Empirical transition probability modeling of continuous glucose monitoring data.

چکیده اصلی

INTRODUCTION: Continuous glucose monitoring (CGM) produces rich time series data. Standard metrics such as time-in-range summarize glycemia but miss the sequence of changes. We aimed to characterize glucose dynamics using empirical transition probability techniques. MATERIALS AND METHODS: Using publicly available data for 244 participants who enrolled in the Insulin-Only Bionic Pancreas (IOBP2) randomized clinical trial, we mapped each CGM reading to one of five states: < 54, 54-69, 70-180, 181-250, or >250 mg/dL. We counted state changes between consecutive readings collected every 5 minutes. For each participant, we built a 5 × 5 transition probability matrix and averaged matrices within comparator groups. Statistical inference using estimated transition probability matrices was compared to inferences based on standard metrics including mean glucose, standard deviation, coefficient of variation, time-in-range metrics, Glycemia Risk Index (GRI), Mean of Daily Differences (MODD), and Mean Amplitude of Glycemic Excursions (MAGE). RESULTS: Transition probability analysis showed more frequent moves from hyperglycemia (181-250 or >250 mg/dL) to the in-range (70-180 mg/dL) state for the bionic pancreas that was evaluated in the IOBP2 trial compared to control. This pattern appeared in both adults and in children and persisted through the trial. Conventional CGM metrics also showed treatment differences in mean glucose, GRI, and time in range; MODD, MAGE, and coefficient of variation showed less consistent differences between treatment groups. CONCLUSION: Transition probability matrices provide an informative summary of glucose dynamics that complements established CGM metrics. In IOBP2, this approach highlighted improved patterns of recovery from hyperglycemia with the bionic pancreas compared with control. Future studies should determine whether transition-based summaries are associated with clinically meaningful outcomes.

ترجمه فارسی چکیده

مقدمه: نظارت مداوم قند خون (CGM) داده‌های سری زمانی غنی تولید می‌کند. شاخص‌های استاندارد مانند زمان در محدوده، خلاصه‌سازی گلیکمی را انجام می‌دهند اما توالی تغییرات را نادیده می‌گیرند. هدف ما توصیف دینامیک قند با استفاده از تکنیک‌های احتمال انتقال تجربی بود. مواد و روش‌ها: با استفاده از داده‌های عمومی برای ۲۴۴ شرکت‌کننده در آزمایش بالینی تصادفی پانکراس بایونیک صرف انسولین (IOBP2)، هر خوان CGM را به یکی از پنج حالت: < ۵۴، ۵۴-۶۹، ۷۰-۱۸۰، ۱۸۱-۲۵۰ یا > ۲۵۰ میلی‌گرم/دلیتر نگاشت کردیم. ما تغییرات حالت بین خوان‌های متوالی که هر ۵ دقیقه جمع‌آوری می‌شدند را شمارش کردیم. برای هر شرکت‌کننده، یک ماتریس احتمال انتقال ۵ × ۵ ساخت و ماتریس‌ها را در گروه‌های مقایسه‌کننده میانگین‌گیری کردیم. استنباط آماری با استفاده از ماتریس‌های برآورد شده احتمال انتقال با استنباط‌های مبتنی بر شاخص‌های استاندارد شامل قند خون متوسط، انحراف معیار، ضریب تغییرات، شاخص‌های زمان در محدوده، شاخص ریسک گلیکمی (GRI)، میانگین اختلافات روزانه (MODD) و میانگین دامنه نوسان قند (MAGE) مقایسه شد. نتایج: تحلیل احتمال انتقال نشان داد حرکات مکررتر از هیپرگلیکمی (۱۸۱-۲۵۰ یا > ۲۵۰ میلی‌گرم/دلیتر) به حالت در محدوده (۷۰-۱۸۰ میلی‌گرم/دلیتر) برای پانکراس بایونیک ارزیابی شده در آزمایش IOBP2 نسبت به کنترل. این الگو در بزرگسالان و در کودکان ظاهر شد و در طول آزمایش باقی ماند. شاخص‌های CGM متداول نیز تفاوت‌های درمانی را در قند خون متوسط، GRI و زمان در محدوده نشان دادند؛ MODD، MAGE و ضریب تغییرات تفاوت‌های کمتر ثابتی بین گروه‌های درمانی نشان دادند. نتیجه‌گیری: ماتریس‌های احتمال انتقال خلاصه‌سازی اطلاع‌رسانی از دینامیک قند را ارائه می‌دهند که با شاخص‌های CGM تثبیت شده مکمل هستند. در IOBP2، این رویکرد الگوهای بهبود یافته بازگشت از هیپرگلیکمی را با پانکراس بایونیک نسبت به کنترل برجسته کرد. مطالعات آینده باید تعیین کنند که آیا خلاصه‌های مبتنی بر انتقال با نتایج بالینی معنادار مرتبط هستند یا خیر.

متن کامل اصلی