知道实验室,公司。美国(纽约证券交易所:认识)今天宣布一项新研究的结果题为“算法改进的非侵入性检测血糖利用知道实验室的Bio-RFID技术”。研究表明,算法优化使用光gradient-boosting机(lightGBM)机器学习模型大大提高了测量的准确度知道实验室的Bio-RFID™在量化血糖传感器技术,展示一个总体平均绝对相对偏差(MARD)的12.9%的范围内——这是fda血糖监测设备。Bio-RFID是一种新颖的技术平台,利用电磁能量以无线电波的形式方法捕获分子特征,并将其转换成有意义的信息。
像以前所有知道实验室临床研究,本研究旨在评估Bio-RFID传感器方法的能力和不断量化血糖,使用G6®Dexcom公司将连续葡萄糖监测(CGM)作为测量血糖的代理。独特的从先前的研究,了解实验室测试新的数据科学技术和训练lightGBM模型来预测血糖使用1555观察-或参考设备值从130小时的数据收集在五个健康的参与者。使用这个模型,了解实验室能够预测血糖测试集-提供了一个盲评估模型性能的数据集- MARD normoglycemic范围的12.7%和14.0%的高血糖的范围。
“这是一个转型的时间知道实验室。我们不断发现新的知识在我们的研究中,在这种情况下发现lightGBM模型非常适合这些早期的数据集的数据可用,“首席产品官史蒂夫•肯特表示知道实验室。“在我们以前的技术可行性研究,我们利用神经网络,开发算法时是最佳实践,我们的数据科学团队不断改进我们的机器学习模型来理解和优化系统性能和准确性。这积极的发展是另一个关键的步骤,我们的数据收集、算法改进,技术发展。”
这项研究中,由知道实验室的同行评议的科学顾问委员会,以最近发布了同行评议的研究为基础。今年2月,知道实验室发表了概念验证研究检查的有效性Bio-RFID传感器使用一个参与者,导致MARD 19.3%。本月早些时候,知道实验室也发布研究结果验证技术可行性Bio-RFID使用神经网络(NN)的模型来预测阅读G6®Dexcom公司将作为代理的血糖,导致MARD 20.6%。用于分析数据的技术不同于以前的分析在相同的(N = 5)参与者的人口,包括:减少特征方法,分层的数据通过血糖范围,只有从臂对应参考设备,和不同的机器学习模型。改进的精度以MARD达到12.9%
本研究与其他独立验证MARD值报告今天的fda,商用CGM设备。
“现阶段MARD 12.9%在我们的发展是一个真正了不起的壮举。我们整个团队是很兴奋,这些发现和改进我们的Bio-RFID技术的准确性我们继续改进我们的方法,”罗恩·埃里克森说,首席执行官和董事长知道实验室。这些正在进行的临床研究”我们的目标是进一步开发大量的数据,使模型的发展,这是一个关键的步骤,我们的目标将第一个fda非侵入式葡萄糖监测设备市场,使数以百万计的人们可以更有效地管理他们的糖尿病。”
这项研究将提交的全部手稿同行评议杂志知道实验室继续优先考虑外部验证Bio-RFID技术。查看知道实验室的越来越多的同行评议的研究,访问www.knowlabs.co research-and-validation。