От Django-дневника к интеллектуальной системе поддержки диабета: математика, SPA и машинное обучение

Вот важная новость с фронта ИИ: katyshevav только что От Django-дневника к интеллектуальной системе поддержки диабета: математика, SPA и машинное обучение Средний 19 мин 11 Data Engineering * Python * Django * Здоровье Кейс В предыдущих статьях я рассказывал, как появился веб-дневник диабета на Django и как постепенно оптимизировалась его производительность. Проект начинался довольно типично: пользователь вводил показатели сахара, записывал приемы пищи и дозы инсулина, а система сохраняла их в базе данных и отображала на графиках. Со временем дневник перестал быть просто электронным блокнотом.

Данных становилось все больше, а вместе с ними появлялись и новые вопросы. Главный из них звучал очень просто:Что будет с уровнем глюкозы через 15, 30 или 45 минут? Эволюция дневникаДостаточно быстро стало понятно, что хранить историю измерений уже недостаточно.

Технические детали

Пользователю важно не только видеть прошлое, но и понимать ближайшее будущее. Если система сможет заранее предупредить о возможном снижении сахара или его резком росте, то у человека появится время скорректировать дозу инсулина, принять углеводы или, наоборот, отказаться от дополнительной еды. Однако построить такой прогноз оказалось намного сложнее, чем просто обучить модель машинного обучения.

Почему нельзя просто использовать нейросетьКогда речь заходит о прогнозировании временных рядов, первое, что приходит в голову, — использовать нейронные сети. В интернете можно найти множество примеров с LSTM, Transformer и другими современными архитектурами. Проблема в том, что диабет — это не только временной ряд уровня глюкозы.

На концентрацию сахара одновременно влияют десятки факторов: текущий уровень глюкозы; скорость его изменения; инсулин, введенный несколько часов назад; углеводы, которые еще продолжают всасываться; жиры и белки, замедляющие усвоение пищи; время суток; чувствительность к инсулину; физическая активность. Если передать модели только историю значений глюкозы, она увидит лишь следствие происходящих процессов, но не их причины. Представьте две ситуации.

Отраслевые последствия

В первой человек только что съел большое количество углеводов. Во второй — сделал корректирующий болюс инсулина. В обоих случаях текущий уровень сахара может быть абсолютно одинаковым — например, 8 ммоль/л.

Но дальнейшее развитие событий будет совершенно разным. В первом случае сахар, скорее всего, продолжит расти, а во втором — начнет снижаться. Для человека эта разница очевидна, потому что он знает, что происходило несколько минут назад.

Для модели машинного обучения — нет. Поэтому первой задачей стало не обучение алгоритма, а создание математической модели, которая сможет описать текущее состояние организма значительно точнее, чем простая последовательность измерений CGM. От сырых данных к математической моделиВместо того чтобы использовать только последние значения глюкозы, я решил сформировать набор признаков, описывающих состояние организма в текущий момент времени.

Этот прогресс даёт важные сигналы о будущем отрасли, и технологический мир внимательно наблюдает.