GM(1,1)模型对不同范围血糖的预测性能分析

目的评价GM(1,1)模型在血糖预测中的性能,分析该模型对不同范围血糖数据的预测能力。方法以50例2型糖尿病(T2DM)患者的连续72 h血糖序列为研究对象,基于新陈代谢算法建立GM(1,1)模型,预测5、15、30 min后的血糖。将50例患者随机分成对照组20例和实验组30例,观察分析对照组数据得到预测误差较低时的血糖范围(a~b),以此范围将实验组数据分为A组(b),采用Pearson相关性分析、非参数检验进行分析。结果对照组筛选出预测时长为5、15、30 min时的血糖范围分别为3.4~11.5、3.3~11.4、3.2~11.4 mmol/L。相关性分析显示,不同预测时长时,B组的预测拟合度均最好(P<0.01)。非参数检验表明,同一预测时长的组间预测误差比较,差异有统计学意义(P<0.01),其中A组的预测误差最小,B组次之,C组最大。结论GM(1,1)模型对3.4~11.4 mmol/L的血糖数据预测效果更好。

脑源性神经营养因子作为糖尿病慢性并发症治疗新靶点的研究现状

糖尿病是一种复杂的、全球普遍存在的公共卫生问题,其特征是胰岛素分泌异常、容易出现各种急慢性并发症。脑源性神经营养因子(brain derived neurotrophic factor,BDNF)作为胰岛素分泌的一种有效诱导因子,通过调节各种神经递质、肽类以及炎症因子的分泌,对糖尿病及其并发症的发生发展具有一定预测和保护作用。因此,BDNF可能成为糖尿病并发症治疗的新靶点。该文主要从BDNF的结构与调节、BDNF与糖尿病并发症的相关性及发病机制等方面进行综述,以期为开发糖尿病新型治疗手段提供依据。

GM(1,1)模型对T1DM和T2DM患者的低血糖预警价值

目的探讨GM(1,1)模型在T1DM和T2DM患者中对低血糖事件的预警价值。方法收集2017年10月至2017年12月在河南省人民医院住院的DM患者50例,其中T1DM患者7例,T2DM患者43例。以连续72h的血糖数据为研究对象,通过Matlab2018运行GM(1,1)模型,得到5 min、15 min、30 min后的预测血糖值,以平均绝对误差(MAE)、平均相对误差(MRE)、均方根误差(RMSE)及Clarke误差网格评价该模型的预测性能。以灵敏度(Sens)、虚警率(FA)、漏警率(MA)等指标评价低血糖预警效果,并进一步分析在T1DM、T2DM患者中的差异。结果 5 min预测时,GM(1,1)模型的MAE、MRE、RMSE分别是0.48、6.6%、0.68;15 min预测时,MAE、MRE、RMSE分别是0.71、9.6%、1.00;30 min预测时,MAE、MRE、RMSE分别是1.03、13.9%、1.48。Clarke误差网格表明该模型对血糖的预测精度符合要求。5 min预测时,T1DM患者中,低血糖预警的Sens、MA、FA分别为79.1%、20.8%、2.4%;T2DM患者中,Sens、MA、FA分别为78.9%、21.1%、1.7%。15 min预测时,T1DM患者中,Sens、MA、FA分别为71.7%、28.3%、3.8%;T2DM患者中,Sens、MA、FA分别为70.6%、29.4%、2.9%。30 min预测时,T1DM患者中,Sens、MA、FA分别为63.3%、36.7%、5.9%;T2DM患者中,Sens、MA、FA分别为61.7%、38.3%、4.4%。两独立样本t检验表明无论在哪个预测时长,该模型在T1DM与T2DM患者中的低血糖预警效果无统计学差异(P>0.05)。结论 GM(1,1)模型能有效预警低血糖,且在T1DM、T2DM患者中预警效果一致。