Background.

Гестационный сахарный диабет (ГСД) – распространенное эндокринное заболевание, осложняющее около 16% беременностей (распространенность варьируется в зависимости от региона) [1]. Высокий уровень глюкозы крови у матери во время беременности приводит к развитию осложнений беременности, ухудшению ее исходов (например, к травматизации в родах из-за крупных размеров новорожденного, гипогликемии новорожденного) и так отдаленным последствиям, как ожирение и сахарный диабет у потомства [2]. Для предотвращения неблагоприятных исходов необходимо поддерживать уровень глюкозы в крови во время беременности как можно ближе к норме. Достижению этой цели помогает приложение ДиаКомпаньон I [3].

С 2015 по 2021 год в Национальном медицинском исследовательском центре имени В.А. Алмазова проводилась разработка и апробация в клинической практике мобильного приложения ДиаКомпаньон для сбора и обмена данными [4–6]. Данное приложение позволяет фиксировать состав приемов пищи пользователей, физическую активность, дозы инсулина, кетоны в моче и результаты измерения уровня глюкозы в крови. Накопленные в ходе исследования приложения ДиаКомпаньон данные о постпрандиальном гликемическом ответе (ППГО) беременных женщин с ГСД после определенных приемов пищи в различных ситуациях позволили разработать прогностические модели оценки риска высокого ППГО на основе данных о текущем приеме пищи, ранее употребленных приемов пищи и на основе индивидуальных характеристик пациента [3]. Помимо функций приложения ДиаКомпаньон, приложение ДиаКомпаньон I, разработка которого проводится с 2021 года (соглашение № 075-15-2022-301), содержит модель прогнозирования ППГО на основе индивидуальных параметров пациентки (включая антропометрические, клинические и биохимические данные), состава планируемого приема пищи и информации из дневника питания за последние сутки, а также блок рекомендаций.

В зависимости от прогнозируемого постпрандиального уровня глюкозы крови, приложение генерирует одно из всплывающих сообщений с рекомендациями. В случае прогнозирования уровня глюкозы крови после запланированного приема пищи выше целевого значения (>7,0 ммоль/л) всплывающие сообщения содержат рекомендации о том, как предотвратить высокий постпрандиальный уровень глюкозы. В сообщениях содержатся рекомендации исключить или сократить количество продуктов с высоким гликемическим индексом (ГИ), уменьшить количество углеводов в текущем приеме пищи или во время перекусов, внести изменения в прием пищи или добавить физическую нагрузку сразу после приема пищи. Поскольку пользователи получают прогноз ППГО и соответствующие рекомендации при планировании приема пищи, они могут изменять состав запланированного приема пищи и вносить коррективы в приложение до тех пор, пока прогнозируемое значение глюкозы крови не попадет в целевой диапазон. В случае прогнозирования ППГО в пределах нормы появляется сообщение об успешно добавленной записи. Приложение также анализирует потенциальные причины прогнозируемого высокого уровня глюкозы крови. Если причина не в высокой гликемической нагрузке планируемого приема пищи, могут появиться рекомендации по дополнительной физической активности, уменьшению количества углеводов в перекусах, увеличению потребления клетчатки и/или обращению за консультацией к эндокринологу.

В настоящее время существуют модели прогнозирования ППГО для пациентов с сахарным диабетом 1 типа и других когорт [7]. Однако для беременных с ГСД нет опубликованных исследований по созданию эффективной модели прогнозирования на основе индивидуальных характеристик женщин.

В настоящее время в Национальном медицинском исследовательском центре имени В.А. Алмазова проводится рандомизированное контролируемое исследование работы мобильного приложения ДиаКомпаньон I с функцией прогнозирования ППГО, согласно протоколу, описанному в опубликованной статье [8].

Разработка приложения ДиаКомпаньон I

Изначально приложение создавалось для операционной системы Android и распространялось по ссылке в виде APK-файла (формат архивных исполняемых файлов-приложений для Android и ряда других операционных систем, основанных на Android) [9]. Однако по мере того, как число пациентов, принимавших участие в исследовании, увеличивалось, возникла необходимость перенести приложение на большее количество платформ. В дополнение к вышеупомянутой платформе началась разработка версии для мобильной операционной системы iOS и универсальной веб-версии. Версия для Android также активно поддерживалась. Была увеличена производительность и добавлены новые функции. Работа проводилась при финансовой поддержке Министерства науки и высшего образования Российской Федерации (договор № 075-15-2022-301).

