De–randomized Meta-Differential Evolution for Calculating and Predicting Glucose Levels

Abstract

A physiological model improves delivered healthcare, when constructing a medical device. Such a model comprises a number of parameters. While an analytical method determines model parameters, an evolutionary algorithm can improve them further. As evolutionary algorithms were designed on top of random-number generators, their results are not deterministic. This raises a concern about their applicability to medical devices. Medical-device algorithm must produce an output with a minimum guaranteed accuracy. Therefore, we applied de-randomized sequences to Meta-Differential Evolution instead of using a random-number generator. Eventually, we designed an optimization method based on zooming with derandomized sequences as an alternative to the Meta-Differential Evolution. As the experimental setup, we predicted glucose-level signal to cover a blind window of glucose-monitoring signal that results from a physiological lag in glucose transportation. Completely de-randomized differential evolution exhibited the same accuracy and precision as completely non-deterministic differential evolution. They produced 93% of glucose levels with relative error less than or equal to 15%.

Fyziologický model zlepšuje poskytovanou zdravotní péči při konstrukci zdravotnického zařízení. Takový model zahrnuje řadu parametrů. Zatímco analytická metoda určuje parametry modelu, evoluční algoritmus je může dále vylepšovat. Protože vývojové algoritmy byly navrženy na generátorech náhodných čísel, jejich výsledky nejsou deterministické. To vzbuzuje obavy ohledně jejich použitelnosti na zdravotnické prostředky. Algoritmus zdravotnického zařízení musí produkovat výstup s minimální zaručenou přesností. Proto jsme použili de-randomizované sekvence na meta-diferenciální evoluci namísto použití generátoru náhodných čísel. Nakonec jsme navrhli optimalizační metodu založenou na zvětšování pomocí náhodných sekvencí jako alternativu k meta-diferenciální evoluci. Jako experimentální nastavení jsme předpovídali signál hladiny glukózy tak, aby pokrýval slepé okno signálu monitorování glukózy, které je výsledkem fyziologického zpoždění v transportu glukózy. Zcela de-randomizovaný diferenciální vývoj vykazoval stejnou přesnost a přesnost jako zcela nedeterministický diferenciální vývoj. Oba spočítali 93% koncentrací glukózy s relativní chybou menší nebo rovnou 15%.