Συνδυασμός συστημικής δυναμικής ανάλυσης και τεχνικών μηχανικής μάθησης για τη διερεύνηση νέων προσεγγίσεων στην ανάπτυξη και επαλήθευση προσωποποιημένων δυναμικών μοντέλων βραχυπρόθεσμης πρόβλεψης της γλυκαιμικής δυναμικής, και ανάπτυξη πρότυπης πλατφόρμας λογισμικού με στόχο την αυτό-διαχείριση του σακχαρώδη διαβήτη αξιοποιώντας τεχνολογίες υπολογιστικού νέφους και φορητών συσκευών (cloud και mobile computing)

Abstract

Chronic diseases such as Diabetes Mellitus (DM) are a constantly growing problem for modern societies, regardless of their stage of development and socio-economic situation. DM in particular, unlike other diseases, displays increased dynamics in developing and developed social formations, which makes its prevention, treatment and management urgent and imperative. From the point of view of biomedical technology, one of the key challenges is the personalized short-term prediction of glucose concentrations in human blood, in order to prevent glycemic deregulation and provide a scientifically based basis for timely compensatory measures. Maintaining euglycemia, i.e. glucose concentrations around normal levels, is a critical way of managing the disease, especially when one takes into account the significant influence exerted on the involved physiological mechanisms by everyday events such as meal ingestion, physical activity, etc.Regarding the machine learning methods that can be used for short-term prediction purposes, this dissertation provides a critical review of the existing literature and proposes a specific methodological approach that is based on: a) the assumption that the time series of glucose concentration is the superposition of the result of all the regulatory and counter-regulatory mechanisms that influence glycaemic factors., b) the personalized approach resulting from the dynamic selection and training of models whose final characteristics differ from person to person, but also for the same person in different time periods. Also, a new metric is proposed for estimating the predictive performance of models, which in a single mathematical formulation contains combined elements of numerical and clinical evaluation. As part of this approach, a personalized modeling process based on machine learning techniques was created, which yielded a result clinically comparable to the corresponding optimal research efforts reported in the literature, while having great margins for improvement. This effort aspires to provide a more solid foundation for the methodological approach to the problem of specific predictive modeling and for its clinical application in real-world conditions. Finally, a prototype hardware and software combination system was developed, which was based on cloud computing architectures and the use of portable smart devices, in order to implement the dynamic modeling and short-term prediction process proposed and provide the basis for personal information solutions as well as automated management functionalities such as, for example, artificial pancreas devices.

Χρόνιες παθήσεις όπως ο Σακχαρώδης Διαβήτης (ΣΔ) αποτελούν ένα συνεχώς διογκούμενο πρόβλημα για τις σύγχρονες κοινωνίες, ανεξάρτητα από το στάδιο ανάπτυξης και την κοινωνικό-οικονομική τους κατάσταση. Ο ΣΔ ειδικά, σε αντίθεση με άλλες παθήσεις, εμφανίζει αυξημένη δυναμική σε αναπτυσσόμενους και ανεπτυγμένους κοινωνικούς σχηματισμούς, γεγονός που καθιστά την πρόληψη, την αντιμετώπιση και τη διαχείρισή του επείγουσα και επιτακτική.Από τη οπτική γωνία της βιοϊατρικής τεχνολογίας, μία από τις βασικές προκλήσεις είναι η προσωποποιημένη βραχυπρόθεσμη πρόβλεψη των συγκεντρώσεων της γλυκόζης στο ανθρώπινο αίμα, με σκοπό την πρόληψη της γλυκαιμικής απορρύθμισης και την παροχή μιας επιστημονικά αντικειμενικής βάσης για την έγκαιρη λήψη κατάλληλων αντισταθμιστικών μέτρων. Η διατήρηση της ευγλυκαιμίας, των συγκέντρωσης δηλαδή της γλυκόζης σε επίπεδα εντός φυσιολογικού εύρους, αποτελεί κρίσιμο παράγοντα διαχείρισης της ασθένειας, ειδικά αν λάβει κανείς υπόψη τη σημαντική επιρροή που ασκούν στους εμπλεκόμενους φυσιολογικούς μηχανισμούς καθημερινά συμβάντα όπως η λήψη τροφής, η σωματική άσκηση κλπ. Όσον αφορά στις μεθόδους μηχανικής μάθησης που μπορούν να χρησιμοποιηθούν για τους σκοπούς βραχυπρόθεσμης πρόβλεψης, στην παρούσα εργασία γίνεται μια κριτική ανασκόπηση της υφιστάμενης βιβλιογραφίας και προτείνεται μια συγκεκριμένη μεθοδολογική προσέγγιση η οποία βασίζεται: α) στην υπόθεση πως η χρονοσειρά της συγκέντρωσης της γλυκόζης αποτελεί την υπέρθεση του αποτελέσματος όλων των εμπλεκόμενων ρυθμιστικών και αντιρρυθμιστικών μηχανισμών που επηρεάζουν τους παράγοντες της γλυκαιμικής κατάστασης, β) στη προσωποποιημένη προσέγγιση που προκύπτει από την δυναμική επιλογή και εκπαίδευση μοντέλων των οποίων τα τελικά χαρακτηριστικά διαφέρουν από άτομο σε άτομο, αλλά και για το ίδιο άτομο σε διαφορετικές χρονικές περιόδους. Επίσης, προτείνεται μια νέα μετρική για την εκτίμηση της προβλεπτικής απόδοσης των μοντέλων, η οποία σε μία ενιαία μαθηματική διατύπωση εμπεριέχει συνδυαστικά στοιχεία αριθμητικής και κλινικής αποτίμησης. Στα πλαίσια αυτής της προσέγγισης, δημιουργήθηκε μια προσωποποιημένη διαδικασία μοντελοποίησης βασισμένη σε τεχνικές μηχανικής μάθησης, η οποία απέφερε αποτέλεσμα κλινικά συγκρίσιμο με τα αντίστοιχες βέλτιστες ερευνητικές προσπάθειες που αναφέρονται στη βιβλιογραφία, διαθέτοντας ταυτόχρονα μεγάλα περιθώρια βελτίωσης. Η προσπάθεια αυτή φιλοδοξεί να αποτελέσει ένα πιο στέρεο υπόβαθρο για τη μεθοδολογική προσέγγιση στο πρόβλημα της συγκεκριμένης προβλεπτικής μοντελοποίησης και για την κλινική εφαρμογή της σε πραγματικές συνθήκες. Τέλος, αναπτύχθηκε ένα πρωτότυπο σύστημα συνδυαστικής λειτουργίας υλικού και λογισμικού, το οποίο βασίστηκε σε αρχιτεκτονικές υπολογιστικού νέφους και χρήση φορητών έξυπνων συσκευών, με σκοπό την υλοποίηση της δυναμικής διαδικασίας μοντελοποίησης και βραχυπρόθεσμης πρόβλεψης που προτείνεται και μπορεί να αποτελέσει τη βάση για λύσεις προσωπικής πληροφόρησης καθώς επίσης αυτοματοποιημένων λειτουργιών διαχείρισης όπως, για παράδειγμα, συσκευών τεχνητού παγκρέατος.