21دسامبر 2021 - استفاده از ابزارهای پوشیدنی در حال افزایش است و داده های این دستگاه ها می تواند پیش بینی تغییرات در کنترل قند خون را بهبود بخشد. هدف محققان در این کارآزمایی تصادفی‌سازی شده، ارزیابی استفاده از داده‌های ابزارهای پوشیدنی‌ کمری در مقابل ابزارهای پوشیدنی مچی برای بهبود مدل‌های پیش‌بینی خطر برای تغییرات در کنترل قند خون در بزرگسالان مبتلا به پیش دیابت، طی یک دوره ۶ماهه نظارت از راه دور بود.

محققان این دو ابزار را با هم مقایسه کردند زیرا آنها متداولترین ردیابهای فعالیت هستند و یک کارآزمایی تصادفی با استفاده از این دستگاه‌ها در دنیای واقعی، ارزیابی عمل‌گرایانه‌تری نسبت به ارزیابی کنترل‌شده‌تر ارائه می‌دهد. محققان اطلاعات پایه در مورد دموگرافیک، تاریخچه پزشکی، و آزمایش‌های آزمایشگاهی را از همه شرکت‌کنندگان جمع‌آوری کردند و سپس مدل‌های پیش‌بینی مناسب را برای ارزیابی مقایسه‌های زیر بکار گرفتند: روش‌های یادگیری ماشین در مقابل مدل‌های رگرسیون سنتی؛ اطلاعات پایه از داده های گردآوری شده توسط ابزارهای پوشیدنی در مقابل جمع آوری اطلاعات پایه به روش آزمایشگاهی و سنتی، و داده‌های گردآوری شده از ابزار پوشیدنی مچی در مقابل ابزار پوشیدنی کمری.

ابزار پوشیدنی کمری داده‌های مربوط به فعالیت بدنی را جمع‌آوری می کرد، در حالی که ابزار پوشیدنی مچی داده‌های مربوط به فعالیت بدنی، خواب و ضربان قلب را جمع‌آوری کرد.

اندازه گیری پیامد اصلی تغییر در هموگلوبین A1c بود. این امر از سه جهت ارزیابی شد. ابتدا، محققان تغییرات مداوم در هموگلوبین A1c(اندازه گیری پیامد اولیه) را با استفاده از مجذور R ارزیابی کردند. دوم، بدتر شدن کنترل قند خون را با ایجاد یک نشانگر باینری ارزیابی کردند تا نشان دهند که آیا سطح هموگلوبین A1cبا استفاده از ناحیه زیر منحنی(AUC) ، 0.3 امتیاز - حدود 5 درصد افزایش نسبی یافته است یا خیر. سوم، محققان بهبود در کنترل قند خون را با ایجاد یک شاخص باینری ارزیابی کردند تا نشان دهند که آیا سطح هموگلوبین A1cبا استفاده از AUC ، 0.3 امتیاز -حدود 5٪ کاهش نسبی یافته است یا خیر. محققان امتیاز 0.3 را به عنوان نقطه ی مرجع انتخاب کردند زیرا این تغییر 5 درصدی قبلاً استفاده شده بود و تحقیقات قبلی نشان داده بود که تغییر در این امتیاز در هر جهت با تغییر قابل توجهی در خطر پیشرفت پیش دیابت به دیابت مرتبط است.

محققان نشان دادند که پیش‌بینی هر سه مدل به طور مداوم، هنگامی که از یادگیری ماشینی به جای رگرسیون سنتی، و از جمع آوری اطلاعات پایه با ابزار پوشیدنی در مقابل جمع آوری اطلاعات پایه به طور سنتی استفاده شد و زمانی که از داده های ابزار پوشیدنی‌ مچی بجای کمری استفاده گردید، بهبود یافت.

این یافته‌ها نشان می‌دهد که مدل‌ها می‌توانند تغییرات کنترل قند خون را در بزرگسالان پیش دیابتی به‌طور دقیق شناسایی کنند و این می‌تواند برای تخصیص بهتر منابع و مداخلات هدفمند برای جلوگیری از پیشرفت پیش دیابت به دیابت نوع 2، استفاده شود.

برای مطالعه ی متن کامل این مقاله می توانید به آدرس منبع مراجعه کنید.

منبع:

https://www.nature.com/articles/s41746-021-00541-1