LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet

In deze studie wordt GlucoLens, een uitlegbare machine learning-oplossing die draagbare sensoren, voedsel- en activiteitsdata combineert met grote taalmodellen, gepresenteerd om postprandiale hyperglykemie bij volwassenen te voorspellen en via contrafactuele verklaringen behandelingspaden voor een gezonde levensstijl te ontdekken.

De kern

GlucoLens: Je persoonlijke "Glucose-voorspeller" en levensstijl-gids

Stel je voor dat je lichaam een heel slim, maar soms wat verwarrend, autootje is. De brandstof die je tankt is je eten, en de snelheid waarmee je brandstof verbruikt en opbouwt, is je bloedsuikerspiegel. Voor mensen met pre-diabetes of diabetes is het belangrijk om te weten: gaat mijn tank overlopen (te hoge suiker) na die grote maaltijd?

Dit artikel introduceert GlucoLens, een slimme computerhulp die precies dat voorspelt. Het is alsof je een waarzegger in je broekzak hebt, maar dan gebaseerd op echte data in plaats van kristallen bollen.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Verzamelaars (De Sensoren)

Stel je voor dat GlucoLens een detective is die vier verschillende bronnen raadpleegt om het verhaal van je lichaam te reconstrueren:

• De Glucometer (CGM): Een pleister op je arm die elke 15 minuten meet hoeveel suiker er in je bloed zit. Dit is als een snelheidsmeter in je auto.
• De Bewegingsmeter (Wearables): Een horloge of apparaatje dat ziet of je zit, staat of loopt. Dit vertelt de detective of je de motor laat draaien (bewegen) of uitlaat (zitten).
• Het Dagboek (Eten): Wat heb je gegeten? Een hamburger of een salade?
• Het Werkboek: Hoeveel heb je gewerkt en hoe zat je daar?

2. De Chef-kok en de Rekenmachine (Het AI-systeem)

Deze detective verzamelt alle gegevens en geeft ze door aan een super-slimme rekenmachine (een machine learning model).

• De Rekenmachine: In plaats van een ingewikkelde formule, heeft het systeem geleerd uit de ervaringen van 10 mensen die een paar weken lang hun leven hebben bijgehouden. Het leert patronen: "Ah, als iemand veel koolhydraten eet, weinig beweegt en een hoge BMI heeft, dan stijgt de suiker vaak hard na de lunch."
• De Voorspelling: Het systeem zegt je niet alleen wat je suiker nu is, maar voorspelt de kromme (de AUC) van je suikerspiegel de komende 3 uur na het eten. Het is alsof het zegt: "Pas op, als je nu die pizza eet, gaat je suikerspiegel de komende 3 uur als een rollercoaster omhoog."

3. De "Wat als?"-Gids (Counterfactual Explanations)

Dit is misschien wel het coolste deel. Stel dat het systeem voorspelt dat je suiker te hoog gaat worden. In plaats van alleen te zeggen "Fout!", geeft GlucoLens je een recept voor verandering.

Het gebruikt een techniek die we "counterfactuals" noemen, wat in het Nederlands simpelweg "Wat als..."-scenario's betekent.

• Het probleem: Je lunchte met weinig vezels en zat de hele middag stil.
• Het advies van GlucoLens: "Als je die lunch had gehad met 4 gram extra vezels (bijvoorbeeld wat meer groenten), dan was je suiker normaal gebleven."
• Of: "Als je na het eten 30 minuten had gelopen in plaats van 10, dan was je suiker ook normaal gebleven."

Het is alsof de computer je een spiegel voorhoudt en zegt: "Kijk, dit is wat er gebeurt als je zo doet. Maar als je dit kleine ding verandert, krijg je een heel ander, gezonder resultaat."

