Использование нейросетевых технологий в прогнозировании осложнений при сахарном диабете
ART 86427
Авторы:
М.
А. Темирбулатов, А.
Г. Мустафаев
М.
А. Темирбулатов, А.
Г. Мустафаев Библиографическое описание статьи для цитирования:
Темирбулатов
М.
А.,
Мустафаев
А.
Г. Использование нейросетевых технологий в прогнозировании осложнений при сахарном диабете // Научно-методический электронный журнал «Концепт». –
2016. – Т. 11. – С.
1996–2000. – URL:
http://e-koncept.ru/2016/86427.htm.
Аннотация. Сахарный диабет – это эндокринное заболевание, связанное с дефицитом естественного инсулина и характеризующееся неспособностью организма человека поддерживать необходимый уровень глюкозы в крови. Это заболевание вызывает множество опасных осложнений, предотвратить которые можно только при тщательном контроле уровня глюкозы в крови. Для решения этой задачи подбора оптимальной дозы искусственного инсулина применяются системы постоянного мониторинга уровня глюкозы. В работе разработана интеллектуальная модель прогнозирования уровня глюкозы в крови, позволяющая предупреждать о критическом уровне сахара, чтобы пациент мог принять все необходимые меры для недопущения кризиса.
Текст статьи
Темирбулатов Магомед Абдуллаевич,студент 1го курса ГАОУ ВО «Дагестанский государственный университет народного хозяйства», г. Махачкала
Мустафаев Арслан Гасанович, доктор технических наук, профессор кафедры информационный технологий и информационной безопасности ГАОУ ВО «Дагестанский государственный университет народного хозяйства», г. Махачкала
Использование нейросетевых технологий
в прогнозировании осложнений при сахарном диабете
Аннотация.Сахарный диабет это эндокринное заболевание связанной с дефицитом естественного инсулина и характеризующееся неспособностью организма человека поддерживать необходимый уровень глюкозы в крови. Это заболевание вызывает множество опасных осложнений, предотвратить которые можно только при тщательном контроле уровня глюкозы в крови. Для решения этой задачи подбора оптимальной дозы искусственного инсулина применяются системы постоянного мониторинга уровня глюкозы. В работе разработана интеллектуальная модель прогнозирования уровня глюкозы в крови, позволяющая предупреждать о критическом уровне сахара, чтобы пациент мог принять все необходимые меры для недопущения кризиса.Ключевые слова: Сахарный диабет, нейронная сеть, прогнозирование, модель, мониторинг.
Сахарный диабет это метаболическое заболевание, вызванноеабсолютным дефицитом секреции инсулина и характеризующееся неспособностью организма поддерживать уровень глюкозы в крови в интервале 45 ммоль/л. Диабет вызывает множество опасных осложнений, избежать которые можно только путем контроля уровня глюкозы в кровии его удержания в физиологичном интервале. Основным путем решения этой задачи в настоящее время является введение в кровь пациента искусственных инсулинов[1]. Оптимальные типыи дозы искусственного инсулиназависят от многих факторов.Подбор дозы инсулина является сложной задачей, с которой могут справиться далеко не все пациенты. Для решения этойзадачи применяютсясистемы постоянного мониторинга уровня глюкозы[2].Система измеряет уровень глюкозы в крови каждые пять минут (288 измерений в сутки), такое тщательное определение позволяет врачу и пациенту подобрать необходимую программу введения искусственного инсулина.Многие устройства постоянногомониторингаглюкозытакже имеют возможность подавать сигналы тревоги, срабатывающие, когда уровни глюкозы в крови больного диабетом слишком низкие или слишком высокие.Вместе с этим, вэндокринологии хорошоизвестно, что введенный пациенту инсулин начинает оказывать влияние на уровеньглюкозы в крови не ранее чемчерез 20 минут с момента введения[3], поэтому сработавший сигнал о текущем критическомуровне (низком или высоком)глюкозы в кровине оставляет больному достаточного ресурса времени для исправления ситуации, что может привести к осложнениям, вплоть до летального исхода.В данной работе предложена модель прогнозирования уровня глюкозы в крови,позволяющая заблаговременнопредупреждать о критическом уровнесахара, чтобыпациент могпринять все необходимые меры для недопущения кризиса.Совместное применение прогнозирующей системы и устройства постоянного мониторинга уровня глюкозы позволяет создать систему автоматического управления уровнем глюкозы в крови пациента.Cложность моделируемого объектаиотсутствие математических моделей делает эффективным использование для его моделирования аппарата искусственных нейронных сетей.