Pemodelan Data Biosensor Diabetes Tipe 1 dengan Algoritma Markov Chain Monte Carlo

Abstract

Perbandingan model Bayesian Structural Time Series (BSTS) dengan model Regresi Linear telah dilakukan sebagai pengolahan data pada penelitian sebelumnya. Perbandingannya meninjau terhadap kemampuan keduanya dalam memodelkan data yang mempertimbangkan model yang bersifat kokoh (robust), fleksibel, dan tepat ketika diaplikasikan dalam permasalahan nyata. Penelitian ini akan menggunakan model BSTS untuk memodelkan kasus data diabetes mellitus tipe 1 (DMT1), karena model BSTS jarang digunakan untuk menganalisis data sensor medis. Pemodelan data sensor DMT1 menggunakan model BSTS dengan meninjau inferensi dampak kausalnya untuk dianalisis pengaruhnya apabila diberi suatu perlakuan (intervention) pada data diabetes dalam mendukung kestabilan DMT1 pasien melalui dua metrik kestabilan glukosa darah yaitu percent in target dan percent above target. Inferensi CausalImpact melibatkan metode Bayes (distribusi prior, fungsi likelihood, dan distribusi posterior). Pengambilan sampel data dari distribusi posterior menggunakan algoritma Metropolis-Hastings sampling, ini merupakan bagian dari Markov Chain Monte Carlo (MCMC). Hasil yang didapatkan berupa grafik peningkatan percent in target dan penurunan percent above target yang merupakan upaya dalam mencapai tingkatan normal kadar glukosa yaitu (70-180) mg/dL, hasil keluaran numerik dari setiap grafik, dan PIP (Posterior Inclusion Probability) dari setiap kovariat yang dilibatkan dalam pemodelan.

Comparison of the Bayesian Structural Time Series (BSTS) model with the Linear Regression model has been carried out as data processing in previous studies. The comparison looks at the ability of both to model data considering a robust, flexible, and appropriate model when applied to real problems. This study will use the BSTS model to model cases of type 1 diabetes mellitus (DMT1) data because the BSTS model is rarely used to analyze medical sensor data. Modeling of DMT1 sensor data uses the BSTS model by reviewing the inference of its causal impact to analyze its effect when given a treatment (intervention) of diabetes data in supporting the stability of DMT1 patients through two blood glucose stability metrics, namely percent in target and percent above target. CausalImpact inference involves the Bayes method (prior distribution, likelihood function, and posterior distribution). A sampling of data from the posterior distribution uses the Metropolis-Hastings sampling algorithm, this is part of the Markov Chain Monte Carlo (MCMC). The results obtained are graphs of increasing percent in target and decreasing percent above target which are efforts to achieve normal levels of glucose levels, namely (70-180) mg/dL, numerical output from each graph, and PIP (Posterior Inclusion Probability) of each covariate. involved in modeling.