Full metadata record
| DC pole | Hodnota | Jazyk |
|---|---|---|
| dc.contributor.author | Della Cioppa, Antonio | |
| dc.contributor.author | De Falco, Ivanoe | |
| dc.contributor.author | Koutný, Tomáš | |
| dc.contributor.author | Scafuri, Umberto | |
| dc.contributor.author | Úbl, Martin | |
| dc.contributor.author | Tarantino, Ernesto | |
| dc.date.accessioned | 2023-12-11T11:00:08Z | - |
| dc.date.available | 2023-12-11T11:00:08Z | - |
| dc.date.issued | 2023 | |
| dc.identifier.citation | DELLA CIOPPA, A. DE FALCO, I. KOUTNÝ, T. SCAFURI, U. ÚBL, M. TARANTINO, E. Reducing high-risk glucose forecasting errors by evolving interpretable models for Type 1 diabetes. Applied Soft Computing, 2023, roč. 134, č. FEB 2023, s. 1-14. ISSN: 1568-4946 | cs |
| dc.identifier.issn | 1568-4946 | |
| dc.identifier.uri | 2-s2.0-85146147321 | |
| dc.identifier.uri | http://hdl.handle.net/11025/54958 | |
| dc.description.abstract | Diabetes mellitus je metabolické onemocnění zahrnující vysoké hladiny glukózy v krvi, které může vést k vážným zdravotním následkům. Pro diabetické pacienty je tedy predikce budoucích hladin glukózy zásadní při léčbě onemocnění. Většina prognostických přístupů v literatuře hodnotí účinnost glukózových prediktorů pouze pomocí numerických metrik. Tyto přístupy jsou omezené, protože rovnoměrně ošetřují všechny chyby bez ohledu na jejich odlišný klinický dopad, který by mohl zahrnovat letální účinky v nebezpečných situacích, jako je hypo- nebo hyperglykémie. Aby se toto omezení překonalo, cílem tohoto dokumentu je navrhnout modely pro snížení rizikových chyb předpovědi glukózy u pacientů s diabetem 1. typu. Pro tento účel využíváme algoritmus gramatické evoluce, abychom vyvolali personalizované a interpretovatelné modely předpovědi glukózy hodnocené pomocí nové, složené metriky, aby byly splněny klinické i numerické požadavky na odhadované předpovědi. K posouzení účinnosti navrhovaného přístupu byl přijat soubor reálných dat široce používaný v literatuře, sestávající z údajů od několika pacientů trpících diabetem 1. typu. Experimentální zjištění ukazují, že indukované modely jsou interpretovatelné a schopné zajistit předpovědi s dobrým kompromisem mezi lékařskou kvalitou a numerickou přesností a s pozoruhodným výkonem při snižování vysoce rizikových chyb předpovědi glukózy. Kromě toho je jejich výkon lepší nebo srovnatelný s výkonem jiných nejmodernějších metod. | cs |
| dc.format | ||
| dc.format | 14 s. | cs |
| dc.format.mimetype | application/pdf | |
| dc.language.iso | ||
| dc.language.iso | en | en |
| dc.publisher | Elsevier | en |
| dc.relation.ispartofseries | Applied Soft Computing | en |
| dc.rights | © Elsevier | en |
| dc.subject | predikce glykémie, evaluační metriky, gramatická evoluce, symbolická regrese | cs |
| dc.title | Reducing high-risk glucose forecasting errors by evolving interpretable models for Type 1 diabetes | en |
| dc.title.alternative | Redukce vysoce rizikových chyb predikce glykémie pomocí evolučních, interpretovatelných modelů pro diabetes prvního typu | cs |
| dc.type | článek | cs |
| dc.type | article | en |
| dc.rights.access | openAccess | en |
| dc.type.version | publishedVersion | en |
| dc.description.abstract-translated | Diabetes mellitus is a metabolic disease involving high blood glucose levels that can lead to serious medical consequences. Hence, for diabetic patients the prediction of future glucose levels is essential in the management of the disease. Most of the forecasting approaches in the literature evaluate the effectiveness of glucose predictors only with numerical metrics. These approaches are limited because they evenly treat all the errors without considering their different clinical impact that could involve lethal effects in dangerous situations such as hypo- or hyperglycemia. To overcome such a limitation, this paper aims to devise models for reducing high-risk glucose forecasting errors for Type 1 diabetic patients. For this purpose, we exploit a Grammatical Evolution algorithm to induce personalized and interpretable forecasting glucose models assessed with a novel, composite metric to satisfy both clinical and numerical requirements of the estimated predictions. To assess the effectiveness of the proposed approach, a real-world data set widely used in literature, consisting of data from several patients suffering from Type 1 diabetes, has been adopted. The experimental findings show that the induced models are interpretable and capable of assuring predictions with a good tradeoff between medical quality and numerical accuracy and with remarkable performance in reducing high-risk glucose forecasting errors. Furthermore, their performance is better than or comparable to that of other state-of-the-art methods. | en |
| dc.subject.translated | glucose forecasting, evaluation metrics, grammatical evolution, symbolic regression | en |
| dc.identifier.doi | 10.1016/j.asoc.2023.110012 | |
| dc.type.status | ||
| dc.type.status | Peer-reviewed | en |
| dc.identifier.document-number | 967876200001 | |
| dc.identifier.obd | 43938004 | |
| dc.project.ID | SGS-2022-015/Nové metody pro medicínská, prostorová a komunikační data | cs |
| Vyskytuje se v kolekcích: | Články / Articles (NTIS) Články / Articles (KIV) OBD | |
Soubory připojené k záznamu:
| Soubor | Velikost | Formát | |
|---|---|---|---|
| Koutný a kol. 1-s2.0-S1568494623000303-main.pdf | 1,89 MB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/54958Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.