Fugu-MT 論文翻訳(概要): GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes

論文の概要: GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes

arxiv url: http://arxiv.org/abs/2006.15946v1
Date: Mon, 29 Jun 2020 11:34:41 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 15:24:36.460236
Title: GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes
Title（参考訳）: GLYFE:1型糖尿病におけるパーソナライズされたグルコース予測モデルの検討と評価
Authors: Maxime De Bois, Mehdi Ammi, and Moun\^im A. El Yacoubi
Abstract要約: GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
参考スコア（独自算出の注目度）: 4.17510581764131
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the sensitive nature of diabetes-related data, preventing them from being shared between studies, progress in the field of glucose prediction is hard to assess. To address this issue, we present GLYFE (GLYcemia Forecasting Evaluation), a benchmark of machine-learning-based glucose-predictive models. To ensure the reproducibility of the results and the usability of the benchmark in the future, we provide extensive details about the data flow. Two datasets are used, the first comprising 10 in-silico adults from the UVA/Padova Type 1 Diabetes Metabolic Simulator (T1DMS) and the second being made of 6 real type-1 diabetic patients coming from the OhioT1DM dataset. The predictive models are personalized to the patient and evaluated on 3 different prediction horizons (30, 60, and 120 minutes) with metrics assessing their accuracy and clinical acceptability. The results of nine different models coming from the glucose-prediction literature are presented. First, they show that standard autoregressive linear models are outclassed by kernel-based non-linear ones and neural networks. In particular, the support vector regression model stands out, being at the same time one of the most accurate and clinically acceptable model. Finally, the relative performances of the models are the same for both datasets. This shows that, even though data simulated by T1DMS are not fully representative of real-world data, they can be used to assess the forecasting ability of the glucose-predictive models. Those results serve as a basis of comparison for future studies. In a field where data are hard to obtain, and where the comparison of results from different studies is often irrelevant, GLYFE gives the opportunity of gathering researchers around a standardized common environment.
Abstract（参考訳）: 糖尿病関連データの繊細な性質、研究間での共有を防止するため、グルコース予測の分野での進歩を評価するのは難しい。本稿では,機械学習に基づくグルコース予測モデルのベンチマークであるGLYFE(GLYcemia Forecasting Evaluation)を提案する。将来,結果の再現性とベンチマークのユーザビリティを確保するため,データフローに関する詳細な情報を提供する。 UVA/Padova Type 1 Diabetes Metabolic Simulator (T1DMS) の成人10名とOttoT1DMデータセットの糖尿病患者6名からなる2つのデータセットが使用されている。予測モデルは患者にパーソナライズされ、3つの異なる予測地平線(30分、60分、120分)で評価され、その正確性と臨床受容性を評価する。ブドウ糖沈降の文献から得られた9種類のモデルの結果を報告する。まず、標準自己回帰線形モデルは、カーネルベースの非線形モデルとニューラルネットワークによってクラス外であることを示す。特に、サポートベクトル回帰モデルは、最も正確かつ臨床的に許容されるモデルの1つであると同時に際立っている。最後に、モデルの相対的なパフォーマンスは両方のデータセットで同じです。これは、T1DMSでシミュレートされたデータは実世界のデータを完全に代表していないが、グルコース予測モデルの予測能力を評価するために使用できることを示している。これらの結果は将来の研究における比較の基礎となる。データの入手が困難で、異なる研究結果の比較がしばしば無関係である分野において、glyfeは研究者を標準化された共通環境の周りに集める機会を与える。

関連論文リスト

Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
論文参考訳（メタデータ） (2023-02-24T19:10:40Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文参考訳（メタデータ） (2022-11-13T01:07:23Z)
A Critical Review of the state-of-the-art on Deep Neural Networks for Blood Glucose Prediction in Patients with Diabetes [0.0]
本稿では、最近提案された10のニューラルネットワークを比較し、血糖予測のための2つのアンサンブルニューラルネットワークモデルを提案する。血液グルコース予測において最も一般的な指標を用いてそれらの性能を比較し、統計比較のために考案された3つの手法を用いて最も優れた指標をランク付けする。本分析では, 最高の予測因子となる確率が最も高いモデルに注目し, 最良なモデルに対して, より粗悪な性能を示すモデルの誤差の増加を推定し, 臨床実習におけるそれらの使用指針を提供する。
論文参考訳（メタデータ） (2021-09-02T09:08:26Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Enhancing the Interpretability of Deep Models in Heathcare Through Attention: Application to Glucose Forecasting for Diabetic People [4.692400531340393]
我々は,タイプ2 IDIABとタイプ1 OhioT1DMデータセットのRETAINモデルを評価する。我々は、RETAINモデルが精度と解釈可能性の間に非常に良い妥協をもたらすことを示した。
論文参考訳（メタデータ） (2020-09-08T13:27:52Z)
Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
論文参考訳（メタデータ） (2020-09-08T13:20:15Z)
Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文参考訳（メタデータ） (2020-09-08T13:14:08Z)
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。