Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 26 · № 2 · 2021 сер 31, 2021 Електронні системи та сигнали

Прогнозування розвитку гестаційного цукрового діабету у вагітних із використанням методів машинного навчання

MB
Marko Romanovych Basarab Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
EI
Ekateryna Olehivna Ivanko Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
VK
Vishwesh Kulkarni Інженерна школа, Університет Ворика,https://ror.org/01a77tt86 Велика Британія
Сторінки228845-1 - 228845-9 Опублікованосер 31, 2021
PDF
ТОМ 26 · № 2 · 2021 Переглянути випуск

Анотація

Стаття присвячена застосуванню методів машинного навчання для прогнозування розвитку гестаційного цукрового діабету на ранніх термінах вагітності. На основі двох публічнодоступних баз даних оцінюється вплив таких показників, як індекс маси тіла, товщина шкірної складки трицепса, ультразвукове вимірювання вісцерального жиру у матері, перше визначення глюкози у плазмі венозної крові натщесерце та інших параметрів для прогнозування розвитку гестаційного цукрового діабету. Методи машинного навчання з вчителем, засновані на деревах рішень, методі опорних векторів, логістичній регресії, класифікаторі k-найближчих сусідів, ансамблевому навчанні, наївному Байєсівському класифікаторі та нейронних мережах були реалізовані для визначення найкращих моделей класифікації для комп'ютеризованого прогнозування гестаційного діабету. В роботі визначено та порівняно точність різних класифікаторів. Метод опорних векторів продемонстрував найвищу точність класифікації у прогнозуванні розвитку гестаційного діабету на основі навчання з використанням показників з бази даних Pima Indians Diabetes Database (83,0% загальних вірно спрогнозованих випадків, 87,9% для класу здорових жінок та 78,1% для класу гестаційного цукрового діабету). Класифікатор з використанням ансамблевого навчання дерев рішень показав найкращі результати порівняно з іншими методами машинного навчання на основі навчання з використанням показників з бази даних Visceral Adipose Tissue Measurements During Pregnancy - 87,9% загальних вірно прогнозованих випадків, 82,2% для класу здорових жінок та 93,6% для класу гестаційного цукрового діабету).

Ключові слова

#гестаційний цукровий діабет #діабетична фетопатія #машинне навчання #прогнозування

