Точність автоматичного підрахунку вуглеводів, білків, жирів та калорій на основі голосових описів

Петро Ладижинський

1 Інститут біокібернетики та біомедичної інженерії Налеча Польської академії наук, вул. Тройдена, 4, 02-109, Варшава, Польща; [email protected]

Януш Кшимен

2 Кафедра діабетології та внутрішніх хвороб Варшавського медичного університету, вул. Банача, 1А, 02-097, Варшава, Польща; [email protected] (J.K.); [email protected] (M.R.); lp.ude.muw@baidnilk (B.B.)

Петро Фолтинський

Моніка Рачута

Барбара Бональська

Пов’язані дані

Анотація

1. Вступ

Цукровий діабет є одним із хронічних захворювань, що вимагає великої уваги як пацієнта, так і медичної команди. Незалежно від типу діабету, пацієнти потребують повної інформації про хворобу через постійну освіту та пропаганду поведінки, спрямованої на охорону здоров’я, а також регулярний контроль рівня глюкози, індивідуальні плани лікування та ранню діагностику для запобігання загрозам здоров’ю, пов’язаним із ускладненнями діабету. Телемедицина пропонує ряд інструментів, які можуть бути корисними у виборі правильного плану лікування, підтримуючи дії щодо зміни способу життя пацієнта, посилюючи мотивацію щодо діяльності, пов’язаної зі здоров’ям, полегшуючи здатність пацієнта самостійно контролювати та контролювати свій стан та досягнення запланованого терапевтична мета.

Автоматичні або напівавтоматичні системи аналізу зображень продуктів харчування для оцінки дієти постійно розробляються. Вони досягають точності розпізнавання нижче 90% при тестуванні на базах даних, що складаються з декількох сотень зображень страв/страв [15]. В останні роки були розроблені перетворювачі зображень, які роблять серійні фотографії, документуючи послідовні етапи прийому їжі та дозволяючи оцінити кількість залишків з'їденої їжі [16]. Деякі з цих пристроїв для реєстрації життя, такі як камера Microsoft SenseCam, разом із даними, отриманими із звичайного щоденника їжі, дозволяють підвищити точність розрахунків споживання калорій [17]. Також повідомлялося про альтернативні підходи, які базуються на голосовому описі їжі [18,19] або моніторингу діяльності, пов’язаної із споживанням їжі, наприклад, жування або ковтання [20,21].

Усі суб'єкти дали свою поінформовану згоду на включення до участі у дослідженні. Дослідження було проведено відповідно до Гельсінської декларації, а протокол затверджено Комітетом з етики Варшавського медичного університету (KB/16/2014).

Для кожного учасника була зібрана уніфікована історія хвороби щодо дієти та харчових звичок, фізичної активності, інсулінотерапії (з особливим акцентом на болюсах інсуліну та базальної інфузії), кількості щоденних аналізів глюкози в крові, частоті та тяжкості гіпоглікемічних епізодів, та інформація про інші діагностовані захворювання, використовувану медитацію, звички куріння та зловживання алкоголем та наркотиками. Лікар проаналізував ці дані, щоб виявити фактори, які можуть вплинути на глікемічний контроль учасників дослідження.

2.2. Дизайн голосової системи

Система складалася з керованого Android смартфона з клієнтським додатком, що бездротово спілкувався із серверами для виконання наступних завдань: (1) автоматичне розпізнавання мови (ASR) та перетворення голосового опису їжі в текст; (2) аналіз текстового опису для визначення складу страви; (3) розрахунок дози інсуліну, що компенсує їжу, за алгоритмом, беручи до уваги або лише вміст СНО, або вміст СНО, білка та жиру в їжі. Детальний опис системи можна знайти деінде [29]. Примітно, що база даних системи містить характеристики 900 унікальних харчових продуктів та 5000 термінів, що сприяє ефективному перетворенню мови в текст, включаючи продукти, які були в меню лікарні. Однак ні кількість калорій, кількість СНО, білка та жиру, що характеризують кожен продукт, ні будь-які інші дані, що зберігаються в базі даних системи, не були адаптовані до характеристик лікарняного меню.

2.3. Використання голосової системи та вбудований болюсний калькулятор

Кожен учасник дослідження використовував систему наступним чином. Перед початком прийому їжі учасник словесно описав його склад, вказавши назву та розмір (або в одиницях, таких як грами, унції або літри, або в звичайних одиницях виміру, таких як ложки, чашки або порції) кожного харчового продукту, присутнього в їжа. Опис було передано на сервер, і після перетворення мови в текст кожен харчовий продукт був ідентифікований та відображений на екрані смартфона для перевірки учасником. Якщо ідентифікація не вдалася, попереджувальне повідомлення свідчило про те, що розпізнавання не вдалося через збій ASR або відсутність необхідної інформації в описі їжі, наприклад, коли пацієнт вказав харчовий продукт, якого немає в базі даних система. У разі відмови ASR пацієнт повторював опис харчового продукту, який не був належним чином ідентифікований. Для кожного визнаного продукту система обчислювала вміст калорій та вміст СНО, білка та жиру в грамах.

Після активації болюсний калькулятор підсумовував загальну калорійність, одиниці обміну вуглеводів (КО) та одиниці обміну білка та жиру (ПФУ) у цілому під час їжі, нарешті, дозу інсуліну, необхідну для компенсації їжі. PFU розраховували за наступним рівнянням:

Якщо ПФУ перевищує 1,0, рекомендується двохвильовий болюс, що складається з простого болюсу та квадратно-хвильового болюсу тривалістю від 4 до 8 год залежно від величини ПФУ. Загальну дозу прандіального інсуліну визначали, виходячи з наступного рівняння [30]: