowania hipoglikemii, osiągając ponad 85% czułości i specyficzności. Przeprowadzone badanie ankietowe wśród pacjentów potwierdziło, że zastosowanie systemu znacznie poprawia ich poczucie bezpieczeństwa oraz komfort życia. Dodatkowo analiza decyzji podejmowanych przez system wykazała, że skutecznie zastępuje on pracę wysoko wykwalifikowanego zespołu medycznego, co pozwala na optymalizację kosztów opieki zdrowotnej.

Prace nad projektem rozpoczęliśmy od konsultacji dotyczących kryteriów włączania i wyłączania pacjentów do badania, analizując częstotliwość i regularność dokonywania pomiarów poziomu glukozy we krwi. Przeprowadziliśmy szczegółową analizę wymagań biznesowych, które wpłynęły na wybór podejścia algorytmicznego. Kolejnym krokiem było wykonanie przeglądu literatury naukowej oraz analiza istniejących modeli predykcyjnych stosowanych w diabetologii. Opracowaliśmy algorytmy ekstrakcji potencjalnych predyktorów, zoptymalizowaliśmy hiperparametry modelu uczenia maszynowego i przeprowadziliśmy jego walidację na niewielkiej próbie danych. Ostatecznie dostarczyliśmy w pełni funkcjonalne oprogramowanie.

Stworzyliśmy precyzyjny model predykcji hipoglikemii (machine learning) oparty na metodach ekstrakcji cech, analizie trendów glikemicznych, wsparty optymalizacją jego hiperparametrów. Proces walidacji obejmował ocenę na małych próbach (takimi dysponowaliśmy) oraz jakościową ocenę modelu przez specjalistów diabetologii.