論文の概要: Adherence to Personal Health Devices: A Case Study in Diabetes Management

• arxiv url: http://arxiv.org/abs/2006.04947v1
• Date: Sat, 30 May 2020 02:47:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 22:29:18.814312
• Title: Adherence to Personal Health Devices: A Case Study in Diabetes Management
• Title（参考訳）: パーソナルヘルスデバイスへの執着 : 糖尿病管理におけるケーススタディ
• Authors: Sudip Vhaduri and Temiloluwa Prioleau
• Abstract要約: 本稿では,糖尿病管理における連続血糖モニターの利用について,データマイニング手法を用いて検討する。 コントロール不良の糖尿病患者は、コントロール不良の糖尿病患者よりも平均的なデータギャップ期間が長かった。
• 参考スコア（独自算出の注目度）: 1.827510863075184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personal health devices can enable continuous monitoring of health parameters. However, the benefit of these devices is often directly related to the frequency of use. Therefore, adherence to personal health devices is critical. This paper takes a data mining approach to study continuous glucose monitor use in diabetes management. We evaluate two independent datasets from a total of 44 subjects for 60 - 270 days. Our results show that: 1) missed target goals (i.e. suboptimal outcomes) is a factor that is associated with wearing behavior of personal health devices, and 2) longer duration of non-adherence, identified through missing data or data gaps, is significantly associated with poorer outcomes. More specifically, we found that up to 33% of data gaps occurred when users were in abnormal blood glucose categories. The longest data gaps occurred in the most severe (i.e. very low / very high) glucose categories. Additionally, subjects with poorly-controlled diabetes had longer average data gap duration than subjects with well-controlled diabetes. This work contributes to the literature on the design of context-aware systems that can leverage data-driven approaches to understand factors that influence non-wearing behavior. The results can also support targeted interventions to improve health outcomes.
• Abstract（参考訳）: パーソナルヘルスデバイスは、健康パラメータの継続的な監視を可能にする。 しかし、これらの機器の利点は、しばしば使用頻度に直接関係している。 したがって、個人の健康装置への付着が重要である。 本稿では,糖尿病管理における連続血糖モニターの有用性について検討する。 被験者44名から60～270日間の2つの独立したデータセットを評価した。 結果はこう示しています 1) 目標目標(すなわち、最適でない結果)の欠落は、個人の健康装置の着用行動に関連する要因であり、 2) データの欠落やデータギャップによって識別される非一貫性の持続時間は, 結果の低下と著しく関連している。 より具体的には、ユーザが異常な血糖値にあるときに、データギャップの最大33%が発生しました。 最も長いデータギャップは、最も深刻な(非常に低い/非常に高い)グルコースカテゴリーで発生した。 また, 糖尿病患者は, 糖尿病患者よりも平均データギャップ期間が長い。 この研究は、非着用行動に影響を与える要因を理解するためにデータ駆動アプローチを活用できる文脈認識システムの設計に関する文献に貢献する。 結果は、健康状態を改善するために標的となる介入を支援することもできる。

関連論文リスト

• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
  GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。 今後4年間の健康状態も予測できる。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Toward Short-Term Glucose Prediction Solely Based on CGM Time Series [4.7066018521459725]
  TimeGluは、CGM時系列データに基づく短期的なグルコース予測のためのエンドツーエンドパイプラインである。 患者の個人データを追加することなく、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-04-18T06:02:12Z)
• CrossGP: Cross-Day Glucose Prediction Excluding Physiological Information [4.975538965305628]
  糖尿病患者の早期血糖予測は、タイムリーな治療に必要である。 そこで我々は,クロスデイグルコース予測のための新しい機械学習フレームワークであるCrossGPを提案する。
  論文  参考訳（メタデータ） (2024-04-16T20:40:59Z)
• Diabetes detection using deep learning techniques with oversampling and feature augmentation [0.3749861135832073]
  糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。 毎年多数の死者が出ている。 この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
  論文  参考訳（メタデータ） (2024-02-03T15:30:20Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Deep Personalized Glucose Level Forecasting Using Attention-based Recurrent Neural Networks [5.250950284616893]
  本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。 データを解析し、重要なパターンを検出する。 実データセット上でモデルの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T01:36:53Z)
• Hybrid stacked ensemble combined with genetic algorithms for Prediction of Diabetes [0.0]
  糖尿病は、世界で最も一般的で危険で高価な病気の1つです。 本研究では、カリフォルニア大学のウェブサイトで、インドの糖尿病に関する実際のデータである実験データを用いています。 結果は、98.8%に達した疾患の診断における提案手法の高性能と99%の精度を示した。
  論文  参考訳（メタデータ） (2021-03-15T07:47:23Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。