چگونه به لطف مهارت‌های علم داده، دیابت خود را شکست داده‌ام

شکل۱. دیابت
شکل۱. دیابت
منتشر‌شده در towardsdatascience به تاریخ ۱۶ جولای ۲۰۲۱
لینک منبع How I have reversed my diabetes thanks to my data science skills

این یک پست غیر معمول شخصی است، اما من احساس می‌کنم که باید در مورد تشویق دیگران بنویسم. در اوایل سال ۲۰۲۰، من شک داشتم که ممکن است در سطح گلوکز خونم مشکل داشته باشد. من یکی از آن دستگاه‌های ارزان قیمت تست پریک را خریداری کردم و در واقع میزان خوانش من از حد مجاز بالاتر بود. من با دکترم تماس گرفتم تا آزمایش رسمی‌تری انجام دهم، اما به دلیل پاندمی COVID تا اواخر سال به تعویق افتاد.

با این حال، من یک فرآیند را برای کاهش وزنم آغاز کردم. به من گفته شد که کاهش وزن اولین قدم در مدیریت دیابت است، و BMI من کمی بیشتر از حداکثر ۲۵ سالم توصیه‌شده بود. بنابراین من غذای شیرین را قطع کردم، سعی کردم مصرف کلی‌ام را متعادل کنم، و پیاده‌روی و دوچرخه‌سواری زیادی کردم. در عرض چند ماه ۷ کیلوگرم وزن کم کردم (حدود ۱۵ پوند). در آن زمان من پیروزی کوچکی اعلام کردم، رژیم را حذف کردم و بر حفظ وزن جدیدم تمرکز کردم.

تشخیص دیابت نوع ۲

هنگامی که سرانجام در اواخر سال به پزشک مراجعه کردم، آزمایش HbA1c خود را انجام دادم - اندازه‌گیری میانگین قند خون طی سه ماه گذشته. در بریتانیا، سطح HbA1C ۴۱ یا پایین‌تر سالم در نظر گرفته می‌شود، ۴۲-۴۷ «در معرض خطر دیابت نوع ۲» و ۴۸ یا بالاتر به عنوان دیابت در نظر گرفته می‌شود. امتیاز من ۴۹ بود. صادقانه بگویم اگر من در اوایل سال می‌آمدم احتمالاً بالاتر از آن بود. در حالی که از این تشخیص خیلی تعجب نکرده بودم-من در حال انجام تست پریک بودم، یک شغل بی‌تحرک داشتم و سابقه خانوادگی دیابت T2 داشتم- به پرستار گفتم که دوست دارم سعی کنم به طور طبیعی آن را تغییر دهم و دارو مصرف نکنم. او چند توصیه دیگر در مورد رژیم غذایی به من کرد و مرا به حال خود گذاشت.

سه ماه پیش، برای پیگیری HbA1c برگشتم و ۴۸ بود. هنوز دیابت دارم، اما فقط همین. این پیشرفتی نبود که من انتظار داشتم-هدف من برگشتن به محدوده سلامت زیر ۴۲ بود. به پرستار توضیح دادم که در حال تلاش برای انتخاب درست غذا خوردن هستم، اما واضح بود که کارهای بیشتری برای انجام دادن دارم-فقط نمی‌دانستم چه کار کنم.

پرستار می‌دانست که من چه کاری برای زنده ماندن انجام می‌دهم و به سرعت متوجه شد که چیزی که نیاز دارم داده‌هایی برای انگیزه دادن به من است. او توصیه کرد که من یک مانیتور گلوکز پیوسته (CGM) خریداری کنم-یک دستگاه تمیز که شما آن را به مدت ۱۴ روز بر روی دست یا شکم خود بمالید و به طور مداوم سطح گلوکز خود را در مایع بینابینی زیر پوست تست کنید. من به قدری در مورد این موضوع هیجان‌زده بودم که بلافاصله رفتم بیرون و دوتا از این دستگاه‌ها را خریدم تا بتوانم به طور مداوم قند خونی‌ام را به مدت یک ماه کنترل کنم. در طول این دوره، من میزان کربوهیدرات و چربی دریافتی خود را در هر وعده غذایی و یا میان وعده ثبت کردم، و همچنین زمانی که الکل نوشیدم ثبت کردم (تنها الکلی که می‌نوشم شراب است، بنابراین هر لیوان را که نوشیدم ثبت کردم). من برای ثبت میزان پروتئین دریافتی به این طرف و آن طرف نمی‌رفتم، گرچه احتمالا باید این کار را می‌کردم.

تحلیل داده‌ها

بلافاصله پس از پوشیدن این دستگاه و مشاهده داده‌ها از طریق یک برنامه کاربردی بر روی تلفن، می‌توانستم ببینم که چه غذاهایی سطح گلوکز مرا بالا می‌برند و قادر به تنظیم خیلی سریع برای جلوگیری از این جهش‌ها بودم. به این ترتیب، تاثیر آن فوری بود. اما من به طور خاص علاقه‌مند بودم که چطور در مورد سه چیز در رژیم غذایی‌ام فکر کنم: کربوهیدرات، چربی و الکل. پس از پوشیدن این دستگاه‌ها به مدت یک ماه، من داده‌هایم را به دست آوردم و در R تجزیه و تحلیل کردم.

ابتدا من به میزان گلوکز کلی خود (در mmol / L) به صورت ساعتی در طول کل ماه نگاه کردم. برای ارجاع، یک فرد سالم باید در وسط ۵ قبل از غذا باشد و باید در عرض ۱.۵ تا ۲ ساعت بعد از غذا زیر ۸ باشد.

شکل ۲: باGplot2 درR.
شکل ۲: باGplot2 درR.

