Diabetes mellitus is a widespread chronic disease and is one of the main causes of death worldwide. In order to improve the quality of life of people with diabetes and reduce the occurrence of complications, it is fundamental to prevent glycemic levels from exceeding the physiologic range. With this purpose, many works in recent years have been developed to forecast future glycemic trends using machine learning algorithms that exploit the reading of continuous glucose monitoring sensors, which gather glycemic data from diabetic patients 24 h a day. However, their application is limited in practice by the fact that they usually require a large amount of training data and other heterogeneous features gathered from patients. For this reason, in this work we present a novel neural network capable of predicting future glycemic levels using only the past glucose values as input while needing a small amount of training data. The model is a jump neural network with the addition of feedback connections from the output to the hidden layer, and time delays for each of the input-to-hidden, output-to-hidden and input-to-output connections. Experiments were conducted on a private and a public dataset. We evaluated performance in terms of RMSE and of adverse event detection. The proposed model outperforms other methods suited for time series forecasting, as well as models for blood glucose level prediction present in the literature.

糖尿病是一种广泛的慢性疾病，并且是全世界范围内死亡的主要原因之一。为了改善糖尿病患者的生活质量并减少并发症的发生，从根本上防止血糖水平超出生理范围。出于此目的，近年来已开展了许多工作来使用机器学习算法来预测未来的血糖趋势，该算法利用连续血糖监测传感器的读数来收集糖尿病患者24小时的血糖数据。但是，由于它们通常需要大量的训练数据和从患者那里收集的其他异构特征，因此在实践中限制了它们的应用。为此原因，在这项工作中，我们提出了一种新颖的神经网络，该网络能够仅使用过去的葡萄糖值作为输入来预测未来的血糖水平，同时需要少量的训练数据。该模型是一个跳跃神经网络，其中添加了从输出到隐藏层的反馈连接，以及每个输入到隐藏，输出到隐藏和输入到输出连接的时间延迟。在私人和公共数据集上进行了实验。我们根据RMSE和不良事件检测评估了性能。所提出的模型优于适用于时间序列预测的其他方法，以及文献中存在的血糖水平预测模型。该模型是一个跳跃神经网络，其中添加了从输出到隐藏层的反馈连接，以及每个输入到隐藏，输出到隐藏和输入到输出连接的时间延迟。在私人和公共数据集上进行了实验。我们根据RMSE和不良事件检测评估了性能。所提出的模型优于适用于时间序列预测的其他方法，以及文献中存在的血糖水平预测模型。该模型是一个跳跃神经网络，其中添加了从输出到隐藏层的反馈连接，以及每个输入到隐藏，输出到隐藏和输入到输出连接的时间延迟。在私人和公共数据集上进行了实验。我们根据RMSE和不良事件检测评估了性能。所提出的模型优于适用于时间序列预测的其他方法，以及文献中存在的血糖水平预测模型。