Растущее число пациентов также потребовало расширения рамок исследования и определило необходимость классификации пациентов на группы в зависимости от типа диабета и целевых показателей. Таким образом, приложение позволяет отслеживать состояние здоровья нескольких принципиально разных типов пациентов.

Потенциальные пользователи:

• пациенты с сахарным диабетом, ожирением и другие лица, нуждающиеся в оценке дневников питания;
• беременные с гестационным сахарным диабетом на диетотерапии (ДиаКомпаньон с функцией прогнозирования), беременные с гестационным сахарным диабетом на инсулинотерапии (ДиаКомпаньон с возможностью ведения дневника питания, контроля гликемии и вводимых доз инсулина);
• научные организации, собирающие данные дневников питания, мониторирования гликемии (в том числе CGMS) и физической активности у участников исследований.

В будущем платформу можно будет использовать для проведения научных исследований по широкому спектру собираемых в НМИЦ имени В.А. Алмазова данных.

Российских аналогов, основанных на прогнозировании уровня гликемии, с рекомендациями по питанию нет. Среди иностранных аналогов есть приложения для беременных с ГСД, где демонстрируются рекомендации по питанию, но они не основаны на прогнозировании гликемии после каждого приема пищи.

При разработке приложения ДиаКомпаньон I исследования были сосредоточены на совершенствовании системы рекомендаций.

В настоящее время в приложении реализована встраиваемая система управления базами данных SQLite, которая устанавливается в мобильное приложение пользователя и обслуживает локальные потребности пользователя, такие как чтение базы данных продуктов питания, записей о приемах пищи и физической активности. SQLite – это широко используемый формат хранения локальных данных, а простота его архитектуры снижает накладные расходы, время отклика и упрощает работу приложения.

Модель XGBoosting, встроенная в приложение, получила данные из сотен электронных дневников пациентов, собранных в ходе исследований по созданию приложения ДиаКомпаньон с включением беременных женщин с ГСД за последние пять лет. Для повышения качества собираемых данных проводился еженедельный анализ электронных дневников для выявления недобросовестной отчетности, а также проводилось информирование пациентов о важности и цели исследования. Небрежное ведение дневника определялось по разнице между фактическим временем внесения информации о текущем уровне глюкозы и приеме пищи и заявленным временем измерения глюкозы и внесения информации. В основном это касалось основных приемов пищи (завтрак, обед и ужин). Также для фильтрации небрежно заполненной и искаженной информации были сформулированы и реализованы следующие правила:

1 – более 50% приемов пищи, записанных в дневнике, состояли из одного блюда или одного блюда с одним напитком (небрежная запись);

2 – среднесуточная потребляемая энергия по данным дневника составляла менее 1000 ккал (свидетельство занижения потребления пищи);

3 – вес более 50% блюд, включенных в дневник, был округлен до сотен грамм, без учета напитков (грубое округление);

4 – более 20% постпрандиальных измерений уровня глюкозы глюкометрами отличались от соответствующих измерений системы постоянного непрерывного мониторирования гликемии на 1 ммоль/л и более (потенциальное искажение данных);

5 – количество перекусов, зафиксированных в дневнике, составляло менее 10% от всех записей о приеме пищи (занижение количества приемов пищи) [3].

Так же было обнаружено, что некоторые пациенты делали значительно больше записей, чем другие, и более регулярно, в основном за счет внесения информации о перекусах. Это создало заметный дисбаланс в исходных данных, поэтому некоторые дневники наблюдения с недостоверными данными пришлось исключить.

После исключения дневников наблюдения с недостоверными данными полученный набор данных был стандартизирован ( = 0, = 1) и введен в модель машинного обучения. Выбор и оптимизация параметров модели осуществлялись путем k-кратной перекрестной проверки. Для технической реализации алгоритма и предварительной обработки данных использовались библиотеки PyTorch и Scikit-Learn языка программирования Python.

При разработке блоков мобильного приложения особое внимание было уделено UI/UX-дизайну. Чтобы соответствовать высоким отраслевым стандартам, процесс верстки осуществлялся в соответствии с рекомендациями Apple Human Interface Guideline и Google Material Design [10].

