Comparación de modelos de aprendizaje automático para predecir la glucosa intersticial utilizando un reloj inteligente y un registro de alimentos
Autores: Ali, Haider; Niazi, Imran Khan; White, David; Akhter, Malik Naveed; Madanian, Samaneh
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Comparación de modelos de aprendizaje automático para predecir la glucosa intersticial utilizando un reloj inteligente y un registro de alimentos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje automático
Glucosa intersticial
Sensores portátiles
Síndromes metabólicos
árbol de decisiones
Bosque aleatorio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 63
Citaciones: Sin citaciones
Este estudio examina el rendimiento de varios modelos de aprendizaje automático (ML) en la predicción de los niveles de Glucosa Intersticial (IG) utilizando datos de sensores ponibles en la muñeca. Los conocimientos derivados de estas predicciones pueden ayudar a comprender los síndromes metabólicos y estados de enfermedad. Un conjunto de datos público que comprende información del reloj inteligente Empatica E4, el Monitor Continuo de Glucosa Dexcom (CGM) que mide IG, y un registro de alimentos fue utilizado. Los datos crudos se procesaron en características, las cuales luego se utilizaron para entrenar diferentes modelos de ML. Este estudio evalúa el rendimiento de los modelos de árbol de decisión (DT), máquina de vectores de soporte (SVM), Random Forest (RF), Análisis Discriminante Lineal (LDA), K-Vecinos más Cercanos (KNN), Bayes Ingenuo Gaussiano (GNB), validación cruzada Lasso (LassoCV), Ridge, Elastic Net y XGBoost. Para la clasificación, las etiquetas de IG se categorizaron en alto, estándar y bajo, y el rendimiento de los modelos de ML se evaluó utilizando precisión (41-78%), recuperación (39-77%), puntuación F1 (0.31-0.77) y curvas de característica operativa del receptor (ROC). Los modelos de regresión que predicen los valores de IG se evaluaron en función de los valores R-cuadrado (-7.84-0.84), error absoluto medio (5.54-60.84 mg/dL), error cuadrático medio (9.04-68.07 mg/dL) y métodos visuales como gráficos de residuos y QQ. Para evaluar si las diferencias entre los modelos eran estadísticamente significativas, se llevó a cabo la prueba de Friedman y se interpretó utilizando la prueba post hoc de Nemenyi. Los modelos basados en árboles, particularmente RF y DT, demostraron una precisión superior para tareas de clasificación en comparación con otros modelos. Para la regresión, el modelo RF logró el menor RMSE de 9.04 mg/dL con un valor R-cuadrado de 0.84, mientras que el modelo GNB tuvo el peor desempeño, con un RMSE de 68.07 mg/dL. Un análisis SHAP identificó el tiempo desde la medianoche como el predictor más significativo. Los gráficos de dependencia parcial revelaron interacciones complejas de características en el modelo RF, en contraste con las interacciones más simples capturadas por LDA.
Descripción
Este estudio examina el rendimiento de varios modelos de aprendizaje automático (ML) en la predicción de los niveles de Glucosa Intersticial (IG) utilizando datos de sensores ponibles en la muñeca. Los conocimientos derivados de estas predicciones pueden ayudar a comprender los síndromes metabólicos y estados de enfermedad. Un conjunto de datos público que comprende información del reloj inteligente Empatica E4, el Monitor Continuo de Glucosa Dexcom (CGM) que mide IG, y un registro de alimentos fue utilizado. Los datos crudos se procesaron en características, las cuales luego se utilizaron para entrenar diferentes modelos de ML. Este estudio evalúa el rendimiento de los modelos de árbol de decisión (DT), máquina de vectores de soporte (SVM), Random Forest (RF), Análisis Discriminante Lineal (LDA), K-Vecinos más Cercanos (KNN), Bayes Ingenuo Gaussiano (GNB), validación cruzada Lasso (LassoCV), Ridge, Elastic Net y XGBoost. Para la clasificación, las etiquetas de IG se categorizaron en alto, estándar y bajo, y el rendimiento de los modelos de ML se evaluó utilizando precisión (41-78%), recuperación (39-77%), puntuación F1 (0.31-0.77) y curvas de característica operativa del receptor (ROC). Los modelos de regresión que predicen los valores de IG se evaluaron en función de los valores R-cuadrado (-7.84-0.84), error absoluto medio (5.54-60.84 mg/dL), error cuadrático medio (9.04-68.07 mg/dL) y métodos visuales como gráficos de residuos y QQ. Para evaluar si las diferencias entre los modelos eran estadísticamente significativas, se llevó a cabo la prueba de Friedman y se interpretó utilizando la prueba post hoc de Nemenyi. Los modelos basados en árboles, particularmente RF y DT, demostraron una precisión superior para tareas de clasificación en comparación con otros modelos. Para la regresión, el modelo RF logró el menor RMSE de 9.04 mg/dL con un valor R-cuadrado de 0.84, mientras que el modelo GNB tuvo el peor desempeño, con un RMSE de 68.07 mg/dL. Un análisis SHAP identificó el tiempo desde la medianoche como el predictor más significativo. Los gráficos de dependencia parcial revelaron interacciones complejas de características en el modelo RF, en contraste con las interacciones más simples capturadas por LDA.