4. Wat hebben ze ontdekt?

De onderzoekers hebben geprobeerd om de slimste manier te vinden om dit te voorspellen. Ze hebben gekeken naar verschillende soorten "hersenen" voor de computer:

• De Klassieke Denkers: Simpele, maar sterke modellen (zoals Random Forest) bleken verrassend goed te zijn, zelfs beter dan de zeer complexe, moderne neurale netwerken. Waarom? Omdat de dataset klein was (alleen 10 mensen). Bij kleine datasets werken simpele, robuuste regels vaak beter dan enorme, hongerige modellen die meer data nodig hebben.
• De AI-Talenknoppen (LLMs): Ze hebben ook geprobeerd om de slimste AI-chatbots (zoals Claude en GPT) te vragen om de suiker te voorspellen. Die deden het niet zo goed. Ze zijn geweldig in het schrijven van verhalen, maar niet in het precieze rekenen van suikerspiegels op basis van specifieke getallen.
• De Beste Combinatie: De winnaar was een mix: een sterke klassieke rekenmachine die de feiten analyseert, ondersteund door een slimme "Wat als?"-gids die je helpt je gedrag aan te passen.

Samenvatting in één zin

GlucoLens is een slimme tool die je vertelt hoe je bloedsuiker zal reageren op je lunch, en je direct een concreet advies geeft (meer vezels, meer bewegen) om te voorkomen dat je suiker te hoog wordt, zodat je gezond blijft en diabetes kunt voorkomen.

Het is een stap in de richting van proactieve gezondheid: niet wachten tot je ziek bent, maar je eigen lichaam begrijpen en sturen voordat er iets misgaat.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet" in het Nederlands.

Probleemstelling

Postprandiale hyperglykemie (een te hoog bloedsuikerniveau na het eten) is een kritieke indicator voor de progressie naar type 2-diabetes, zelfs bij mensen met pre-diabetes en gezonde individuen. Een belangrijke metriek hiervoor is het postprandiale oppervlak onder de curve (AUC), dat de bloedsuikerrespons na een maaltijd kwantificeert. Hoewel draagbare sensoren (zoals CGM's en activiteitstrackers) continue data genereren, is het nog niet volledig onderzocht hoe men deze data, gecombineerd met dieet, fysieke activiteit, werkritmes en eerdere glucosepatronen, kan gebruiken om hyperglykemie en de AUC vooraf te voorspellen. Het doel is om individuen in staat te stellen hun levensstijl aan te passen om normale glucosewaarden te behouden.

Methodologie

De auteurs hebben GlucoLens ontwikkeld, een uitlegbaar machine learning-systeem dat multimodale data integreert om postprandiale AUC, maximale bloedsuiker (MaxBGL) en hyperglykemie te voorspellen.

1. Datacollectie en Bronnen:

• Studie: Data is afkomstig uit een vijf weken durende klinische trial (WorkWell Study) met 10 volwassenen die fulltime werken.
• Sensoren:
  • FreeStyle Libre: Continue Glucose Monitoring (CGM) met metingen elke 15 minuten.
  • activPAL: Detecteert gedrag (zitten, staan, stappen) via een heupdrager.
  • GENEActiv: Een polsband met versnelling, licht- en temperatuursensoren.
• Logboeken: Handgeschreven voedsel- en werklogboeken (verwerkt via OCR en handmatige correctie) om macronutriënten, maaltijden, werktijden en zittende/staande periodes te kwantificeren.
• Kenmerken (Features): Het systeem gebruikt 31 inputvariabelen, waaronder nuchtere glucose, recente CGM-waarden, maaltijdtijd, BMI, calorieën, macronutriënten (koolhydraten, vet, eiwit), glycemische last (GL), en activiteitsmetrieken (zitten/staan/stappen) van de dag zelf en de dag ervoor.

2. Modelarchitectuur:
Het systeem combineert traditionele machine learning-modellen met Large Language Models (LLMs):

• Backbone-modellen: Random Forest (RF), Ridge Regressor, Multilayer Perceptron (MLP), XGBoost en TabNet.
• LLM-integratie: Zeven LLM's (o.a. GPT-4, Claude Opus 4, Deepseek V3) werden getest in een "zero-shot" configuratie (zonder training op de dataset, alleen via prompt-engineering).
• Hybride benadering: Er werden hybride modellen ontwikkeld waarbij de voorspellingen van de LLM's (bijvoorbeeld van Claude Opus 4) als extra inputfuncties werden gebruikt voor de trainbare regressoren (RF of XGBoost).
• Data Augmentatie: Er werd kleine Gaussische ruis toegevoegd aan de schaalbare kenmerken om het trainingsdataset te vergroten (Gly_Max).
• Uitlegbaarheid: Een DiCE-gebaseerde generator voor counterfactual explanations (tegenstrijdige verklaringen) werd geïntegreerd om aan te geven welke kleine veranderingen in gedrag (bijv. meer stappen zetten, meer vezels eten) hyperglykemie kunnen voorkomen.

