Детальная информация

Выпускная квалификационная работа посвящена исследованию и оценке моделей предсказания краткосрочного развития гипогликемии с целю нахождения модели с наилучшими оценками и с наибольшим горизонтом предсказания для дальнейшего использования в мобильном приложении. В работе используются обезличенные данные пациентов, предоставленные Педиатрическим Институтом Санкт-Петербурга. Данные представляют собой файлы в формате csv выгруженные из системы непрерывного мониторинга глюкозы FreeStyle Libre. Данные предварительно трансформируются в более удобный для машинного обучения вид: выбираются только необходимые столбцы, производится выравнивание измерений по 5 минутным интервалам, применяется аугментация данных и создание окон данных (windowing), временные метки предоставляются в виде кортежа из трех косинусоид. Для машинного обучения использовался язык Python и библиотеки skikit-learn и xgboost. Был произведен подбор гиперпараметров для моделей линейной и полиномиальной регрессии, деревьев решений и случайного леса, для xgboost. По итогам обучения лучшие модели были протестированы на отдельном наборе данных, не участвовавших в процессе обучения. Все модели смогли дать предсказание на 30 минут вперед, используя измерения за 1 час. Для всех моделей увеличение горизонта предсказания приводило к понижению показателей оценок. По итогам подбора гипермараметров и тестирования лучше других дали оценки модели xgboost и random forest. Полученные модели можно использовать для совершения предсказания развития гипогликемии с горизонтом предсказания 30 минут.

The final qualifying thesis is devoted to the research and evaluation of short-term hypoglycemia prediction models, with the aim of identifying the model that offers the best performance metrics and the longest prediction horizon for future use in a mobile application. The study uses anonymized patient data provided by the Pediatric Institute of Saint Petersburg. The data are CSV files exported from the FreeStyle Libre continuous glucose monitoring system. The data are pre-processed into a format more suitable for machine learning: only the necessary columns are selected, measurements are aligned to 5-minute intervals, data augmentation and windowing are applied, and timestamps are represented as a tuple of three cosine waves. Machine learning is performed using the Python programming language along with the scikit-learn and XGBoost libraries. Hyperparameter tuning is carried out for linear regression, polynomial regression, decision trees, random forest, and XGBoost. After training, the best models are tested on a separate dataset that was not used during training. All models are able to make predictions 30 minutes ahead using measurements from the previous hour. For all models, increasing the prediction horizon leads to a decrease in the evaluation metrics. Based on the hyperparameter tuning and testing results, the XGBoost and random forest models outperform the others. The resulting models can be used to predict the onset of hypoglycemia with a prediction horizon of 30 minutes.