2023ВКР750301ИСАКОВ

решений. Наилучшие результаты прогнозирования площади под кривой ППГО показал категориальный бустинг (библиотека CatBoost). Коэффициент корреляции Пирсона между прогнозируемыми и фактическим значением составил R = 0,77 без добавления данных микробиоты против R = 0,78. Лучшие показатели точности прогнозирования максимального уровня сахара в крови после приема пищи получилось достичь экстремальным градиентным бустингом (библиотека XGBoost). Коэффициент корреляции составил R = 0,70

без добавления бактериальных признаков против R = 0,72. Модель регрессии опорных векторов показала в среднем худшие результаты. Наибольший вклад в ППГО вносили показатели представленности бактерий рода руминококков и бактероидов. Большая их представленность сопровождалась увеличением пикового уровня гликемии после еды.

Результаты доложены на конференции ATTD (27-30.04.2022, онлайн) и

на конференции «Фундаментальная и клиническая диабетология в 21 веке: от теории к практике» (07.09.2022, Москва).

В ходе доклинических испытаний приложения на базе ФГБМУ НМИЦ им. В.А. Алмазова не было выявлено существенных недостатков в работе системы мониторинга. Полученные рекомендации и замечания учтены. В

дальнейшем планируется развернуть частный выделенный сервер с использованием программного кода разработанного ранее прикладного интерфейса программирования для регистрации новых пациентов и расширения локального исследовательского проекта до полномасштабного корпоративного решения на рынке мобильных телемедицинских систем.

Проект имеет высокую социальную и практическую значимость.

Получившие развитие в медицинской среде применение m-Health систем для целей мониторинга уровня сахара в крови обеспечивает получение пациентом современного персонализированного медицинского ухода, снижает риски,

связанные с развитием осложнений, и повышает качество жизни. Приложение эффективно перераспределяет рабочее время специалиста, позволяя уделять больше внимания тяжелым пациентам, не пренебрегая нуждами других.

111

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1.Alam U. et al. Chapter 15 - General aspects of diabetes mellitus // Handbook of Clinical Neurology / ed. Zochodne D.W., Malik R.A. Elsevier, 2014. Vol. 126. P. 211–222.

2.World health statistics 2022: monitoring health for the SDGs, sustainable development goals [Электронный ресурс]. URL: https://www.who.int/publications-detail-redirect/9789240051157 (дата обращения: 13.03.2023).

3.McIntyre H.D. et al. Gestational diabetes mellitus: 1 // Nat Rev Dis Primers.

Nature Publishing Group, 2019. Vol. 5, № 1. P. 1–19.

4. HAPO Study Cooperative Research Group et al. Hyperglycemia and adverse pregnancy outcomes // N Engl J Med. 2008. Vol. 358, № 19. P. 1991–2002.

5.Goyal R., Jialal I. Diabetes Mellitus Type 2 // StatPearls. Treasure Island (FL): StatPearls Publishing, 2022.

6.Dall T.M. et al. The Economic Burden Of Diabetes // Health Affairs. Health

Affairs, 2010. Vol. 29, № 2. P. 297–303.

7.Herman W.H. The Global Burden of Diabetes: An Overview // Diabetes Mellitus in Developing Countries and Underserved Communities / ed. Dagogo-Jack S. Cham: Springer International Publishing, 2017. P. 1–5.

8.Helmrich S.P., Ragland D.R., Paffenbarger R.J. Prevention of non-insulin- dependent diabetes mellitus with physical activity // Med Sci Sports Exerc. 1994.

Vol. 26, № 7. P. 824–830.

9. Eckstein M.L. et al. Physical exercise and non-insulin glucose-lowering therapies in the management of Type 2 diabetes mellitus: a clinical review // Diabet

Med. 2019. Vol. 36, № 3. P. 349–358.

10.Sami W. et al. Effect of diet on type 2 diabetes mellitus: A review // Int J Health Sci (Qassim). 2017. Vol. 11, № 2. P. 65–71.

11.Testa M.A., Simonson D.C. Health Economic Benefits and Quality of Life During Improved Glycemic Control in Patients With Type 2 Diabetes MellitusA

112

Randomized, Controlled, Double-Blind Trial // JAMA. 1998. Vol. 280, № 17. P.

