طراحی مدلهای شخصی سازی شده مبتنی بر یادگیری عمیق برای پیش بینی واکنش گلوکز در بیماران دیابتی تحت تاثیر سبک زندگی پویا

دیابت یکی از پیچیده ترین بیماری های مزمن متابولیک است که مدیریت آن به دلیل نوسانات شدید گلوکز، نیازمند تحلیل دقیق و لحظه ای متغیرهای رفتاری و زیستی بیمار است. مدلهای درمانی سنتی، بهدلیل نادیده گرفتن تفاوت های فردی و سبک زندگی پویا، توان پاسخگویی دقیق به نیازهای بیماران را ندارند. این پژوهش با هدف طراحی یک مدل پیش بینی شخصی سازی شده بر پایه یادگیری عمیق برای واکنش گلوکز در بیماران دیابتی انجام شده است. مدل پیشنهادی از معماری شبکه عصبی LSTM با دو الیه بازگشتی، یک لایه Dropout و الیه Fully Connected استفاده می کند. داده های ورودی شامل گلوکز لحظه ای (CGM)، دوز انسولین، مقدار کربوهیدرات مصرفی، شدت فعالیت بدنی، کیفیت خواب و زمان بندی روزانه بوده اند که از ابزارهای پوشیدنی و اپلیکیشن های سلامت استخراج شده اند. داده ها پس از پاک سازی، نرمال سازی و ساخت پنجره های زمانی (Sliding Windows) برای آموزش مدل استفاده شدند. نتایج نشان داد که مدل توانست با دقت بالا سطح گلوکز را در ۳۰ دقیقه آینده پیش بینی کند. مقدار میانگین خطای مطلق (MAE) برابر ۱۲.۴ mg/dL، ریشه میانگین مربعات خطا (RMSE) برابر ۱۷.۶ mg/dL، و ضریب تعیین (R²) برابر ۰.۸۲ بود. همچنین ۹۶.۸٪ از پیش بینی ها در نواحی A و B نمودار خطای کالیبره قرار گرفتند. این مدل، با در نظر گرفتن مولفه های سبک زندگی پویا، می تواند مبنای سامانه های درمانی هوشمند و شخصی سازی شده برای مدیریت موثر دیابت قرار گیرد.

کلیدواژه ها:

دیابت ، پیش بینی گلوکز ، یادگیری عمیق ، سبک زندگی پویا ، مدل LSTM ، شخصی سازی درمان ، CGM ، تحلیل سری های زمانی