《Applied Sciences》:Design and Realization of an ELF-EMF Generator and Effects of Different Magnetic Flux Densities on Cancerous and Healthy Cell Viability
编辑推荐:
糖尿病(Diabetes mellitus)是一种需要持续监测和及时风险评估以降低严重长期并发症可能性的主要慢性疾病。移动健康技术和机器学习(ML)的最新进展为开发支持糖尿病自我管理和早期风险筛查的智能系统提供了新机遇。本文提出了一种端到端的移动健康平台,该平
糖尿病(Diabetes mellitus)是一种需要持续监测和及时风险评估以降低严重长期并发症可能性的主要慢性疾病。移动健康技术和机器学习(ML)的最新进展为开发支持糖尿病自我管理和早期风险筛查的智能系统提供了新机遇。本文提出了一种端到端的移动健康平台,该平台在模块化客户端-服务器架构中集成了糖尿病监测功能与基于ML的预测服务。所提出的系统使用户能够记录血糖测量值、胰岛素注射、体力活动及其他健康相关信息,同时提供历史数据可视化、自动提醒通知和实时糖尿病风险预测。预测模块使用公开可用的PIMA印第安人糖尿病数据集(PIMA Indians Diabetes Dataset)进行训练,并使用决策树(Decision Tree, DT)、随机森林(Random Forest, RF)和XGBoost分类器进行评估。模型性能通过准确率(Accuracy)、精确率(Precision)、召回率(Recall)、特异度(Specificity)、F1分数(F1-score)、校准分析以及受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)进行评估。实验结果表明,RF分类器取得了最高的AUC(0.925),证明了其在所评估模型中具有优越的判别能力,并使其成为在所提出平台内部署的最合适候选。尽管当前的预测模型是在基准公共数据集上训练的,但所提出的框架为将ML驱动的决策支持集成到移动健康应用中提供了实用基础,并可通过外部临床验证和个性化预测模型进一步扩展。
糖尿病是一种全球性的主要慢性疾病,需要持续监测和及时风险评估以降低严重长期并发症的可能性。已有研究表明,定期血糖监测能显著减少并发症风险,但患者在日常管理中常面临监测不规律、数据分散等问题。近年来,移动健康技术和机器学习(Machine Learning, ML)的快速发展为开发智能糖尿病管理工具提供了新机遇。然而,大多数现有研究要么单独聚焦于预测模型的开发,要么独立设计监测应用,缺乏将两者整合为统一端到端平台的方案。为解决这一不足,研究人员开展了一项研究,旨在设计并实现一个集糖尿病监测与ML预测于一体的移动健康系统,以支持患者自我管理和早期风险筛查。该论文发表在《Applied Sciences》上。
研究人员在研究中主要采用了以下关键技术与方法:使用公开的PIMA印第安人糖尿病数据集(PIMA Indians Diabetes Dataset,含768条记录、8个临床特征)作为模型训练数据;通过缺失值处理(零值替换为缺失)、异常值检测与替换(以中位数修正)进行数据预处理;训练并评估了三种监督学习算法——决策树(Decision Tree, DT)、随机森林(Random Forest, RF)和XGBoost,采用5折交叉验证;使用准确率、精确率、召回率、特异度、F1分数、AUC-ROC(受试者工作特征曲线下面积)以及校准曲线作为评估指标;系统架构采用模块化客户端-服务器设计,移动客户端基于Ionic/Angular框架,后端服务器基于ASP.NET Core,ML预测服务基于Python/FastAPI,数据库使用Microsoft SQL Server。
研究结果部分总结了以下关键发现:
**5.1 Prediction Performance**:通过对比DT、RF和XGBoost在测试集上的表现,RF分类器取得了最高的AUC值(0.925),显示出最优的判别能力。尽管DT的准确率最高,但RF在AUC指标上表现更佳,因此被选为部署模型。置换特征重要性分析显示,胰岛素和血糖水平是影响预测结果的最重要特征。
**5.1.1 Functional Validation of the Mobile Application**:功能测试验证了移动应用的用户注册、身份验证、预测请求和健康数据记录等核心功能的正确运行。客户端和服务器端均实施了验证机制,确保数据完整性。历史记录页面和图表页面允许用户查看过去两个月的血糖、胰岛素和体力活动数据,支持趋势观察。
**5.1.2 Data Preprocessing Validation**:通过箱线图识别并修正了血压等特征中的异常值,预处理后的数据集用于模型训练,确保了模型性能的可靠性。
讨论部分指出,RF的优越性能验证了集成学习方法在处理医学数据复杂关系时的有效性,而将预测模型嵌入移动健康平台是一项重要贡献,使用户不仅能获得风险预测,还能持续监测健康参数。自动提醒通知机制鼓励用户坚持血糖监测,有助于改善血糖控制。然而,研究存在局限性:模型仅基于PIMA数据集(样本量有限且来自特定人群),泛化性尚未验证。未来需使用多种族数据集(如NHANES)进行外部验证,并探索纳入更多生活方式特征和可穿戴传感器数据以提升预测精度。
研究结论翻译如下:本文提出了一种基于移动端的糖尿病监测与预测系统,将ML技术与移动健康技术相结合。该系统将连续健康监测与预测分析整合在一起,使用户能够通过移动应用记录和分析血糖水平、胰岛素注射和体力活动等关键健康参数。通过将监测功能与基于ML的风险预测相结合,系统为用户提供了一个全面的数字工具,支持自我管理和对潜在糖尿病风险的早期认知。实验评估表明,RF分类器在所评估算法中取得了最高的AUC,表明其在不同分类阈值下具有优越的判别能力。这些结果证实了集成学习方法在应用于PIMA糖尿病数据集等临床数据时对糖尿病预测任务的有效性。将预测模型集成到移动健康平台中,可实现实时风险评估,同时允许用户维护结构化的健康数据历史记录。该系统的另一个贡献是实现了自动通知机制,当用户未在一天内记录血糖数据时,会提醒用户进行测量,鼓励持续自我监测行为。通过促进定期监测和提供预测性见解,该系统有可能支持患者维持更好的血糖控制并改善长期健康结果。未来工作将集中于扩展平台功能,包括基于OCR的医疗报告分析、个性化饮食推荐系统以及集成可穿戴设备获取的额外生理数据,并使用更大更多样化的临床数据集进行训练和验证,以提高泛化能力和预测性能。