3. Evaluatie:

• Regressie: Voorspelling van AUC en MaxBGL. De prestaties werden gemeten met de Genormaliseerde Root Mean Squared Error (NRMSE).
• Classificatie: Detectie van hyperglykemie. Gebruikte metrics: Accuracy, Precision, Recall en F1-score.
• Datasetverdeling: Voor regressie werd 80% trainen / 20% testen gebruikt. Voor classificatie werden verschillende splits getest (tot 95% trainen) om het effect van datasetgrootte te onderzoeken.

Belangrijkste Bijdragen

1. Probleemformulering: Het definiëren van een probleem om postprandiale AUC en hyperglykemie vooraf te voorspellen op basis van een combinatie van dieet, werkgedrag, fysieke activiteit en CGM-data.
2. GlucoLens Systeem: Het ontwerpen en implementeren van een hybride systeem dat multimodale draagbare data, voedsellogboeken en LLM's combineert.
3. Counterfactual Explanations: Het bieden van diverse, haalbare interventie-opties (bijv. "verhoog vezelinname met 4g" of "loop 30 minuten langer") om hyperglykemie te voorkomen, in plaats van alleen een voorspelling te geven.
4. Empirisch Bewijs: Het aantonen dat de prestaties van het systeem monotoon verbeteren naarmate de trainingsdataset groter wordt, wat de noodzaak van grotere datasets voor dit type probleem onderstreept.

Resultaten

• AUC Voorspelling:
  • De beste prestatie werd behaald met een Random Forest (RF) backbone op het 'All'-kenmerkenset, met een NRMSE van 0.123.
  • Dit was beter dan XGBoost (0.137), TabNet (0.147) en alle geteste MLP-varianten.
  • LLM-prestaties: LLM-only modellen (zero-shot) presteerden slecht (NRMSE ~0.290). Hybride modellen (LLM + RF) presteerden beter dan alleen LLM, maar slechter dan de puur getrainde RF-modellen. Dit suggereert dat LLM's op kleine datasets nog niet betrouwbaar genoeg zijn voor gepersonaliseerde glucosevoorspelling zonder training.
  • Claude Opus 4 bleek de beste LLM te zijn onder de geteste modellen.
• Hyperglykemie Detectie:
  • Een hybride ensemble van RF, XGBoost en MLP (met soft voting) behaalde de beste resultaten.
  • Accuracy: 73,3%
  • F1-score: 0,716
  • De prestaties verbeterden consistent naarmate het trainingsdataset groeide (van 70% tot 95% van de data).
• Counterfactuals: Het systeem leverde concrete inzichten, zoals dat het verhogen van vezelinname van 1g naar 5g of het verlengen van de stapduur van ~9 naar ~39 minuten een hyperglykemische gebeurtenis kon omzetten in een normale glucoserespons.

Betekenis en Conclusie

GlucoLens demonstreert dat een geïntegreerde aanpak van draagbare sensoren, gedetailleerde levensstijllogboeken en geavanceerde machine learning effectief is voor het voorspellen van metabole gezondheid. Hoewel LLM's interessant zijn voor het genereren van contextuele verklaringen, bleken traditionele, goed getrainde modellen (zoals Random Forest) op deze specifieke, kleine dataset superieur in voorspellende nauwkeurigheid.

De belangrijkste waarde van het systeem ligt in zijn uitlegbaarheid: het biedt niet alleen een voorspelling, maar ook concrete, persoonlijke gedragsinterventies om hyperglykemie te voorkomen. Dit kan een waardevol hulpmiddel zijn voor preventie van type 2-diabetes en het management van pre-diabetes, waarbij de noodzaak van grotere datasets voor verdere optimalisatie wordt benadrukt.