Для улучшения качества конечного продукта были использованы как сторонние дизайнерские решения, так и графические элементы, реализованные в Adobe Illustrator/Figma. Самым спорным вопросом стала реализация уведомлений, получаемых пользователем в результате работы рекомендательной системы. Наиболее обсуждаемыми вопросами были их частота и форма, сопровождающие звуки и тактильные ощущения.

Также была установлена различная цветовая схема для приложения при использовании днем и ночью, принимая во внимание изменения цветового восприятия человеческим глазом при понижении освещенности объектов (эффект Пуркинье).

База данных

Для оптимизации работы мобильных приложений была разработана новая структура базы данных. Благодаря реляционному подходу к организации связей внутри базы данных, который дал возможность сократить количество запросов к базе данных, существенно возросла скорость обработки данных и выгрузки на экспорт.

За счет использования ссылок «один-ко-многим» и «многие-ко-многим» удалось не только избавиться от дублирующей информации, увеличивавшей объем данных приложения, хранящихся на устройстве, но и обеспечить возможность каскадного редактирования пользовательских записей.

Для улучшения опыта взаимодействия пациентов с приложением был разработан динамический интеллектуальный запрос к списку продуктов, представленных в базе данных. Новый алгоритм поиска продуктов питания сначала предоставляет пользователю релевантные продукты, а затем те, в которых запрос фигурирует как вторичная информация (в подстроках). Полученный список продуктов сортируется по предпочтительным характеристикам (названию или гликемическому индексу) и фильтруется по выбранной категории продуктов, что позволяет пациенту найти лучшее блюдо для назначенной им диеты. Отличительной особенностью базы данных продуктов питания является наличие гликемических индексов [11].

Версии мобильного приложения

Для iOS-устройств разработано мобильное приложение на языке Swift. Версия приложения для Android была перенесена с Java на Kotlin для повышения производительности. Оба приложения предоставляют следующие функциональные возможности:

• создание и редактирование записей о приемах пищи, уровне глюкозы в крови, инъекциях инсулина, физической активности, продолжительности сна и кетонурии;
• предоставление рекомендаций, основанных на прогнозируемых уровнях глюкозы после еды беременных женщин с ГСД на диетотерапии, для корректировки питания;
• создание рецептов индивидуальных блюд из ингредиентов, представленных в базе данных;
• экспорт данных в виде таблиц xlsx для личного просмотра или отправки врачу;
• редактирование личных данных, настроек и типа приложения.

Разработано четыре типа приложений, учитывающих наличие у пациентов сахарного диабета и беременности. При необходимости пациент может перейти на другой тип приложения без потери ранее введенных данных.

В разделе для беременных с ГСД на диетотерапии реализована система рекомендаций, помогающая пациентам с выбором блюд и размером порций во время еды. Работа системы основана на двух алгоритмах:

Модель XGBoosting для прогнозирования уровня глюкозы в крови после еды, обученная на данных беременных женщин с ГСД.

Алгоритм формирования рекомендаций для беременных женщин с ГСД, учитывающий уровень глюкозы до и после еды, количество углеводов в приеме пищи, распределение гликемической нагрузки (ГН) между продуктами питания, их гликемические индексы и время приема пищи (рис. 1).

Рекомендация меняется в режиме реального времени, реагируя на изменения, вносимые пользователем. Цветовым индикатором и расчетными показателями (ГИ – гликемический индекс, ГН – гликемическая нагрузка) выделены продукты, объемы которых рекомендуется уменьшить или продукты, которые следует исключить из рациона.

Примеры формируемых рекомендаций по предотвращению постпрандиальной гипергликемии:

• «Уменьшите количество продуктов с высокой гликемической нагрузкой (ГН)»;
• «Уменьшите количество продуктов с высоким гликемическим индексом (ГИ)» (т.к. рядом с продуктами пациентка видит ГИ, она может самостоятельно выбрать продукты, количество которых будет сокращать);
• «Высокий уровень глюкозы до еды. Рекомендовано уменьшить количество углеводов в перекусы. Если перекусов нет, проконсультируйтесь с врачом»;
• «Вероятно, уровень глюкозы после еды будет высоким. Рекомендована прогулка после приема пищи».

