University of Twente Student Theses

Login

Gepersonaliseerde Predictie van Bloedglucosewaarden bij Opgenomen Diabetespatiënten.

Barkel, M.S. and Bijlsma, A. and Boddeke, M.M. and Dragt, C.J.E. (2024) Gepersonaliseerde Predictie van Bloedglucosewaarden bij Opgenomen Diabetespatiënten.

Full text not available from this repository.

Full Text Status:Access to this publication is restricted
Abstract:Doel: Het doel van dit onderzoek is om een bloedglucose predictiemodel te ontwikkelen voor opgenomen diabetespatiënten. Aanvullend is een flowchart nodig die klinisch relevante factoren identificeert die invloed hebben op de bloedglucosewaarde. Het model en de flowchart zullen idealiter worden geïmplementeerd in een dashboard dat zal worden gebruikt om de bloedglucosewaarden te reguleren van diabetespatiënten in het ZGT Almelo. Methode: De dataset afkomstig uit het ZGT Almelo is gebruikt voor het onderzoek. Van de zes patiënten uit de dataset spuiten er twee grote hoeveelheden insuline (> 1.00 eenheden per toediening) met daartussen lange tijdsbestekken (> 30 minuten). Uit de gekregen data is voor beide patiënten 84 uur aan data geïncludeerd in het onderzoek, waarvan 72 uur als training dataset wordt gebruikt en 12 uur als vergelijkingsmateriaal voor de uiteindelijke voorspelling. De nauwkeurigheid van de voorspelling is bepaald door de P-waardes van input variabelen, de Root Mean Square Error (RMSE), het percentage correcte voorspellingen (PCV), de R^2 en een scatterplot. De flowchart is vervolgens opgebouwd uit verschillende fases die vertakken in invloedrijke en overige events. Dit geheel schetst daarmee de patient journey. Resultaten: Voor de eerste patiënt is de RMSE het kleinst bij 48 uur, namelijk 0.6478, en het grootst bij 24 uur met 0.7919. De 95% betrouwbaarheidsinterval is bij 72 uur het hoogst met 14.583% en het laagst bij 24 uur met 6.2500%. De R^2 geeft de hoogste waarde bij 12 uur, namelijk 0.1840, en de laagste waarde bij 72 uur met 0.0250. De input variabelen zijn het meest significant bij 24 uur aan data input en het minst bij 48 uur aan data input. Voor de tweede patiënt is de RMSE het kleinst bij 12 uur met 0.7678 en het grootst bij 72 uur met 0.8158. De 95% betrouwbaarheidsinterval is bij 48 uur het hoogst met 43.750% en het laagst bij 12 en 72 uur met 31.250%. De R^2 geeft de hoogste waarde bij 12 uur, namelijk 0.3394, en de laagste waarde bij 48 uur met 0.0430. De input variabelen zijn het meest significant bij 24 uur aan data input en het minst bij 72 uur aan data input. De flowchart schetst helder de patient journey van een opgenomen diabetespatiënt. Conclusie: In dit onderzoek is een glucose predictiemodel ontworpen met aanvullend een flowchart van een patient journey voor diabetespatiënten. Het onderzoek laat zien dat wanneer er meer data input wordt genomen, het model minder nauwkeurig presteert. Aansluitend neemt de toepasbaarheid van het model af. Verder biedt de flowchart een helder overzicht van verschillende fasen, opgesplitst in events die invloed hebben op de bloedglucosewaarden van een opgenomen diabetespatiënt, evenals overige events. Keywords: Bloedglucose predictiemodel; Diabetes; patient journey; Glucose regulatie;
Item Type:Essay (Bachelor)
Clients:
ZGT Almelo, Almelo, Nederland
Faculty:TNW: Science and Technology
Subject:44 medicine
Programme:Technical Medicine BSc (50033)
Link to this item:https://purl.utwente.nl/essays/98021
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page