論文の概要: Prediction-Coherent LSTM-based Recurrent Neural Network for Safer
Glucose Predictions in Diabetic People
- arxiv url: http://arxiv.org/abs/2009.03722v1
- Date: Tue, 8 Sep 2020 13:14:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 21:30:50.044960
- Title: Prediction-Coherent LSTM-based Recurrent Neural Network for Safer
Glucose Predictions in Diabetic People
- Title（参考訳）: 糖尿病患者の血糖予測のための予測コヒーレントLSTMリカレントニューラルネットワーク
- Authors: Maxime De Bois, Moun\^im A. El Yacoubi, Mehdi Ammi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.692400531340393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of time-series forecasting, we propose a LSTM-based recurrent
neural network architecture and loss function that enhance the stability of the
predictions. In particular, the loss function penalizes the model, not only on
the prediction error (mean-squared error), but also on the predicted variation
error.
We apply this idea to the prediction of future glucose values in diabetes,
which is a delicate task as unstable predictions can leave the patient in doubt
and make him/her take the wrong action, threatening his/her life. The study is
conducted on type 1 and type 2 diabetic people, with a focus on predictions
made 30-minutes ahead of time.
First, we confirm the superiority, in the context of glucose prediction, of
the LSTM model by comparing it to other state-of-the-art models (Extreme
Learning Machine, Gaussian Process regressor, Support Vector Regressor).
Then, we show the importance of making stable predictions by smoothing the
predictions made by the models, resulting in an overall improvement of the
clinical acceptability of the models at the cost in a slight loss in prediction
accuracy.
Finally, we show that the proposed approach, outperforms all baseline
results. More precisely, it trades a loss of 4.3\% in the prediction accuracy
for an improvement of the clinical acceptability of 27.1\%. When compared to
the moving average post-processing method, we show that the trade-off is more
efficient with our approach.
- Abstract（参考訳）: 時系列予測の文脈において,lstmに基づく再帰的ニューラルネットワークアーキテクチャと,予測の安定性を高める損失関数を提案する。
特に、損失関数は、予測誤差(平均二乗誤差)だけでなく、予測変動誤差にも、モデルをペナライズする。
このアイデアを糖尿病の将来の血糖値予測に適用する。不安定な予測は患者を疑わせ、間違った行動をとらせ、人生を脅かす可能性があるため、繊細な課題である。
この研究は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当てている。
まず、LSTMモデルのグルコース予測の文脈において、他の最先端モデル(Extreme Learning Machine, Gaussian Process Regressor, Support Vector Regressor)と比較することにより、LSTMモデルの優位性を確認する。
そして, モデルによる予測を円滑にすることで, 予測精度をわずかに損なうことなく, 費用のかかるモデルの臨床受容性が全体的に向上する, 安定した予測を行うことの重要性を示した。
最後に,提案手法がすべてのベースライン結果を上回ることを示す。
より正確には、臨床受容率27.1\%の改善のために予測精度の4.3\%の損失をトレードオフする。
移動平均後処理法と比較すると,このアプローチではトレードオフの方が効率的であることが分かる。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - 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) - A Machine Learning Model for Predicting, Diagnosing, and Mitigating
Health Disparities in Hospital Readmission [0.0]
本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。
提案手法の有効性を,精度と公正度の測定値を用いて評価した。
論文 参考訳（メタデータ） (2022-06-13T16:07:25Z) - Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。
我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。
そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
論文 参考訳（メタデータ） (2021-09-30T19:19:09Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Integration of Clinical Criteria into the Training of Deep Models:
Application to Glucose Prediction for Diabetic People [4.692400531340393]
本稿では,コヒーレント平均二乗グリセミック誤差(gcMSE)損失関数を提案する。
トレーニング中にモデルをペナルティ化し、予測エラーだけでなく、予測される変動エラーにも対処する。
エラー空間の異なる領域の重み付けを調整することで、危険な領域にもっと焦点を合わせることができる。
論文 参考訳（メタデータ） (2020-09-21T15:05:28Z) - 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) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z) - 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。