برخی از قله‌های گاه به گاه دیوانه‌وار را مشاهده می‌کنید که هنگام یادگیری رژیم غذایی خود از طریق این دستگاه به آن‌ها برخورد می‌کنم‌، اما خط تناسب اندام صاف نشان می‌دهد که یادگیری در واقع به من کمک کرده است که گلوکز خود را تا حدی شبیه به سطح سالم پایین آورم.

با اینکه من سعی می‌کردم مصرف کربو را پایین نگه دارم، اما همچنین علاقه‌مند بودم که تایید کنم که یک رابطه مستقیم بین مصرف کربو و سطوح متوسط گلوکز من در دوره‌های زمانی مشخص وجود دارد. بنابراین من داده‌ها را به گروه‌های ۶ ساعتی گروه‌بندی کردم، و مقدار کل دریافت کربو در گرم را محاسبه کردم و آن را به میانگین سطوح گلوکز در طول آن دوره‌های ۶ ساعته مرتبط کردم. علی‌رغم تعداد نسبتا کم مشاهدات، یک روند مثبت وجود داشت، و به من می‌گفت که حتی در سطوح پاییندهایم، باید مراقبت را در مصرف کربوهایم حفظ می‌کردم.

شکل ۳: باGplot2 درR.
شکل ۳: باGplot2 درR.

من همین رویکرد را در مورد دریافت چربی اتخاذ کردم و دیدم که هیچ رابطه واقعی بین این و میزان قند خون من وجود ندارد.

شکل ۴: باGplot2 درR.
شکل ۴: باGplot2 درR.

در نهایت، من علاقمند بودم که چگونه مصرف الکل ممکن است بر میزان گلوکز من تاثیر بگذارد. من آگاه بودم که شراب به طور کلی کربوهیدرات‌های کمی دارد، اما این الکل باعث می‌شود کبد شما برای مدت زمان طولانی کار کند. بنابراین برای این تحلیل من روز را به دو دوره دوازده ساعته تقسیم کردم، و یک متغیر lag_wine را ایجاد کردم که برابر با ۱ بود اگر در ۱۲ ساعت گذشته شراب نوشیدم و در غیر این صورت برابر با ۰ بود. متوجه شدم که قند خون من در دوره‌های بعد از نوشیدن شراب کم‌تر بود. این به من پیشنهاد می‌کند که نوشیدن شراب می‌تواند کبد شما را برای مدت طولانی مشغول نگه دارد و این می‌تواند منجر به کاهش قند خون در طول این مدت شود. با این حال، من از این به عنوان دلیلی برای زیاده‌روی استفاده نمی‌کنم-اثرات منفی و طولانی‌مدت الکل بر روی دیگر جنبه‌های سلامتی به خوبی مورد تحقیق قرار گرفته و مستند شده‌اند، و دیگر نوشیدنی‌های الکلی مانند آبجو می‌توانند کربوهیدرات بسیار بالایی داشته باشند.

شکل ۵: ایجاد باggplot2 درR
شکل ۵: ایجاد باggplot2 درR

اجرای برخی مدل‌ها

من مقدار زیادی داده نداشتم اما فکر کردم ارزش امتحان کردن چند مدل آماری روی داده‌هایی که برای تحلیل قبلی تغییر داده بودم را دارد. ابتدا من یک مدل خطی را برای درک اثرات ترکیبی کربوهیدرات، چربی و مصرف عقب‌مانده شراب در سطوح گلوکز در طول ۱۲ ساعت اجرا کردم:

ما می‌توانیم مشاهده کنیم که یک مدل مناسب منطقی تولید شده‌است که نشان‌دهنده اثر مثبت قابل‌توجه مصرف کربوهیدرات بر سطح گلوکز، عدم تاثیر قابل‌توجه دریافت چربی و اثر منفی تقریبا معنی‌دار مصرف شراب است.

من همچنین علاقه‌مند بودم که آیا سطح معینی از مصرف کربو وجود دارد که به من احتمال بالاتر خواندن مقادیر بالای گلوکز در داده‌های فاصله ۶ ساعته را می‌دهد (که من آن را به عنوان خوانش بیش از ۹ mmol / L تعریف کردم). من سه مدل رگرسیون لجستیک دو جمله‌ای را روی نتیجه گلوکز high با نقاط قطع مختلف برای دریافت کربو در ۶ گرم، ۱۰ گرم و ۱۵ گرم اجرا کردم و متوجه شدم که ۱۰ گرم مهم‌ترین نتیجه را دارد.

نتیجه

من از داده انگیزه می‌گیرم و می‌توانم آمار خود را به این شکل ببینم و تجزیه و تحلیل کنم که برای سلامتی من دگرگون کننده شده‌است. من یک قانون اساسی را برای پایین نگه داشتن میزان مصرف کربوهیدرات زیر ۱۰ گرم در هر وعده غذایی اتخاذ کرده‌ام، آخرین برآوردهای HbA1c من را در سطح بسیار سالم ۳۴ قرار داده‌است، و سطح وزن من به محدوده بسیار سالم تری سقوط کرده‌است. البته، حالا که این مسیر را از دیابت نوع ۲ پیدا کرده‌ام، باید آن را حفظ کنم. اگر فعال نباشم و نسبت به سلامتی و سبک زندگی ام مراقب نباشم، همیشه در معرض خطر از دست دادن دوباره خودم خواهم بود. اما من از تکنولوژی و مهارت‌های علم داده برای بردن من به جایی که هستم، متشکرم. امیدوارم این پست به دیگران انگیزه دهد که در نظر بگیرند داده چطور می‌تواند یک ابزار عالی در مدیریت سلامت شما باشد.

این متن با استفاده از ربات ترجمه مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.