Раз в три дня приложение оценивает потребление пищевых волокон (клетчатки). Если потребление пищевых волокон в день менее 20 г, демонстрируется уведомление: «Вы потребляете недостаточное количество пищевых волокон. Добавьте в рацион разрешенные овощи, фрукты, злаковые, отруби».

Если потребление пищевых волокон в день более 20 г, демонстрируется уведомление: «Поздравляем, Вы употребляете достаточное количество пищевых волокон. Продолжайте в том же духе!». В случае потребления более 100 г углеводов на прием пищи, демонстрируется уведомление о том, что точность прогнозирования может быть снижена.

Для представления информации в удобном для врачей виде дневники пациентов конвертируется в файл .xlsx с индивидуальной таблицей для каждого раздела (рис. 2). Помимо представления информации в виде удобной для анализа таблицы, в сформированной таблице рассчитываются статистические параметры. Цветовая индикация записей, значения которых превышают допустимые пределы, выделяет записи, интересующие врача.

На основе анализа истории болезни пациента за прошедшую неделю формируется электронное письмо, содержащее краткую информацию о состоянии гликемического контроля пациента, что позволяет врачу быстро выявить пациента, нуждающегося в срочной консультации.

Для контроля пациентов, во избежание выбросов при последующем анализе собранных данных, сравнивается фактическая дата внесения пользователем записи с датой, указанной пользователем.

Планы по доработке

В настоящее время приложение осуществляет прогнозирование уровня гликемии и последующее формирование рекомендаций по предотвращению гипергликемии после соответствующего приема пищи только для пациенток с ГСД. Значительная часть пациенток (30–50%) в процессе лечения требует назначения инсулинотерапии для достижения целевых уровней гликемии. В случае необходимости применения инсулина перед едой, пациентка сталкивается со сложностью расчета необходимой дозы препарата, которому нужно обучиться в течение короткого периода времени и в условиях быстро меняющейся чувствительности к инсулину по мере прогрессирования беременности. Таким образом, крайне востребованным дополнением к возможностям приложения будет функция прогнозирования уровня гликемии с расчетом необходимой дозы инсулина для планируемого приема пищи. К настоящему времени разработаны и используются в клинической практике формулы расчета доз инсулина для пациентов с манифестным диабетом, но для пациенток с ГСД таких работ значительно меньше. Сотрудники НМИЦ им. В.А. Алмазова ведут тщательный сбор дневников питания и мониторирование гликемии у беременных с ГСД на инсулинотерапии и разработку на этом основании моделей для дальнейшего добавления в приложение функции расчета необходимой дозы инсулина с одновременной коррекцией приема пищи.

С появлением новых версий приложения также возникает необходимость синхронизации данных между ними. Планируется разработка сервера и единой серверной базы данных взамен интегрированной, не поддерживающей протоколы параллельных запросов. Сервер может открыть новые возможности по быстрому обновлению и редактированию базы продуктов, блюд и рецептов, доступных пользователю, а также по сбору и хранению информации о пациентах. Планируется налаживание связи между приложением и удаленным сервером, переход к созданию клиент-серверной cистемы управления базами данных PostgreSQL, обладающей основными преимуществами: неограниченным размером и легкой расширяемостью.

Схема функционирования рекомендательной системы ДиаКомпаньон с персонализированными диетическими рекомендациями для женщин с ГСД после налаживания связи между приложением и удаленным сервером представлена на рисунке 3.

Важным шагом в развитии системы мониторинга станет разработка программного обеспечения для доступа врачей к базе данных и использование функционала программы для получения необходимой информации для поддержки пациентов с ГСД.

Стоит также отметить, что обширная клиническая база данных, которую позволяет собирать приложение, может стать основой многих будущих статистических исследований. Особый интерес на данный момент представляет анализ взаимосвязи сердечно-сосудистых заболеваний и сахарного диабета второго типа.

Сравнение с аналогами

Мобильная рекомендательная система ДиаКомпаньон отличается от существующих приложений для пациенток с ГСД способностью предсказывать постпрандиальный уровень глюкозы крови во время планирования приема пищи и предоставлять в реальном времени персонализированные рекомендации по способам профилактики гипергликемии.

