Fugu-MT 論文翻訳(概要): Integration of Clinical Criteria into the Training of Deep Models: Application to Glucose Prediction for Diabetic People

論文の概要: Integration of Clinical Criteria into the Training of Deep Models: Application to Glucose Prediction for Diabetic People

arxiv url: http://arxiv.org/abs/2009.10514v2
Date: Wed, 23 Sep 2020 08:05:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 05:42:49.437552
Title: Integration of Clinical Criteria into the Training of Deep Models: Application to Glucose Prediction for Diabetic People
Title（参考訳）: 深部モデルのトレーニングにおける臨床基準の統合:糖尿病患者の血糖予測への応用
Authors: Maxime De Bois, Moun\^im A. El Yacoubi, Mehdi Ammi
Abstract要約: 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。
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: Standard objective functions used during the training of neural-network-based predictive models do not consider clinical criteria, leading to models that are not necessarily clinically acceptable. In this study, we look at this problem from the perspective of the forecasting of future glucose values for diabetic people. In this study, we propose the coherent mean squared glycemic error (gcMSE) loss function. It penalizes the model during its training not only of the prediction errors, but also on the predicted variation errors which is important in glucose prediction. Moreover, it makes possible to adjust the weighting of the different areas in the error space to better focus on dangerous regions. In order to use the loss function in practice, we propose an algorithm that progressively improves the clinical acceptability of the model, so that we can achieve the best tradeoff possible between accuracy and given clinical criteria. We evaluate the approaches using two diabetes datasets, one having type-1 patients and the other type-2 patients. The results show that using the gcMSE loss function, instead of a standard MSE loss function, improves the clinical acceptability of the models. In particular, the improvements are significant in the hypoglycemia region. We also show that this increased clinical acceptability comes at the cost of a decrease in the average accuracy of the model. Finally, we show that this tradeoff between accuracy and clinical acceptability can be successfully addressed with the proposed algorithm. For given clinical criteria, the algorithm can find the optimal solution that maximizes the accuracy while at the same meeting the criteria.
Abstract（参考訳）: 神経ネットワークに基づく予測モデルのトレーニングで使用される標準的な目的関数は、臨床基準を考慮せず、必ずしも臨床的に受け入れられないモデルに繋がる。本研究では,糖尿病患者に対する将来の血糖値予測の観点から,この問題を考察する。本研究では,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。予測誤差だけでなく、グルコース予測において重要な予測変動誤差についてもペナルティを課す。さらに、エラー空間内の異なる領域の重み付けを調整することで、より危険な領域に集中することができる。損失関数を実際に利用するために,モデルの臨床的受容性を段階的に改善するアルゴリズムを提案し,精度と臨床基準の最良のトレードオフを実現する。 1型糖尿病患者と他の2型糖尿病患者の2つの糖尿病データセットを用いてアプローチを評価した。その結果,標準的なMSE損失関数の代わりにgcMSE損失関数を用いることで,モデルの臨床的受容性が向上することが示唆された。特に低血糖領域では改善が顕著である。また, この臨床受容性の向上は, モデルの平均精度を低下させるコストが伴うことを示した。最後に, この精度と臨床受容性のトレードオフを, 提案アルゴリズムでうまく対応できることを示す。特定の臨床基準について、アルゴリズムは基準を満たしながら精度を最大化する最適な解を見つけることができる。

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)
Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。 LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
論文参考訳（メタデータ） (2024-06-28T15:06:22Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
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)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction [4.040272012640556]
本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。 6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
論文参考訳（メタデータ） (2021-01-18T02:31:38Z)
Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文参考訳（メタデータ） (2020-12-17T21:10:10Z)
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。