В приложении к медицинской диагностике нейронные сети дают возможность значительно повысить специфичность метода, не снижая его чувствительность. Отличительное свойство нейронных сетей состоит в том, что они не программируются не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В большинстве задач диагностики, дифференциальной диагностика, прогнозирования, выбора стратегии и тактики лечения и др. достаточно легко набрать необходимое количество примеров для обучения НС. Медицинские задачи практически всегда имеют несколько способов решения и "нечеткий" характер ответа, совпадающий со способом выдачи результата нейронными сетями.Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Это определяется следующимипричинами:Богатые возможности.Нейронные сети –исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сетинелинейныпо своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна,линейные модели работают плохо;Простота в использовании.Нейронные сетиучатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускаеталгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какойто набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Нейросетевые технологии призваны решать трудноформализуемые задачи, к которым, в частности, сводятся многие проблемы медицины [4].Основу каждой нейронной сети составляют относительно простые, в большинстве случаев –однотипные, элементы, имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов –однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон –выходную связь данного нейрона, с которой сигнал поступает на синапсы следующих нейронов.Для всех нейронных сетей характерен принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слоии соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется нейронная сеть.Моделирование проводилось посредством инструментария Neural Network Toolbox изсредыMatlab2015b, ввиду широких возможностей данной системы, удобства разработки сложных приложений, развитых средств визуализации результатов исследования.В результате недельного наблюдения над пациентом были получены данные об его уровне глюкозы,регистрируемые с интервалом 5 мин. в течение каждых суток. Общее число зафиксированных значений 2016. Перед обучением нейронной сети имеющиеся данные были разделены на обучающую (50% данных, 1008значений), контрольную (25% данных, 504значения) итестовую(25% данных, 504значения) выборки.Данные из первой выборки использовались при обучении нейронной сети, данные из второй выборки при оценке производительности сети на этапе обучения, данные из третьей выборки при оценке эффективности обученной нейронной сети.Для моделирования и решения задачи прогнозирования использовалась нейронная сеть, архитектурное решение которой реализовано в виде многослойного (трехслойного) персептрона.
Обобщенная структура нейронной сети показана на рис.1.
Рис. 1.Структура нейронной сети.
Разработанная искусственная нейронная сеть содержит входной слой, один скрытый слой и выходной слой (рис. 1). Для активации скрытого и выходного слоя использовалась логистическая функция, для активации входного слоя линейная функция (рис. 2).
Входной слой, нейронной сети, имеет шесть нейронов, выходной слой имеет один нейрон. На вход нейронной сети подаются значения уровня глюкозы в крови за последние шесть измерений (t, t5 мин, t10 мин, t15 мин, t20 мин, t25 мин). Выходом искусственной нейронной сети является прогнозируемое среднесрочное значение (60мин) уровня глюкозы в крови больногодиабетом.
Рис. 2. Активационные функции нейронной сети: а)логистическая; б)линейная.
На рис. 3показано сравнение прогнозируемых значений уровня глюкозы в крови, со значениями полученными в ходе постоянного мониторинга.Результаты исследования эффективности показывают, что нейронные сети прямого распространения могут обеспечить удовлетворительное качество прогноза уровня глюкозы в крови на рассмотренноминтервалепрогнозирования. Среднеквадратичная ошибка прогноза в условиях исследованияне превышала0,35 ммоль/л.
Рис.3: Прогнозируемый уровень глюкозы в крови (горизонт прогноза –60 минут) и данные постоянного мониторинга.
В работе проверена эффективность использования обученных нейронных сетей прямого распространения для прогнозирования значений уровня глюкозы в крови. Разработанная модель позволила выявить 89% случаев гипогликемиии 72%случаев гипергликемии при интервале прогнозирования 60 минут. В большинстве случаев прогнозирующий горизонт величиной 60 минут является достаточным для болеющего диабетом человека чтобы предпринять действия для недопущения гипогликемии или гипергликемии.