Существуют опубликованные и продолжающиеся испытания влияния персонализированных диет с прогнозированием гликемического ответа на гликемический контроль при предиабете и сахарном диабете второго типа. Однако эти аналоги не предназначены для беременных женщин [12, 13].

Если сравнивать ДиаКомпаньон с указанными исследованиями, то точность построенных моделей прогнозирования ППГО, используемых в ДиаКомпаньон для женщин с ГСД, сопоставима с данными, полученными Zeevi и соавт. в исследовании персонализированного питания, основанного на предикции ППГО, у здоровых добровольцев [3, 14].

Авторы недавнего обзора, изучавшие осведомленность и использование приложений для смартфонов (app) в лечении ГСД, пришли к выводу, что мобильные приложения обеспечивают персонализацию медицинских услуг, улучшение качества обслуживания пациентов, а также повышают комплаентность пациентов в отношении мониторинга уровня глюкозы в крови и лечения [15]. В другом обзоре авторы исследовали приложения mHealth, предназначенные для использования при ГСД, и пришли к выводу, что существует ограниченное количество приложений mHealth для ГСД, использующих искусственный интеллект или поддержку принятия решений на основе искусственного интеллекта [16].

Обучение управлению результатами самоконтроля и соблюдению диеты требует усилий от женщин с ГСД, так как ассоциации между образом жизни, питанием и ППГО сложны и трудно предсказуемы, особенно в первые недели после диагностики ГСД. Поскольку ДиаКомпаньон предоставляет рекомендации в каждый момент времени, когда прогнозируется высокий уровень гликемии, мы ожидаем, что наиболее значительная разница в параметрах контроля глюкозы будет наблюдаться в течение первых недель после постановки диагноза ГСД.

Conclusion.

Система ДиаКомпаньон I, разработанная для мониторинга пациентов разных профилей и поддержки беременных женщин с ГСД, предоставляет широкий спектр функциональных возможностей, помогающих пациентам корректировать рацион питания для предотвращения гипергликемии, а также собирать, передавать и обрабатывать информацию для медицинских и научных целей. Данные, собранные системой, позволяют отслеживать дневники питания пациентов и дозы инсулина для повышения эффективности лечения и лягут в основу будущих медицинских исследований. ДиаКомпаньон I может быть использован в области эндокринологии, диетологии, акушерства и гинекологии.

В будущих исследованиях планируется синтезировать и обучить новый алгоритм нейронной сети для прогнозирования уровня глюкозы, используя собранные данные, чтобы повысить точность и выявить новые корреляции между параметрами потребления пищи и прогнозируемыми значениями, а также добавить функцию расчета необходимых доз инсулина перед едой для женщин с ГСД, находящихся на инсулинотерапии.

