КОМБІНОВАНА ОБРОБКА ДАНИХ САМОСТІЙНОГО МОНІТОРИНГУ  РІВНЯ ГЛЮКОЗИ В КРОВІ

G. P. Chuiko; O. V. Dvornik; Y. S.  Darnapuk

doi:10.11603/mie.1996-1960.2019.3.10433

Автор(и)

G. P. Chuiko Чорноморський національний університет імені Петра Могили
O. V. Dvornik Чорноморський національний університет імені Петра Могили
Y. S. Darnapuk Чорноморський національний університет імені Петра Могили

DOI:

https://doi.org/10.11603/mie.1996-1960.2019.3.10433

Ключові слова:

рівень глюкози в крові, самостійний моніторинг, тренд, варіабельність, сезонність

Анотація

Самостійний моніторинг рівня глюкози в крові протягом довгого періоду є одним із засобів моніторингу стану здоров'я. Дані представленого дослідження дозволяють корегувати лікування та спосіб життя людей, хворих на діабет. Тренди, мінливість та сезонність серій є базовими для запровадження таких рішень, для чого пропонується використовувати комбіновану обробку даних. Така обробка включає в себе сингулярно-спектральний аналіз (ССА) з використанням графіків Пуанкаре та дослідження статистичної автокореляційної функції (АКФ).

Об'єкт дослідження — 67-річний чоловік з довгою історією хвороби на діабет другого типу (T2D). Тести проводились три рази на тиждень за схемою «Понеділок-Середа-П'ятниця». Загальний час виміру складає 176 тижнів, тому часова серія має довжину в N=528 семплів.

У результаті автокореляційна функція спрогнозувала сезонність серії. Сума плавного тренду, найменші коливання та залишки (шуми) і є моделлю серії. Такий підхід є стандартним для ССА. Знайдено плавний тренд із зміною. Найменший період (плюс сезонність) близький до шести місяців. Аналіз графіку Пуанкаре показує випадкову природу короткострокової варіабельності серій, тоді як довгострокова має сезонність як основне джерело.

Тренд має випуклу форму. Виявлено затримку між початком лікування інсуліном та точкою зміни. Ця затримка близька до періоду найменших коливань (близько шести місяців). Результати сингулярно-спектрального аналізу, графіків Пуанкаре та досліджень автокореляційної функції узгоджуються між собою.

Посилання

Ipp, E., Aquino, R. L., Christenson, P. (2005). Point: Self-monitoring of blood glucose in type 2 diabetic patients not receiving insulin: The sanguine approach. Diabetes Care., 28, 1528-1530. doi:10.2337/diacare.28.6.1528. DOI: https://doi.org/10.2337/diacare.28.6.1528

Davidson, M. B. (2005). Counterpoint: Self-monitoring of blood glucose in type 2 diabetic patients not receiving insulin: a waste of money. Diabetes Care, 28, 15311533. doi: 10.2337/diacare.28.6.1531C.

Weber, C., Neeser, K., Schneider, B., Lodwig, V. (2007). Self-measurement of blood glucose in patients with type 2 diabetes: a health economic assessment. J. Diabetes Sci. Technol., 1, 676-84. doi: 10.1177/193229680700100511. DOI: https://doi.org/10.1177/193229680700100511

Clar, C., Barnard, K., Cummins, E., Royle, P., Waugh, N. (2010). Self-monitoring of blood glucose in type 2 diabetes: systematic review. Health Tecnol. Assess., 12, 1-140. doi: 10.3310/hta14120. DOI: https://doi.org/10.3310/hta14120

Tonyushkina, K., Nichols, J. H. (2009). Glucose meters: a review of technical challenges to obtaining accurate results. J. Diabetes Sci. Technol., 3, 971-980. doi:10.1177/193229680900300446. DOI: https://doi.org/10.1177/193229680900300446

van Drongelen, A. W, de Bruijn, A. C. P., van Elk, M., Lamme, E. K., van der Maaden, T., Rosze, B., Schooneveld, B. C., Jansseet, R. (2016). Blood glucose meters. Performance of devices on the Dutch market. RIVM Letter report 2016-0087 [cited 2018 May 5]. Available from: https://www.rivm.nl/bibliotheek/ rapporten/2016-0087.pdf.

