Metody czasowo-przestrzenne w epidemiologii cyfrowej z zastosowaniami w cukrzycy

W tym projekcie opracujemy i zwalidujemy metody czasowo-przestrzenne analizy cyfrowych danych o zdrowiu zbieranych poprzez ciągłe monitorowanie w rzeczywistych warunkach za pomocą urządzeń ubieralnych i mobilnych, wraz z elektroniczną dokumentacją medyczną. Choć technologie te generują gęste, ciągłe i uporządkowane strumienie danych, obecne podejścia analityczne często opierają się na podsumowaniach skalarnych lub miarach zagregowanych, które nie oddają dynamiki czasowej, struktury rozkładów i zróżnicowania geograficznego. W efekcie istniejące metody nie wykorzystują w pełni cyfrowych danych o zdrowiu do rozumienia progresji i ryzyka chorób przewlekłych.

Cele

W szczególności opracujemy metody tworzenia map epidemiologicznych na podstawie cyfrowych danych o zdrowiu, aby stworzyć narzędzia ilościowe służące do:

1. Monitorowania i rozumienia rozwoju chorób przewlekłych, takich jak cukrzyca, z perspektywy populacyjnej i geograficznej.
2. Analizy kontroli metabolicznej i ryzyka zdarzeń takich jak hipoglikemia i hiperglikemia z wykorzystaniem danych z urządzeń do ciągłego monitorowania glukozy (CGM) w ujęciu czasowo-przestrzennym.

Ramy metodologiczne

Aby osiągnąć te cele, zaprojektujemy czasowo-przestrzenne ramy statystyczne wraz z algorytmami uczenia maszynowego dla obiektów losowych w przestrzeniach metrycznych. Jednostkami obserwacji będą funkcje losowe i inne obiekty losowe zdefiniowane w ogólnych przestrzeniach metrycznych. Skupimy się zwłaszcza na reprezentacjach opartych na rozkładach, które podsumowują szeregi czasowe z cyfrowych urządzeń zdrowotnych, takich jak podejście glucodensity. Proponowane ramy pozwolą szacować kluczowe wyniki kliniczne w przestrzeni i czasie oraz wyznaczać obszary predykcyjne uwzględniające niepewność dzięki metodom predykcji konformalnej w przestrzeniach metrycznych.

Dane i zastosowanie

Proponowane modele zastosujemy do danych z Human Phenotype Project (HPP), a tam, gdzie będzie to możliwe, także do elektronicznej dokumentacji medycznej z Abu Zabi. Chcemy monitorować ryzyko cukrzycy w przestrzeni i czasie za pomocą czasowo-przestrzennych map epidemiologicznych tworzonych z danych CGM oraz lepiej rozumieć geograficzne i czasowe zróżnicowanie skuteczności leczenia i kontroli metabolicznej w rzeczywistych warunkach.