1. IDF Diabetes Atlas10th edition 2021, https://diabetesatlas.org/data/en/indicators/14/
2. HAPO Study Cooperative Research Group, Boyd E Metzger, Lynn P Lowe, Alan R Dyer, 375 Elisabeth R Trimble. Hyperglycemia and Adverse Pregnancy Outcomes. N Engl J Med (2008) 376 358: 1991–2002. DOI: https://doi.org/ 10.1056/NEJMoa0707943.
3. Pustozerov E.A., Tkachuk A.S., Vasukova E.A., Anopova A.D., Kokina M.A., Gorelova I.V. [et al.] Machine learning approach for postprandial blood glucose prediction in gestational diabetes mellitus, IEEE Access, vol. 8, pp. 219308–219321, 2020.
4. Pustozerov E., Popova P., Tkachuk A., Bolotko Y., Yuldashev Z., Grineva E. Development and Evaluation of a Mobile Personalized Blood Glucose Prediction System for Patients With Gestational Diabetes Mellitus. JMIR MHealth UHealth (2018) 6:e6. DOI: https://doi.org/ 10.2196/mhealth.9236.
5. Pustozerov E.A., Yuldashev Z.M., Popova P.V., Bolotko Y.A., Tkachuk A.S. Information Support System for Patients with Gestational Diabetes Mellitus. Biomed Eng (2018) 51: 407-410 DOI: https://doi.org/ 10.1007/s10527-018-9759-2.
6. Pustozerov E., Popova P. Mobile-based decision support system for gestational diabetes mellitus. 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). Yekaterinburg: IEEE (2018). p. 45–48 DOI: https://doi.org/ 10.1109/USBEREIT.2018.8384546
7. Woldaregay A.Z., rsand E., Walderhaug S., Albers D., Mamykina L., Botsis T. [et al.], Data-driven modeling and prediction of blood glucose dynamics: Machine learning applications in type 1 diabetes, Artif. Intell. Med., vol. 98, pp. 109–134, Jul. 2019.
8. Popova P., Anopova A., Vasukova E., Isakov A., Eriskovskaya A., Degilevich A., Pustozerov E., Tkachuk A., Pashkova K., Krasnova N., Kokina M., Nemykina I., Pervunina T., Li O., Grineva E., Shlyakhto E. Trial protocol for the study of recommendation system DiaCompanion with personalized dietary recommendations for women with gestational diabetes mellitus (DiaCompanion I). Front Endocrinol (Lausanne). 2023 Jun 7; 14: 1168688. DOI: https://doi.org/ 10.3389/fendo.2023.1168688. PMID: 37361536; PMCID: PMC10290190.
9. Bonoto B., de Ara jo V., God i I., de Lemos L., Godman B., Bennie M. Efficacy of mobile apps to support the care of patients with diabetes mellitus: a systematic review and meta-analysis of randomized controlled trials. JMIR Mhealth Uhealth. 2017 Mar 01; 5(3): e4.
10. Human Interface Guidelines. URL: https://developer.apple.com/design/human-interface-guidelines/guidelines/overview/ (accessed Feb. 12, 2023).
11. Pustozerov E., Tkachuk A., Vasukova E., Dronova A., Shilova E., Anopova A., Piven F., Pervunina T., Vasilieva E., Grineva E., Popova P. The Role of Glycemic Index and Glycemic Load in the Development of Real-Time Postprandial Glycemic Response Prediction Models for Patients With Gestational Diabetes. Nutrients. 2020 Jan 23; 12(2): 302. DOI: https://doi.org/10.3390/nu12020302. PMID: 31979294; PMCID: PMC7071209.
12. Ben-Yacov O., Godneva A., Rein M., Shilo S., Kolobkov D., Koren N., Cohen Dolev N., Travinsky Shmul T., Wolf B.C., Kosower N. [et al.] Personalized Postprandial Glucose Response-Targeting Diet Versus Mediterranean Diet for Glycemic Control in Prediabetes. Diabetes Care (2021) 44(9): 1980–1991. DOI: https://doi.org/10.2337/dc21-0162.
13. Rein M., Ben-Yacov O., Godneva A., Shilo S., Zmora N., Kolobkov D., Cohen-Dolev N., Wolf B-C., Kosower N., Lotan-Pompan M. [et al.] Effects of personalized diets by prediction of glycemic responses on glycemic control and metabolic health in newly diagnosed T2DM: a randomized dietary intervention pilot trial. BMC Med (2022) 20:56. DOI: https://doi.org/ 10.1186/s12916-022-02254-y.
14. Zeevi D., Korem T., Zmora N., Israeli D., Rothschild D., Weinberger A., Ben-Yacov O., Lador D., Avnit-Sagi T., Lotan- Pompan M., Suez J., Mahdi J.A., Matot E., Malka G., Kosower N., Rein M., Zilberman-Schapira G., Dohnalov L., Pevsner-Fischer M., Bikovsky R., Halpern Z., Elinav E., Segal E. Personalized Nutrition by Prediction of Glycemic Responses. Cell. 2015 Nov 19; 163(5): 1079–1094. DOI: https://doi.org/ 10.1016/j.cell.2015.11.001.
15. Garg N., Arunan S.K., Arora S., Kaur K. Application of Mobile Technology for Disease and Treatment Monitoring of Gestational Diabetes Mellitus Among Pregnant Women: A Systematic Review. J Diabetes Sci Technol (2022) 16: 491–497. DOI: https://doi.org/10.1177/1932296820965577.
16. Daley B.J., Ni’Man M., Neves M.R., Bobby Huda M.S., Marsh W., Fenton N.E., Hitman G.A., McLachlan S. mHealth apps for gestational diabetes mellitus that provide clinical decision support or artificial intelligence: A scoping review. Diabet Med (2022) 39:e14735. DOI: https://doi.org/ 10.1111/dme.14735.