Details

Данная работа посвящена разработке мобильного приложения для прогнозирования риска гипогликемии у пациентов с врождённым органическим гиперинсулинизмом на основе данных непрерывного мониторинга глюкозы (CGM) и предоставленных моделей машинного обучения в формате ONNX. Цель работы заключается в реализации программного решения, обеспечивающего полный цикл обработки данных от импорта CSV-выгрузок системы FreeStyle Libre до системного уведомления пользователя о выявленном риске, в условиях автономной работы непосредственно на мобильном устройстве. В рамках работы выполнен критический анализ предметной области и сравнительный анализ существующих программных решений, разработан алгоритм подготовки данных CGM к выполнению инференса, спроектирована трёхслойная архитектура приложения по принципам чистой архитектуры и реализованы все программные компоненты. Приложение разработано с использованием языка Dart и фреймворка Flutter, обеспечивающего кроссплатформенную сборку для Android и iOS из единой кодовой базы. Запуск моделей на устройстве выполняется средствами библиотеки flutter_onnxruntime, локальное хранение данных — средствами Drift+SQLite, системные уведомления — средствами flutter_local_notifications. Проведена апробация разработанного решения на двух реальных выгрузках пациентов с врождённым гиперинсулинизмом, предоставленных СПбГПМУ, и на наборе синтетических сценариев. Все 44 автоматизированных модульных теста проходят успешно. Подтверждено побитовое совпадение результатов парсинга, расчёта признаков и инференса с эталонным Python-окружением, использованным при обучении моделей. Все 12 сформулированных требований выполнены. По теме работы опубликована статья «Программная реализация системы прогнозирования гипогликемии на основе искусственного интеллекта для мобильных устройств» в сборник «Современные технологии в теории и практике программирования», проиндексированный в РИНЦ. Областью применения результатов работы является использование разработанного приложения для апробации и сравнения ML-моделей прогнозирования гипогликемии на данных пациентов с гиперинсулинизмом, а также в качестве технологической основы для будущей промышленной версии с прямой интеграцией с датчиком CGM.

This work is devoted to the development of a mobile application that predicts hypoglycemia risk for patients with congenital organic hyperinsulinism based on continuous glucose monitoring (CGM) data and provided machine-learning models in the ONNX format. The goal of the work is to implement a software solution that supports the entire data-processing pipeline — from importing CSV exports of the FreeStyle Libre system to delivering a system notification of the detected risk — in a fully offline mode running directly on a mobile device. The work includes critical analysis of the subject domain, comparative analysis of existing software products, design of an algorithm for preparing CGM data for inference, design of a three-layer Clean Architecture, and full implementation of all software components. The application is developed using the Dart language and the Flutter framework that provides cross-platform builds for Android and iOS from a single code base. Inference is performed on the device with the flutter_onnxruntime library; local data storage uses Drift+SQLite; system notifications are produced via flutter_local_notifications. The implemented solution is validated against two real CGM exports of patients with congenital hyperinsulinism, provided by the Saint-Petersburg State Pediatric Medical University, and against a set of synthetic scenarios. All 44 automated unit tests pass successfully. Bit-by-bit agreement of CSV parsing, feature computation and inference with the reference Python pipeline used during model training is confirmed. All twelve formulated requirements are met. A conference paper «Software implementation of the artificial-intelligence-based hypoglycemia prediction system for mobile devices» was published in the collection «Modern Technologies in Theory and Practice of Programming», indexed in the Russian Science Citation Index (RSCI). The scope of application of the results includes evaluation and comparison of machine-learning models for hypoglycemia prediction on hyperinsulinism patient data, as well as serving as a technological foundation for a future industrial version of the application with direct CGM-sensor integration.

• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• Анализ предметной области прогнозирования риска гипогликемии на основе данных непрерывного мониторинга глюкозы
  • Особенности данных непрерывного мониторинга уровня глюкозы
  • Проблема своевременного выявления риска гипогликемии
  • Ограничения прямой интеграции с датчиками НМГ и обоснование использования CSV-симуляции
  • Сравнительный анализ существующих программных решений и технологических средств
    • Критерии сравнительного анализа
    • Анализ существующих программных решений
    • Анализ технологических средств запуска моделей машинного обучения на мобильном устройстве
    • Итоговый сравнительный анализ программных решений
    • Выводы
  • Требования к разрабатываемому программному решению
    • Функциональные требования
    • Нефункциональные требования
• Алгоритм интеграции предоставленной модели прогнозирования в мобильное приложение
  • Анализ входных и выходных данных предоставленных моделей
    • Входные данные модели
    • Выходные данные модели
    • Выводы
  • Алгоритм подготовки данных НМГ для выполнения инференса
    • Извлечение измерений из CSV-выгрузки
    • Группировка и ресемплинг временно́го ряда
    • Формирование скользящего окна
    • Расчёт временны́х признаков и сборка входного вектора
    • Условия применимости алгоритма
    • Выводы
• Программная реализация мобильного приложения для прогнозирования риска гипогликемии
  • Обоснование выбора технологического стека
  • Архитектура мобильного приложения
  • Реализация конвейера обработки данных и запуска модели
  • Реализация отображения результата и системы уведомлений
• Апробация и анализ результатов работы разработанного решения
  • Метрики оценки работы мобильного приложения и корректности прогнозирования риска гипогликемии
  • Тестовые сценарии на основе предоставленных данных CGM
  • Экспериментальная проверка работы мобильного приложения
  • Анализ корректности импорта данных, подготовки входных данных и запуска ONNX-модели
  • Анализ корректности обработки результатов инференса и формирования уведомлений о риске гипогликемии
  • Сравнение полученных результатов с требованиями, сформулированными по итогам анализа предметной области
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