Посилання

  1. Plows, J. F., Stanley, J. L., Baker, P. N., Reynolds, C. M., & Vickers, M. H. "The Pathophysiology of Gestational Diabetes Mellitus." International journal of molecular sciences, 2018, vol. 19, no. 11, p. 3342. DOI: https://doi.org/10.3390/ijms19113342
  2. Alfadhli EM. "Gestational diabetes mellitus." Saudi Med J. 2015, vol. 36, no. 4, pp. 399-406. DOI: https://doi.org/10.15537/smj.2015.4.10307
  3. McIntyre, H. D., Catalano, P., Zhang, C. et al. "Gestational diabetes mellitus." Nat Rev Dis Primers. 2019, vol. 5. DOI: https://doi.org/10.1038/s41572-019-0098-8
  4. Practice Bulletin No. 180: Gestational Diabetes Mellitus, Obstetrics & Gynecology: July 2017, vol. 130, no. 1, pp. e17-e37. DOI: https://doi.org/10.1097/AOG.0000000000002159
  5. KC K, Shakya S, Zhang H. "Gestational Diabetes Mellitus and Macrosomia: A Literature Review". Ann Nutr Metab 2015, vol. 66, pp. 14-20. DOI: https://doi.org/10.1159/000371628
  6. Muche, A. A., Olayemi, O. O. & Gete, Y. K. "Effects of gestational diabetes mellitus on risk of adverse maternal outcomes: a prospective cohort study in Northwest Ethiopia". BMC Pregnancy Childbirth. 2020, vol. 20. DOI: https://doi.org/10.1186/s12884-020-2759-8
  7. Reece E. A. "The fetal and maternal consequences of gestational diabetes mellitus." J Matern Fetal Neonatal Med. 2010 Mar; vol. 23, no. 3, pp. 199-203. DOI: https://doi.org/10.3109/14767050903550659 . PMID: 20121460.
  8. Buchanan T. A., Xiang A. H., Page K. A. "Gestational diabetes mellitus: risks and management during and after pregnancy." Nat Rev Endocrinol. 2012, vol. 8, no. 11, pp. 639-649. DOI: https://doi.org/10.1038/nrendo.2012.96
  9. Oldfield M. D., Donley P., Walwyn L., Scudamore I., Gregory R. "Long term prognosis of women with gestational diabetes in a multiethnic population." Postgrad Med J. 2007, vol. 83(980), pp. 426-430. DOI: https://doi.org/10.1136/pgmj.2006.056267
  10. Tieu J., McPhee A. J., Crowther C. A., Middleton P., Shepherd E. "Screening for gestational diabetes mellitus based on different risk profiles and settings for improving maternal and infant health" Cochrane Database Syst Rev 8. 2017.
  11. M. Maresh, "Screening for gestational diabetes mellitus, Seminars" Fetal and Neonatal Medicine. 2005, vol. 10, no. 4, pp. 317-323. DOI: https://doi.org/10.1016/j.siny.2005.04.009 .
  12. Immanuel, D. Simmons. "Screening and treatment for early-onset gestational diabetes mellitus: a systematic review and meta-analysis." Curr Diab Rep. 2017, vol. 17, p. 115. DOI: https://doi.org/10.1007/s11892-017-0943-7
  13. Pınar Kumru et al. "Prediction of gestational diabetes mellitus at first trimester in low-risk pregnancies," Taiwanese Journal of Obstetrics and Gynecology, 2016, vol. 55, no. 6, pp. 815-820, DOI: https://doi.org/10.1016/j.tjog.2016.04.032
  14. Zheng, T., Ye, W., Wang, X. et al. "A simple model to predict risk of gestational diabetes mellitus from 8 to 20 weeks of gestation in Chinese women." BMC Pregnancy Childbirth. 2019, vol. 19. DOI: https://doi.org/10.1186/s12884-019-2374-8
  15. Artzi, N.S., Shilo, S., Hadar, E. et al. "Prediction of gestational diabetes based on nationwide electronic health records." Nat Med. 2020? vol. 26, pp. 71–76. DOI: https://doi.org/10.1038/s41591-019-0724-8
  16. Ye, Yunzhen et al. “Comparison of Machine Learning Methods and Conventional Logistic Regressions for Predicting Gestational Diabetes Using Routine Clinical Data: A Retrospective Cohort Study.” Journal of diabetes research. 12 Jun. 2020. DOI: https://doi.org/10.1155/2020/4168340
  17. Malik S., Harous S., El-Sayed H. "Comparative Analysis of Machine Learning Algorithms for Early Prediction of Diabetes Mellitus in Women." In: Chikhi S., Amine A., Chaoui A., Saidouni D., Kholladi M. (eds) Modelling and Implementation of Complex Systems. MISC 2020. Lecture Notes in Networks and Systems. 2021, vol. 156. Springer, Cham. ISBN: 978-3-030-58861-8_7. DOI: https://doi.org/10.1007/978-3-030-58861-8_7
  18. Wu Y. T., Zhang C. J., Mol B. W., Kawai A., Li C., Chen L., Wang Y., Sheng J. Z., Fan J. X., Shi Y., Huang H.F. "Early Prediction of Gestational Diabetes Mellitus in the Chinese Population via Advanced Machine Learning." J Clin Endocrinol Metab. 2021 Mar 8, vol. 106, no. 3, pp. e1191-e1205. DOI: https://doi.org/10.1210/clinem/dgaa899 .
  19. Revathy S., Ramesh M., Gowri S., Bharathi B. " Gestational Diabetics Prediction Using Logisitic Regression" in R. In: Smys S., Iliyasu A.M., Bestak R., Shi F. (eds) New Trends in Computational Vision and Bio-inspired Computing. ICCVBIC 2018. 2020, Springer, Cham. ISBN: 978-3-030-41862-5_73. DOI: https://doi.org/10.1007/978-3-030-41862-5_73
  20. F. Du et al., "Prediction of pregnancy diabetes based on machine learning," BIBE 2019; The Third International Conference on Biological Information and Biomedical Engineering, Hangzhou, China, 2019, pp. 1-6.
  21. Pima Indians Diabetes Database. URL: https://www.kaggle.com/uciml/pima-indians-diabetes-database
  22. Kaggle repository URL: https://www.kaggle.com/
  23. Rocha, A. d. S., von Diemen, L., Kretzer, D., Matos, S., Rombaldi Bernardi, J., & Magalhães, J. A. "Visceral adipose tissue measurements during pregnancy (version 1.0.0)." PhysioNet. 2020. DOI: https://doi.org/10.13026/p729-7p53 . https://physionet.org/content/maternal-visceral-adipose/1.0.0/
  24. Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., & Stanley, H. E. "PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals." Circulation. 2020, vol. 101, no. 23, pp. e215–e220. DOI: 10.1161/01.cir.101.23.e215
  25. Gur E. B., Ince O., Turan G.A., Karadeniz M., Tatar S., Celik E., Yalcin M., Guclu S. "Ultrasonographic visceral fat thickness in the first trimester can predict metabolic syndrome and gestational diabetes mellitus." Endocrine. 2014 Nov, vol. 47, no. 2, p. 478-84. DOI: https://doi.org/10.1007/s12020-013-0154-1 .
  26. Alves, João Guilherme et al. “Visceral Adipose Tissue Depth in Early Pregnancy and Gestational Diabetes Mellitus - a Cohort Study.” Scientific reports. vol. 10, no. 1, p. 2032. 6 Feb. 2020. DOI: https://doi.org/10.1038/s41598-020-59065-5
  27. Balani, J et al. “Visceral fat mass as a novel risk factor for predicting gestational diabetes in obese pregnant women.” Obstetric medicine. 2018, vol. 11, no. 3, pp. 121-125. DOI: https://doi.org/10.1177/1753495X17754149
  28. Rocha, Alexandre da Silva et al. “Maternal visceral adipose tissue during the first half of pregnancy predicts gestational diabetes at the time of delivery - a cohort study.” PloS one. 30 Apr. 2020, vol. 15, no. 4, p. e0232155. DOI: https://doi.org/10.1371/journal.pone.0232155
  29. Sesmilo, G., Prats, P., Garcia, S. et al. First-trimester fasting glycemia as a predictor of gestational diabetes (GDM) and adverse pregnancy outcomes." Acta Diabetol. 2020, vol. 57, pp. 697–703. DOI: https://doi.org/10.1007/s00592-019-01474-8
  30. López Del Val T., Alcázar Lázaro V., García Lacalle C., Torres Moreno B., Castillo Carbajal G., Alameda Fernandez B. "Fasting glucose in the first trimester: An initial approach to diagnosis of gestational diabetes." Endocrinol Diabetes Nutr. 2019 Jan, vol. 66, no. 1, pp. 11-18. DOI: https://doi.org/10.1016/j.endinu.2018.06.012 .
  31. Riskin-Mashiah, S. et al. "First trimester fasting hyperglycemia and adverse pregnancy outcomes." Diabetes Care. 2009, vol. 32, pp. 1639–1643. DOI: https://doi.org/10.2337/dc09-0688
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 23

Ви також можете розпочати розширений пошук схожих статей для цієї статті.