Ссылки на источники1.Фадеев П. А. Сахарный диабет. М.: Оникс, 2011, с.208.2.Pappada S.M., Cameron B.D., Rosman P.M. Development of a Neural Network for Prediction of Glucose Concentration in Type 1 Diabetes Patients. JournalofDiabetesScienceandTechnology, 2008, №2(5), pp.792801.3.Эндокринология. Национальное руководство. Краткое издание. Под ред. Дедова И.И., Мельниченко Г.А.ГЭОТАРМедиа, 2016, с.752.4.Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Российский журнал биомеханики.
2011. Т.5, №3 (53).
Мустафаев Арслан Гасанович, доктор технических наук, профессор кафедры информационный технологий и информационной безопасности ГАОУ ВО «Дагестанский государственный университет народного хозяйства», г. Махачкала
Использование нейросетевых технологий
в прогнозировании осложнений при сахарном диабете
Аннотация.Сахарный диабет это эндокринное заболевание связанной с дефицитом естественного инсулина и характеризующееся неспособностью организма человека поддерживать необходимый уровень глюкозы в крови. Это заболевание вызывает множество опасных осложнений, предотвратить которые можно только при тщательном контроле уровня глюкозы в крови. Для решения этой задачи подбора оптимальной дозы искусственного инсулина применяются системы постоянного мониторинга уровня глюкозы. В работе разработана интеллектуальная модель прогнозирования уровня глюкозы в крови, позволяющая предупреждать о критическом уровне сахара, чтобы пациент мог принять все необходимые меры для недопущения кризиса.Ключевые слова: Сахарный диабет, нейронная сеть, прогнозирование, модель, мониторинг.
Сахарный диабет это метаболическое заболевание, вызванноеабсолютным дефицитом секреции инсулина и характеризующееся неспособностью организма поддерживать уровень глюкозы в крови в интервале 45 ммоль/л. Диабет вызывает множество опасных осложнений, избежать которые можно только путем контроля уровня глюкозы в кровии его удержания в физиологичном интервале. Основным путем решения этой задачи в настоящее время является введение в кровь пациента искусственных инсулинов[1]. Оптимальные типыи дозы искусственного инсулиназависят от многих факторов.Подбор дозы инсулина является сложной задачей, с которой могут справиться далеко не все пациенты. Для решения этойзадачи применяютсясистемы постоянного мониторинга уровня глюкозы[2].Система измеряет уровень глюкозы в крови каждые пять минут (288 измерений в сутки), такое тщательное определение позволяет врачу и пациенту подобрать необходимую программу введения искусственного инсулина.Многие устройства постоянногомониторингаглюкозытакже имеют возможность подавать сигналы тревоги, срабатывающие, когда уровни глюкозы в крови больного диабетом слишком низкие или слишком высокие.Вместе с этим, вэндокринологии хорошоизвестно, что введенный пациенту инсулин начинает оказывать влияние на уровеньглюкозы в крови не ранее чемчерез 20 минут с момента введения[3], поэтому сработавший сигнал о текущем критическомуровне (низком или высоком)глюкозы в кровине оставляет больному достаточного ресурса времени для исправления ситуации, что может привести к осложнениям, вплоть до летального исхода.В данной работе предложена модель прогнозирования уровня глюкозы в крови,позволяющая заблаговременнопредупреждать о критическом уровнесахара, чтобыпациент могпринять все необходимые меры для недопущения кризиса.Совместное применение прогнозирующей системы и устройства постоянного мониторинга уровня глюкозы позволяет создать систему автоматического управления уровнем глюкозы в крови пациента.Cложность моделируемого объектаиотсутствие математических моделей делает эффективным использование для его моделирования аппарата искусственных нейронных сетей.В приложении к медицинской диагностике нейронные сети дают возможность значительно повысить специфичность метода, не снижая его чувствительность. Отличительное свойство нейронных сетей состоит в том, что они не программируются не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В большинстве задач диагностики, дифференциальной диагностика, прогнозирования, выбора стратегии и тактики лечения и др. достаточно легко набрать необходимое количество примеров для обучения НС. Медицинские задачи практически всегда имеют несколько способов решения и "нечеткий" характер ответа, совпадающий со способом выдачи результата нейронными сетями.Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Это определяется следующимипричинами:Богатые возможности.Нейронные сети –исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сетинелинейныпо своей природе. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна,линейные модели работают плохо;Простота в использовании.Нейронные сетиучатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускаеталгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какойто набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании традиционных методов статистики.