1490–1496.

12.Liu X. et al. An economic evaluation for prevention of diabetes mellitus in a developing country: a modelling study // BMC Public Health. 2013. Vol. 13, №

1.P. 729.

13.Palmer A.J. et al. A health economic analysis of screening and optimal treatment of nephropathy in patients with type 2 diabetes and hypertension in the

USA // Nephrology Dialysis Transplantation. 2008. Vol. 23, № 4. P. 1216–1223. 14. Mo X. et al. Economic Evaluations of Gestational Diabetes Mellitus

Screening: A Systematic Review // Journal of Epidemiology. 2021. Vol. 31, № 3. P.

220–230.

15.Geng Z. et al. Noninvasive Continuous Glucose Monitoring Using a Multisensor-Based Glucometer and Time Series Analysis: 1 // Sci Rep. Nature Publishing Group, 2017. Vol. 7, № 1. P. 12650.

16.Bezuglyi M. et al. The non-invasive optical glucometer prototype with ellipsoidal reflectors // 2018 IEEE 59th International Scientific Conference on Power and Electrical Engineering of Riga Technical University (RTUCON). 2018. P. 1–4.

17.Tang L. et al. Non-Invasive Blood Glucose Monitoring Technology: A Review: 23 // Sensors. Multidisciplinary Digital Publishing Institute, 2020. Vol. 20,

№23. P. 6925.

18.Blank T.B. et al. Clinical results from a noninvasive blood glucose monitor // Optical Diagnostics and Sensing of Biological Fluids and Glucose and Cholesterol Monitoring II. SPIE, 2002. Vol. 4624. P. 1–10.

19.Ji L. et al. Multicenter Evaluation Study Comparing a New FactoryCalibrated Real-Time Continuous Glucose Monitoring System to Existing Flash

Glucose Monitoring System // J Diabetes Sci Technol. 2023. Vol. 17, № 1. P. 208–

213.

20.Puskin D.S. Opportunities and challenges to telemedicine in rural America

//J Med Syst. 1995. Vol. 19, № 1. P. 59–67.

113

21.Next [Электронный ресурс]. URL: https://nextjs.org (дата обращения: 22.03.2023).

22.React Native [Электронный ресурс]. URL: https://reactnative.dev/ (дата обращения: 22.03.2023).

23.Takahashi T. The present and future of telemedicine in Japan // International Journal of Medical Informatics. 2001. Vol. 61, № 2. P. 131–137.

24.Aberer F., Hochfellner D.A., Mader J.K. Application of Telemedicine in

Diabetes Care: The Time is Now // Diabetes Ther. 2021. Vol. 12, № 3. P. 629–639. 25. Marcolino M.S. et al. Telemedicine Application in the Care of Diabetes Patients: Systematic Review and Meta-Analysis // PLOS ONE. Public Library of

Science, 2013. Vol. 8, № 11. P. e79246.

26.Su D. et al. Does telemedicine improve treatment outcomes for diabetes? A meta-analysis of results from 55 randomized controlled trials // Diabetes Research and Clinical Practice. 2016. Vol. 116. P. 136–148.

27.Sandberg J. et al. A Qualitative Study of the Experiences and Satisfaction of Direct Telemedicine Providers in Diabetes Case Management // Telemedicine and e-Health. Mary Ann Liebert, Inc., publishers, 2009. Vol. 15, № 8. P. 742–750.

28.ГОСТ Р ИСО/МЭК ТО 10032-2007.

29.Write-Ahead Logging [Электронный ресурс]. URL: https://www.sqlite.org/wal.html (дата обращения: 24.03.2023).

30.Core Data [Электронный ресурс] // Apple Developer Documentation. URL: https://developer.apple.com/documentation/coredata (дата обращения: 24.03.2023).

hemoglobin levels // Journal of Theoretical Biology. 1979. Vol. 81, № 3. P. 547–

561.

33. Wolever T.M.S., Bolognesi C. Prediction of Glucose and Insulin Responses of Normal Subjects after Consuming Mixed Meals Varying in Energy,

114

Protein, Fat, Carbohydrate and Glycemic Index // The Journal of Nutrition. 1996.

