D

diabetes

L'algorithme DCIR vise à repérer les patients à risque vasculaire (diabète, hypertension artérielle) et à suivre le dépistage biologique de l’IRC dans cette population.

Cet algorithme présente 2 limites principales : la première étant l'absene d'inclusion de patients sous traitements antilipémiants seuls (considérés comme à risque vasculaire par la CNAM(cf. Cartographie des pathologies)). La deuxième étant l'absence de distinction entre les patients en IRC et les patients à risque d'IRC (inclusion des patients déjà diagnostiqués avec une maladie rénale chronique (MRC), y compris des patients dialysés ou transplantés).

La cartographie des pathologies et des dépenses, produite par la Cnam (https://data.ameli.fr/pages/data-pathologies/), a pour objectif de répartir les dépenses de soins de l’assurance maladie entre une soixantaine de pathologies, traitements chroniques et épisodes de soins fréquents et/ou graves et/ou coûteux. L’outil se base notamment sur des algorithmes de repérage de ces pathologies dans le SNDS. Les données individuelles annuelles sont mises à disposition dans le SNDS afin de faciliter le travail des chercheurs pour repérer les pathologies et calculer les dépenses de soins remboursés de chaque individu avant leur répartition par pathologie. Le programme de l’algorithme Top Diabète permet de repérer les personnes prises en charge pour un diabète.

App aiding (mainly) diabetics in proper dietary calculations & tracking.

Exchanges & bolus calculator for diabetics.

Some scripts in Bash and R to help with diabetes

Simple code to display Dexcom CGM glucose levels and trend on a Max7219 Matrix display, connected to a Raspberry Pi

DexDash, a Dexcom CGM readout script to display values on Waveshare 7.5 eInk display. Includes a large value display and historical graph script.

Study Protocol for the MELD Project: Metabolic consequences of early life adversity and subsequent risk for type 2 diabetes.

Website: https://lwjohnst.gitlab.io/meld-protocol

An insulin tracker for AVR (including Arduino) with a display and a single button

Machine Learning - Binary Classification

A Raspberry Pi based project providing a simple Blood Glucose result dashboard, including graphs and data listing. Project relies on a Contour Next Link 2.4 Blood Glucose meter and a Minimed pump (tested with 640g).

Prediction of diabetes using K-NN, Log-Regression, Decision tree, Random forest, Gradient boosting, SVM.

Diabetes Machine Learning Predictor

Node.js Express app with Jade templates