Golyandina, N., Nekrutkin, V., Zhigljavsky, A. (2001). Analysis of Time Series Structure: SSA and Related Techniques. Chappman&Hall, CRC Press. doi:10.1198/ jasa.2002.s239. DOI: https://doi.org/10.1201/9781420035841

Hassani, H. (2007). Singular Spectrum Analysis: Methodology and Comparison. J. Data Sci., 5, 239-257. doi:10.3189/172756506781828863. DOI: https://doi.org/10.3189/172756506781828863

Hassani, H., Ghodsi, Z. (2015). A glance at the applications of Singular Spectrum Analysis in gene expression data. Biomol. Detect. Quantif., 4, 17-21. doi:10.1016/j.bdq.2015.04.001. DOI: https://doi.org/10.1016/j.bdq.2015.04.001

Korobeynikov, A. (2010). Computation- and space-efficient implementation of SSA. Stat. Interface., 3, 357-368. doi:10.4310/SII.2010.v3.n3.a9. DOI: https://doi.org/10.4310/SII.2010.v3.n3.a9

Golyandina, N., Korobeynikov, A., Shlemov, A., Usevich, K. (2015). Multivariate and 2D Extensions of Singular Spectrum Analysis with the Rssa Package. J. Stat. Softw., 67, 1-78. doi:10.18637/ jss.v067.i02. DOI: https://doi.org/10.18637/jss.v067.i02

Index of New Commands and Packages in Maple 18. Online Help. Maplesoft, a division of Waterloo Maple Inc. 2018. [cited 2018 May 5] Available from: https:// www.maplesoft.com/support/help/maple/view.aspx7pa th=updates%2fMaple18%2findex.

Zulj, S., Seketa, G., Magjarevic, R. (2018). Towards Harmonized Data Processing in SMBG. In: Maglaveras N., Chouvarda I., de Carvalho P. (eds) Precision Medicine Powered by pHealth and Connected Health. Springer, Singapore. IFMBE Proceedings, 66, 65-68. doi:10.1007/978-981-10-7419-6_11. DOI: https://doi.org/10.1007/978-981-10-7419-6_11

Cattell, R. B. (1966). The scree test for the number of factors. Multivariate Behavioral Research. 1, 245-276. DOI: https://doi.org/10.1207/s15327906mbr0102_10

di Sarsina, P. R., Alivia, M., Guadagni, P. (2012). Traditional, complementary and alternative medical systems and their contribution to personalisation, prediction and prevention in medicine — person-centred medicine. EPMA Journ., 3, 1-10. doi:10.1186/1878-5085-3-15. DOI: https://doi.org/10.1186/1878-5085-3-15

Piskorski, J., Guzik, P. (2005). Filtering Poincare plot. Comput. Methods Sci. Thechnology., 11, 39-48. doi:10.12921/cmst.2005.11.01.39-48M.P.

Tulppo, M. P., Makikallio, T. H., Takala, T. E. S., Seppanen, T. V. H. H. (1996). Quantitative beat-to-beat analysis of heart rate dynamics during exercise. Am J Physiol., 271, H244-H252. doi: 10.1152/ ajpheart.1996.271.1.H244.

Kitlas-Golinska, A., (2013). Poincare Plots in Analysis of Selected Biomedical Signals, Stud. LOGIC. Gramm. Rhetor., 35 (48), 117-127. doi:10.2478/slgr-2013-0031. DOI: https://doi.org/10.2478/slgr-2013-0031

Crenier, L., (2014). Poincare Plot Quantification for Assessing Glucose Variability from Continuous Glucose Monitoring Systems and a New Risk Marker for Hypoglycemia: Application to Type 1 Diabetes Patients Switching to Continuous Subcutaneous Insulin Infusion. Diabetes Technol. Ther., 16, 247-254. doi:10.1089/ dia.2013.0241. DOI: https://doi.org/10.1089/dia.2013.0241

Austin, M. M. (2013). The Two Skill Sets of Self-Monitoring of Blood Glucose Education: The Operational and the Interpretive. Diabetes Spectrum., 26 (2), 83-90. doi:/10.2337/diaspect.26.2.83. DOI: https://doi.org/10.2337/diaspect.26.2.83