Vol. 126, № 11. P. 2807–2812.

34. Wolever T.M., Jenkins D.J. The use of the glycemic index in predicting the blood glucose response to mixed meals // Am J Clin Nutr. 1986. Vol. 43, № 1.

P.167–172.

35.Watts N.B. et al. Prediction of Glucose Response to Weight Loss in Patients With Non–Insulin-Dependent Diabetes Mellitus // Archives of Internal Medicine. 1990. Vol. 150, № 4. P. 803–806.

36.Colberg S.R. et al. Physical Activity/Exercise and Diabetes: A Position

Statement of the American Diabetes Association // Diabetes Care. 2016. Vol. 39, №

11.P. 2065–2079.

37.Zarkogianni K. et al. Comparative assessment of glucose prediction models for patients with type 1 diabetes mellitus applying sensors for glucose and

physical activity monitoring // Med Biol Eng Comput. 2015. Vol. 53, № 12. P. 1333–

1343.

38.Khalil M. et al. The association between sleep and diabetes outcomes – A systematic review // Diabetes Research and Clinical Practice. 2020. Vol. 161. P. 108035.

39.Padilha H.G. et al. A link between sleep loss, glucose metabolism and adipokines // Braz J Med Biol Res. Associação Brasileira de Divulgação Científica,

2011. Vol. 44. P. 992–999.

40. Georga E.I. et al. A Glucose Model Based on Support Vector Regression for the Prediction of Hypoglycemic Events Under Free-Living Conditions // Diabetes Technology & Therapeutics. Mary Ann Liebert, Inc., publishers, 2013.

Vol. 15, № 8. P. 634–643.

41. Zeevi D. et al. Personalized Nutrition by Prediction of Glycemic

Responses // Cell. 2015. Vol. 163, № 5. P. 1079–1094.

42. Shilo S. et al. Prediction of Personal Glycemic Responses to Food for Individuals With Type 1 Diabetes Through Integration of Clinical and Microbial

Data // Diabetes Care. 2021. Vol. 45, № 3. P. 502–511.

115

43.Kim D.-Y. et al. Intelligent Ensemble Deep Learning System for Blood Glucose Prediction Using Genetic Algorithms // Complexity. Hindawi, 2022. Vol. 2022. P. e7902418.

44.Xie J., Wang Q. Benchmarking Machine Learning Algorithms on Blood Glucose Prediction for Type I Diabetes in Comparison With Classical Time-Series Models // IEEE Transactions on Biomedical Engineering. 2020. Vol. 67, № 11. P.

3101–3124.

45. Munoz-Organero M. Deep Physiological Model for Blood Glucose Prediction in T1DM Patients: 14 // Sensors. Multidisciplinary Digital Publishing

Institute, 2020. Vol. 20, № 14. P. 3896.

46.Wadghiri M.Z. et al. Ensemble blood glucose prediction in diabetes mellitus: A review // Computers in Biology and Medicine. 2022. Vol. 147. P. 105674.

47.Felizardo V. et al. Data-based algorithms and models using diabetics real data for blood glucose and hypoglycaemia prediction – A systematic literature review // Artificial Intelligence in Medicine. 2021. Vol. 118. P. 102120.

48.Pustozerov E.A. et al. Machine Learning Approach for Postprandial Blood Glucose Prediction in Gestational Diabetes Mellitus // IEEE Access. 2020. Vol. 8. P. 219308–219321.

49.Glycemic Index Research and GI News [Электронный ресурс]. 2023. URL: https://glycemicindex.com/ (дата обращения: 05.04.2023).

50.Elliott R.M. et al. Glucagon-like peptide-1(7–36)amide and glucosedependent insulinotropic polypeptide secretion in response to nutrient ingestion in man: acute post-prandial and 24-h secretion patterns // Journal of Endocrinology.

Bioscientifica Ltd, 1993. Vol. 138, № 1. P. 159–166.

51. Prediction of functional profiles of gut microbiota from 16S rRNA metagenomic data provides a more robust evaluation of gut dysbiosis occurring in Japanese type 2 diabetic patients [Электронный ресурс]. URL: https://www.jstage.jst.go.jp/article/jcbn/61/3/61_17-44/_article/-char/ja/ (дата обращения: 16.04.2023).

