DiabAI 30-Minute Glucose LSTM
прогноз уровня глюкозы на 30 минут вперёд
2 мин чтенияобновлено
Компактная образовательная нейросеть на базе PyTorch, которая предсказывает уровень глюкозы в крови через 30 минут по данным непрерывного мониторинга (CGM). На вход модель принимает 96 последовательных замеров за последние 24 часа (с шагом в 15 минут), текущее время суток и тип диабета (T1DM или T2DM), а на выходе выдаёт прогнозируемое изменение показателя в мг/дл. В основе лежит однослойная рекуррентная сеть LSTM (архитектура для работы с временными рядами) всего на 19 617 обучаемых параметров. Модель обучена на открытых датасетах ShanghaiT1DM и ShanghaiT2DM и пригодится исследователям, студентам и разработчикам неклинических прототипов для экспериментов с медицинскими временными рядами.
Ключевые особенности
- Прогноз дельты: сеть предсказывает не само финальное значение, а изменение уровня глюкозы за полчаса, которое затем прибавляется к текущему замеру.
- Учёт циркадных ритмов: помимо двух каналов ряда (нормализованной глюкозы и первой разности), на вход подаются синус и косинус часа суток, а также индикатор диабета 1-го типа.
- Опережение классических бейзлайнов: на отложенной тестовой выборке LSTM показала среднюю абсолютную ошибку (MAE) 8.7502 мг/дл, обойдя линейную регрессию (9.2644) и случайный лес (8.8821).
- Сверхлёгкий вес: модель содержит менее 20 тысяч параметров и запускается на обычном CPU без видеокарты.
Что можно сделать
- Ретроспективный анализ данных: протестировать поведение алгоритмов прогнозирования на исторических записях с датчиков CGM.
- Учебные стенды по ML: использовать репозиторий как воспроизводимый эталон для сравнения рекуррентных сетей, CNN и трансформеров на временных рядах.
- Неклинические прототипы: встроить инференс-скрипт в исследовательские дашборды визуализации динамики показателей (строго с проверкой человеком и без медицинских рекомендаций).
Пример
import json
from inference import load_model, predict_future_glucose
model, normalization = load_model("model.pt")
document = json.load(open("example_input.json", encoding="utf-8"))
result = predict_future_glucose(model, normalization, document)
print(result)
Подробнее
Метрики на тесте (16 992 примера, 17 пациентов): MAE = 8.7502 мг/дл, RMSE = 12.6120 мг/дл, R² = 0.9335 (снижение MAE на 23.25% относительно наивного прогноза).Точность по диапазонам: лучше всего модель работает в пределах 70–180 мг/дл (MAE 7.9208), хуже — при значениях выше 180 мг/дл (MAE 13.0000).
Железо: обучалась и запускается на CPU (PyTorch 2.15.0, Python 3.11.9), требует полный 24-часовой ряд из 96 точек без пропусков.
Ограничения: не является медицинским изделием; запрещено использовать для диагностики, лечения и расчёта доз инсулина; не учитывает приёмы пищи, физическую нагрузку и уколы инсулина; лицензия CC BY 4.0.










Комментарии