Accounting for measurement errors in food diaries for continuous glucose prediction using Kalman filtering and Monte Carlo methods
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-07-29
Department
Major/Subject
Computer Science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
41
Series
Abstract
Continuous blood glucose prediction for diabetic and non-diabetic patients has important medical applications. It can help in planning better personalized treatment for patients, and it may help in understanding how some severe complications develop in type 2 diabetic patients after bariatric surgery. Continuous blood glucose prediction is usually based on patient-kept food diaries and automated blood glucose level measurements. Often the patient-kept records of amounts of nutrients in meals, and the timing of meals, can have inaccuracies in them. Therefore, it is necessary to build prediction models which can take those measurement errors in the independent variables into account. Based on previous success of approaching this task with errors-in-variables models using Gaussian process regression, we propose using errors-in-variables models using Kalman filtering and Markov chain Monte Carlo methods for parameter estimation instead of Gaussian process regression. This approach should on theoretical grounds yield similar results to using Gaussian process regression, while having additional benefit of better scalability in computational complexity with respect to number of time steps in a time series. In this thesis, we provide the mathematical formulation of two different blood glucose response models. We test our approach to the problem with real-world dataset gathered from gastric bypass patients. While not outperforming the methods used in previous work, our preliminary results show promising prospects for further study and fine-tuning of the models.Jatkuvan veren glukoosipitoisuuden ennustamisella on tärkeitä sovelluksia diabeetikoiden ja ei-diabeetikoiden hoidossa. Siitä voi olla apua yksilöllisen hoitosuunnitelman laatimisessa sekä tyypin 2 diabeetikoiden lihavuusleikkauksien jälkeisten komplikaatioiden syntymekanismien ymmärtämisessä. Veren glukoosipitoisuuden ennustaminen perustuu yleensä potilaiden pitämiin ruokapäiväkirjoihin ja automatisoituihin veren glukoositasojen mittauksiin. Potilaiden kirjaukset ruokailujen ravintosisällöstä ja ajoituksesta saattavat kuitenkin usein sisältää epätarkkuuksia. Tämän vuoksi on tärkeä kehittää ennustusmalleja, jotka pystyvät ottamaan huomioon nämä mittausvirheet mallin riippumattomissa muuttujissa. Gaussisia prosesseja käyttävien regressiomallien ja mittausvirhemallien aiempaan menestykseen tässä tehtävässä perustuen ehdotamme lähestymistapaa, jossa mallin parametrien estimoinnissa käytetään mittausvirhemallissa Kalman-suodinta ja Markov chain Monte Carlo -menetelmiä gaussisten prosessien sijaan. Tämän lähestymistavan pitäisi teoriassa antaa verrattavia tuloksia gaussisten prosessien kanssa, mutta lisäetuna saavutetaan mallin parempi skaalautuminen ajan suhteen, sillä ehdotettu menetelmä on aikavaativuudeltaan tehokkaampi kuin gaussisten prosessien käyttäminen. Esitämme tässä opinnäytetyössä matemaattisen johdatuksen kahdelle erilaiselle veren glukoosivasteen mallille. Työssä esitettyä lähestymistapaa testataan kokeellisesti mahalaukunohitusleikkauspotilailta kerätyllä datalla. Kokeista saadut alustavat tulokset eivät osoita aiempia menetelmiä parempaa mallien sopivuutta, mutta tulokset antavat positiivista suuntaa työssä esitettyjen mallien jatkokehitykselle.Description
Supervisor
Marttinen, PekkaThesis advisor
Särkkä, SimoKeywords
Bayesian filtering, Monte Carlo methods, errors-in-variables, stochastic differential equations, continuous blood glucose monitoring, machine learning for health