116

52.Guizar-Heredia R. et al. A New Approach to Personalized Nutrition: Postprandial Glycemic Response and its Relationship to Gut Microbiota // Archives of Medical Research. 2023.

53.Sepp E. et al. Higher blood glucose level associated with body mass index and gut microbiota in elderly people // Microbial Ecology in Health and Disease.

Taylor & Francis, 2014. Vol. 25, № 1. P. 22857.

54.Zmora N. Harnessing the gut microbiota to promote metabolic health // Nutrition Reviews. 2020. Vol. 78, № Supplement_3. P. 75–78.

55.Dobilas S. Support Vector Regression (SVR) — One of the Most Flexible Yet Robust Prediction Algorithms [Электронный ресурс] // Medium. 2022. URL: https://towardsdatascience.com/support-vector-regression-svr-one-of-the-most- flexible-yet-robust-prediction-algorithms-4d25fbdaca60 (дата обращения: 04.05.2023).

56.SVM [Электронный ресурс] // Хабр. 2020. URL: https://habr.com/ru/companies/ods/articles/484148/ (дата обращения: 04.05.2023).

57.Fushiki T. Bayesian bootstrap prediction // Journal of Statistical Planning

and Inference. 2010. Vol. 140, № 1. P. 65–74.

58. Schapire R.E. The strength of weak learnability // Mach Learn. 1990. Vol.

5, № 2. P. 197–227.

59.Ансамбли в машинном обучении [Электронный ресурс]. URL: http://academy.yandex.ru/handbook/ml/article/ansambli-v-mashinnom-obuchenii (дата обращения: 06.05.2023).

60.Starmer J. The StatQuest Illustrated Guide To Machine Learning. StatQuest Publications, 2022. 304 p.

https://github.com/Alamofire/Alamofire (дата обращения: 08.05.2023).

https://owasp.org/www-community/controls/Static_Code_Analysis (дата

обращения: 08.05.2023).

117

63.Saltzer J.H., Schroeder M.D. The protection of information in computer systems // Proceedings of the IEEE. 1975. Vol. 63, № 9. P. 1278–1308.

64.Анопова А.Д. et al. Кишечная микробиота и прогнозирование постпрандиального гликемического ответа у пациенток с гестационным сахарным диабетом // Конференция по лечению и диагностике сахарного диабета «Фундаментальная и клиническая диабетология в 21 веке: от теории к практике». ФГБУ «НМИЦ эндокринологии» Минздрава России, 2022.

65.Pustozerov E. et al. The Role of Glycemic Index and Glycemic Load in the Development of Real-Time Postprandial Glycemic Response Prediction Models

for Patients With Gestational Diabetes // Nutrients. 2020. Vol. 12, № 2. P. 302.

66.Popova P.V. et al. A Randomised, Controlled Study of Different Glycaemic Targets during Gestational Diabetes Treatment: Effect on the Level of Adipokines in Cord Blood and ANGPTL4 Expression in Human Umbilical Vein Endothelial Cells // International Journal of Endocrinology. 2018. Vol. 2018.

67.Tkachuk A.S. et al. Vitamin D Status and Gestational Diabetes in Russian Pregnant Women in the Period between 2012 and 2021: A Nested Case–Control Study // Nutrients. 2022. Vol. 14, № 10.

68.Исаков А.О. et al. Мобильное приложение для контроля питания и информационной поддержки DiaCompanion iOS “DiaCompanion iOS.”

69.Пустозеров Е.А. et al. Мобильное приложение для контроля питания

иинформационной поддержки DiaCompanion Android “DiaCompanion Android.”

70.Исаков А.О. et al. Веб-приложение для контроля питания и информационной поддержки DiaCompanion Web (DiaCompanion Web).

71.Пустозеров Е.А. et al. База данных продуктов питания с гликемическими индексами для мобильного приложения ДиаКомпаньон (База продуктов ДиаКомпаньон).

72.Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review // J Big Data. 2020. Vol. 7, № 1. P. 94.

118