Development of personalised multilevel glucose prediction
model for patients with Type 1 Diabetes Mellitus

Μπαϊρακτάρης, Φώτιος; Bairaktaris, Fotios

dc.contributor.author	Μπαϊρακτάρης, Φώτιος	el
dc.contributor.author	Bairaktaris, Fotios	en
dc.date.accessioned	2022-02-09T10:34:13Z
dc.date.available	2022-02-09T10:34:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54606
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22304
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Διαβήτης	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Γλυκαιμικός έλεγχος	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Γλυκόζη	el
dc.subject	Diabetes	en
dc.subject	Glucose	en
dc.subject	Neural Networks	en
dc.subject	Machine Learning	en
dc.subject	Glycemic Control	en
dc.title	Development of personalised multilevel glucose prediction model for patients with Type 1 Diabetes Mellitus	en
dc.contributor.department	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.type	masterThesis
heal.classification	Biomedical engineering	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-06-04
heal.abstract	Ο σακχαρώδης διαβήτης τύπου 1 (ΣΔΤ 1) είναι μία αυτοάνοση ασθένεια που χαρακτηρίζεται από υψηλά επίπεδα γλυκόζης στο αίμα λόγω μειωμένης έκκρι- σης ινσουλίνης. Τα άτομα με σακχαρώδη διαβήτη χρειάζεται να κάνουν αρκετές αλλαγές στον τρόπο ζωής τους προκειμένου να αποφεύγονται, κατά το δυνατόν, επεισόδια υψηλής γλυκόζης στο αίμα (υπεργλυκαιμικά) ή χαμηλών επιπέδων γλυκόζης (υπογλυκαιμικά). Οι επιπλοκές του ΣΔ μπορούν να είναι από ήπιες μέχρι πολύ σοβαρές οι οποίες μπορεί να απειλήσουν τη ζωή του ασθενούς. Για αυτό τον λόγο ο γλυκαιμικός έλεγχος είναι ζωτικής σημασίας. Για τη ρύθμιση των επιπέδων της γλυκόζης έχουν αναπτυχθεί διατάξεις συνεχούς καταγραφής γλυκόζης, οι οποίες σε συνδυασμό με αντλίες συνεχόμενης έγχυσης ινσουλίνης μπορούν να βελτιώσουν την ποιότητα ζωής των ατόμων με ΣΔΤ1. Στην παρούσα εργασία αναπτύχθηκε υβριδικό μοντέλο πρόβλεψης των επιπέ- δων γλυκόζης βασισμένο στη συνδυασμένη χρήση διαμερισματικών μοντέλων και βαθιάς μάθησης. Το μοντέλο λαμβάνει είσοδο καταγραφές γλυκόζης, ρυθ- μούς έγχυσης ινσουλίνης και την περιεχόμενη ποσότητα υδατανθράκων στα λαμ- βανόμενα γεύματα και εξάγει προβλέψεις των επιπέδων γλυκόζης στο πλάσμα. Για την ανάπτυξη και αξιολόγηση του μοντέλου χρησιμοποιήθηκαν δεδομένα 12 ασθενών με ΣΔΤ1 καθώς και in silico δεδομένα από τον UVa T1DM simulator.	el
heal.abstract	Type 1 diabetes mellitus (T1DM) is an autoimmune disease that is characterized by increased blood glucose levels due to impaired insulin response. Patients suffreting from diabetes mellitus need to make several lifestyle changes in order to avoid, at the level that this is possible events of elevated (hyperglycaemic) or depleted blood glucose levels (hypoglycaemic). Complications of DM can range from mild to severe and can be life-threatening. Therefore, glycemic control is of critical importance for T1DM patients. To that end, continuous glucose measuring devices have been developed, which when used in conjuction with continuous insulin infusion pumps can greatly improve quality of life in T1DM patients. In this work a model to predict future blood glucose values has been developed, based on the combined usage of compartment models and artificial neural networks (ANNs). The model accepts records of glucose, insulin injection rates and the amount of carbohydrates contained in each meal as input data and outputs predicted values of future blood glucose levels. For the development and evaluation of the model data from 12 T1DM patients, as well as in silico data from UVa T1DM simulator were used.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	118 σ.	el
heal.fullTextAvailability	false