Нейросетевые технологии призваны решать трудноформализуемые задачи, к которым, в частности, сводятся многие проблемы медицины [4].Основу каждой нейронной сети составляют относительно простые, в большинстве случаев –однотипные, элементы, имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов –однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон –выходную связь данного нейрона, с которой сигнал поступает на синапсы следующих нейронов.Для всех нейронных сетей характерен принцип параллельной обработки сигналов, который достигается путем объединения большого числа нейронов в так называемые слоии соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно.Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется нейронная сеть.Моделирование проводилось посредством инструментария Neural Network Toolbox изсредыMatlab2015b, ввиду широких возможностей данной системы, удобства разработки сложных приложений, развитых средств визуализации результатов исследования.В результате недельного наблюдения над пациентом были получены данные об его уровне глюкозы,регистрируемые с интервалом 5 мин. в течение каждых суток. Общее число зафиксированных значений 2016. Перед обучением нейронной сети имеющиеся данные были разделены на обучающую (50% данных, 1008значений), контрольную (25% данных, 504значения) итестовую(25% данных, 504значения) выборки.Данные из первой выборки использовались при обучении нейронной сети, данные из второй выборки при оценке производительности сети на этапе обучения, данные из третьей выборки при оценке эффективности обученной нейронной сети.Для моделирования и решения задачи прогнозирования использовалась нейронная сеть, архитектурное решение которой реализовано в виде многослойного (трехслойного) персептрона.
Обобщенная структура нейронной сети показана на рис.1.
Рис. 1.Структура нейронной сети.
Разработанная искусственная нейронная сеть содержит входной слой, один скрытый слой и выходной слой (рис. 1). Для активации скрытого и выходного слоя использовалась логистическая функция, для активации входного слоя линейная функция (рис. 2).
Входной слой, нейронной сети, имеет шесть нейронов, выходной слой имеет один нейрон. На вход нейронной сети подаются значения уровня глюкозы в крови за последние шесть измерений (t, t5 мин, t10 мин, t15 мин, t20 мин, t25 мин). Выходом искусственной нейронной сети является прогнозируемое среднесрочное значение (60мин) уровня глюкозы в крови больногодиабетом.
Рис. 2. Активационные функции нейронной сети: а)логистическая; б)линейная.
На рис. 3показано сравнение прогнозируемых значений уровня глюкозы в крови, со значениями полученными в ходе постоянного мониторинга.Результаты исследования эффективности показывают, что нейронные сети прямого распространения могут обеспечить удовлетворительное качество прогноза уровня глюкозы в крови на рассмотренноминтервалепрогнозирования. Среднеквадратичная ошибка прогноза в условиях исследованияне превышала0,35 ммоль/л.
Рис.3: Прогнозируемый уровень глюкозы в крови (горизонт прогноза –60 минут) и данные постоянного мониторинга.
В работе проверена эффективность использования обученных нейронных сетей прямого распространения для прогнозирования значений уровня глюкозы в крови. Разработанная модель позволила выявить 89% случаев гипогликемиии 72%случаев гипергликемии при интервале прогнозирования 60 минут. В большинстве случаев прогнозирующий горизонт величиной 60 минут является достаточным для болеющего диабетом человека чтобы предпринять действия для недопущения гипогликемии или гипергликемии.
Ссылки на источники1.Фадеев П. А. Сахарный диабет. М.: Оникс, 2011, с.208.2.Pappada S.M., Cameron B.D., Rosman P.M. Development of a Neural Network for Prediction of Glucose Concentration in Type 1 Diabetes Patients. JournalofDiabetesScienceandTechnology, 2008, №2(5), pp.792801.3.Эндокринология. Национальное руководство. Краткое издание. Под ред. Дедова И.И., Мельниченко Г.А.ГЭОТАРМедиа, 2016, с.752.4.Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Российский журнал биомеханики.
2011. Т.5, №3 (53).
