PREDICTING INDIVIDUALS DIAGNOSED WITH TYPE 2 DIABETES ACHIEVING HBA1C REDUCTION FROM TELEMONITORING - A POST HOC ANALYSIS USING MACHINE LEARNING
Translated title
FORUDSIGELSE AF PERSONER MED TYPE 2-DIABETES, SOM OPNÅR HBA1C-REDUKTION VED TELEMONITORERING - EN POST HOC ANALYSE MED MASKINLÆRING
Authors
Nielsen, Lukas Joel Rold ; Fromreide, Tobias
Term
4. term
Education
Publication year
2025
Submitted on
2025-06-02
Pages
23
Abstract
Baggrund og formål: Omkring 537 millioner mennesker lever med diabetes på verdensplan, og tallet forventes at stige til 643 millioner i 2030, hvilket giver en stor klinisk og økonomisk belastning. Telemonitorering – løbende fjernopfølgning af sundhedsdata i hjemmet – kan hjælpe personer med type 2-diabetes (T2D) med at få bedre blodsukkerkontrol, men effekten varierer, og indsatsen er kostbar. Derfor er det vigtigt at målrette tilbuddet til dem, der sandsynligvis får størst gavn. Der findes endnu ingen model, der forudsiger, hvem der bedst responderer på telemonitorering. Vi havde til formål at udvikle en forudsigelsesmodel til at identificere de personer med T2D, der med størst sandsynlighed vil reagere positivt på telemonitorering. Metoder: Vi lavede en post hoc-analyse af interventionsgruppen (n=163) i det randomiserede, kontrollerede DiaMonT-forsøg. Respons blev defineret som mindst 15 % reduktion i HbA1c, en markør for gennemsnitligt blodsukker over 2–3 måneder. Manglende data blev imputeret. Data blev stratificeret og delt i trænings- (80 %) og testmængder (20 %). Vi udvalgte variable med fremadrettet sekventiel variabelselektion kombineret med 5-fold krydsvalidering og arealet under kurven (AUC) som mål for modelpræstation. En logistisk regressionsmodel blev trænet på de udvalgte variable og valideret på testdatasættet. Resultater: Seks variable indgik i den endelige model: HbA1c ved baseline, brug af betablokkere, opioider, DPP-4-hæmmere, GLP-1-receptoragonister samt forekomst af hypoglykæmi (lavt blodsukker). Modellen opnåede AUC 0,72, følsomhed 0,80 og specificitet 0,56. Det betyder, at modellen oftest fandt dem, der ville respondere, men også fejlklassificerede nogle, der ikke ville. Konklusion: En maskinlæringsmodel baseret på DiaMonT-data forudsagde med moderat nøjagtighed, hvilke personer med T2D opnåede >15 % HbA1c-reduktion ved telemonitorering. Resultaterne peger på potentiale for mere personlig tildeling af telemonitorering, men yderligere forskning er nødvendig, før modellen kan anvendes selvstændigt i klinikken.
Background and aim: About 537 million people worldwide live with diabetes, a number expected to rise to 643 million by 2030, creating a major clinical and economic burden. Telemonitoring—regular remote follow-up of health data at home—can improve blood sugar control in people with type 2 diabetes (T2D), but its effectiveness varies and implementation is costly. Targeted selection is therefore important. No existing model predicts who benefits most from telemonitoring. Our aim was to develop a predictive model to identify people with T2D most likely to respond positively to telemonitoring. Methods: We conducted a post hoc analysis of the intervention group (n=163) in the DiaMonT randomized controlled trial. Response was defined as a reduction of at least 15% in HbA1c, a marker of average blood sugar over the past 2–3 months. Missing data were imputed. Data were stratified and split into training (80%) and test (20%) sets. We used forward sequential feature selection with five-fold cross-validation and area under the curve (AUC) as the performance metric. A logistic regression model was trained on the selected features and validated on the test set. Results: Six features were included in the final model: baseline HbA1c, use of beta blockers, opioids, DPP-4 inhibitors, GLP-1 receptor agonists, and history of hypoglycemia (low blood sugar). The model achieved an AUC of 0.72, sensitivity of 0.80, and specificity of 0.56. This indicates the model often identified true responders but also misclassified some non-responders. Conclusions: A machine learning model based on DiaMonT trial data moderately predicted which people with T2D achieved >15% HbA1c reduction with telemonitoring. These results support the potential for more personalized allocation of telemonitoring, though further research is needed before routine clinical use.
[This summary has been rewritten with the help of AI based on the project's original abstract]
Documents