Сбор и анализ данных в DIY Loop: построение отчётов, визуализация и прогнозирование уровня глюкозы

Введение

DIY Loop – это самодельная искусственная поджелудочная, позволяющая людям с диабетом 1 типа автоматизировать ввод инсулина. Сбор и анализ данных в такой системе становится ключевым фактором для повышения точности, безопасности и комфорта использования. В этой статье мы разберём, как экспортировать данные, очистить их, построить визуализацию и даже создать простые прогнозы уровня глюкозы.

Почему сбор данных важен

Без надёжных данных невозможно понять, насколько эффективно работает ваш DIY Loop. Анализ исторических показателей помогает выявлять закономерности, корректировать алгоритмы и избегать гипогликемий. Кроме того, детальные отчёты могут быть полезны врачу при корректировке терапии.

Выбор источников данных

Основные источники информации в DIY Loop включают:

• Сенсор глюкозы (CGM) – данные о текущем и историческом уровне глюкозы;
• Инсулиновый насос – количество введённого инсулина, скорость базовой дозы;
• Приложение‑клиент (AndroidAPS, Loop, etc.) – события, настройки, предупреждения;
• Внешние датчики (активность, сон) – могут влиять на чувствительность к инсулину.

Каждый из этих источников генерирует файлы в формате CSV, JSON или SQLite. Выбор формата зависит от используемого программного обеспечения.

Экспорт данных из DIY Loop

Для большинства популярных DIY‑платформ процесс экспорта выглядит одинаково:

1. Откройте приложение на смартфоне;
2. Перейдите в раздел «Настройки» → «Экспорт данных»;
3. Выберите диапазон дат (например, последний месяц);
4. Нажмите «Экспортировать» и сохраните файл в облако или на компьютер.

Если вы используете OpenAPS, данные находятся в папке /tmp/monitor в виде CSV‑файлов, которые можно скопировать через ADB.

Обработка и очистка данных

Сырые данные часто содержат пропуски, дубли и ошибочные значения. Рекомендованный порядок очистки:

• Удалить строки с отсутствующими метками времени;
• Сгладить резкие скачки глюкозы, используя скользящее среднее (window = 5 минут);
• Объединить данные из разных источников по общему тайм‑стемпу;
• Преобразовать единицы (мг/дл ↔ mmol/L) в единый формат.

Для простоты можно воспользоваться готовыми скриптами на Python (pandas, numpy) или онлайн‑инструментами, например Nightscout (встроенный редактор CSV).

Визуализация данных

Графическое представление помогает быстро оценить эффективность Loop. Основные типы визуализаций:

• Линейный график глюкозы с наложенными точками инсулина – показывает, как ввод влияет на уровень сахара;
• Тепловая карта «время‑день» – выявляет периоды повышенной чувствительности;
• Диаграмма разброса «доза‑уровень глюкозы» – помогает подобрать коэффициенты коррекции;
• Кумулятивный график «инсулин‑углеводы» – оценивает баланс питания и терапии.

Для создания таких графиков можно использовать библиотеки matplotlib, seaborn или онлайн‑сервисы типа Google Data Studio. Ниже пример кода для линейного графика:

import pandas as pd, matplotlib.pyplot as plt
data = pd.read_csv('loop_export.csv')
plt.figure(figsize=(12,4))
plt.plot(data['timestamp'], data['glucose'], label='CGM')
plt.scatter(data['timestamp'], data['insulin'], color='red', s=10, label='Insulin')
plt.legend(); plt.show()

Построение отчётов

Отчёты позволяют систематизировать полученные инсайты и подготовить их к обсуждению с эндокринологом. Шаги создания отчёта:

1. Определите период анализа (неделя, месяц, квартал);
2. Соберите ключевые метрики: средний уровень глюкозы, % времени в целевом диапазоне (TIR), количество гипо‑ и гипер‑событий;
3. Сформируйте таблицу с ежедневными суммами инсулина и углеводов;
4. Добавьте графики из предыдущего раздела;
5. Сделайте выводы и рекомендации (например, «увеличить базу в 03:00–05:00»).

Для автоматизации можно использовать шаблоны в Google Docs или Jupyter Notebook с экспортом в PDF.

Прогнозирование уровня глюкозы

Прогнозные модели позволяют предвидеть падение глюкозы за 30–60 минут и автоматически корректировать базу. Самый простой подход – скользящая регрессия:

• Берём последние 5‑10 измерений CGM;
• Строим линейную модель y = a·x + b;
• Экстраполируем значение на 30 минут вперёд;
• Если прогноз < 70 мг/дл, снижаем базу на 10‑20 %.

Для более точных предсказаний используют машинное обучение (LSTM‑сети, Gradient Boosting). Пример простого скрипта на scikit‑learn:

from sklearn.ensemble import GradientBoostingRegressor
X = data[['glucose_prev', 'insulin_prev', 'carb_prev']]
y = data['glucose_next']
model = GradientBoostingRegressor().fit(X, y)
pred = model.predict(X_new)

Важно помнить, что любые автоматические корректировки должны проходить проверку безопасности (параметры maxIOB, maxBasal).

Практические советы и типичные ошибки

• Не забывайте о синхронизации времени между CGM, насосом и смартфоном – иначе графики будут смещены;
• Регулярно проверяйте целостность файлов: повреждённый CSV может привести к неверным выводам;
• Не перегружайте визуализацию – слишком много линий запутает восприятие;
• Отслеживайте только релевантные метрики – TIR, средний глюкоз, количество гипо‑событий важнее, чем каждый отдельный пик;
• Тестируйте прогнозы на исторических данных перед внедрением в реальном времени.

Заключение

Сбор, очистка, визуализация и прогнозирование данных – неотъемлемая часть эффективного управления DIY Loop. Правильно построенные отчёты помогают понять, где система работает отлично, а где требуются настройки, а прогнозные модели повышают безопасность, предупреждая гипогликемии. Помните, что любые изменения алгоритма необходимо согласовывать с лечащим врачом.

Disclaimer: информация предоставлена в образовательных целях и не заменяет консультацию с квалифицированным специалистом.