論文の概要: Glucose values prediction five years ahead with a new framework of
missing responses in reproducing kernel Hilbert spaces, and the use of
continuous glucose monitoring technology
- arxiv url: http://arxiv.org/abs/2012.06564v2
- Date: Mon, 14 Dec 2020 18:47:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 04:41:42.357599
- Title: Glucose values prediction five years ahead with a new framework of
missing responses in reproducing kernel Hilbert spaces, and the use of
continuous glucose monitoring technology
- Title（参考訳）: 再生核Hilbert空間における新しい応答の欠如フレームワークによる5年後のグルコース値予測と連続グルコースモニタリング技術の利用
- Authors: Marcos Matabuena, Paulo F\'elix, Carlos Meijide-Garcia and Francisco
Gude
- Abstract要約: aegis研究は連続グルコースモニタリング技術(cgm)による循環性グルコースの経時的変化に関するユニークな情報を持っている
通常、縦断的な医学研究では、結果変数に欠落するデータがかなりの量存在する。
本稿では、カーネルヒルベルト空間(RKHS)を欠落した応答で再生する学習に基づく新しいデータ分析フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AEGIS study possesses unique information on longitudinal changes in
circulating glucose through continuous glucose monitoring technology (CGM).
However, as usual in longitudinal medical studies, there is a significant
amount of missing data in the outcome variables. For example, 40 percent of
glycosylated hemoglobin (A1C) biomarker data are missing five years ahead. With
the purpose to reduce the impact of this issue, this article proposes a new
data analysis framework based on learning in reproducing kernel Hilbert spaces
(RKHS) with missing responses that allows to capture non-linear relations
between variable studies in different supervised modeling tasks. First, we
extend the Hilbert-Schmidt dependence measure to test statistical independence
in this context introducing a new bootstrap procedure, for which we prove
consistency. Next, we adapt or use existing models of variable selection,
regression, and conformal inference to obtain new clinical findings about
glucose changes five years ahead with the AEGIS data. The most relevant
findings are summarized below: i) We identify new factors associated with
long-term glucose evolution; ii) We show the clinical sensibility of CGM data
to detect changes in glucose metabolism; iii) We can improve clinical
interventions based on our algorithms' expected glucose changes according to
patients' baseline characteristics.
- Abstract（参考訳）: aegis研究は連続グルコースモニタリング技術(cgm)による循環性グルコースの経時的変化に関するユニークな情報を持っている。
しかし、縦断的な医学研究では通常のように、結果変数に欠落するデータがかなりの量存在する。
例えば、グリコシル化ヘモグロビン(A1C)バイオマーカーの40%は、5年前に失われている。
本稿では,この問題の影響を低減すべく,カーネルヒルベルト空間(rkhs)の再現における学習に基づく新しいデータ解析フレームワークを提案する。
まず、ヒルベルト・シュミット依存測度を拡張して、この文脈で統計独立性をテストし、一貫性を証明する新しいブートストラップ手順を導入する。
次に, 変数選択, 回帰, コンフォメーション推論の既存モデルを用いて, AEGISデータより5年後のグルコース変化に関する新たな臨床所見を得た。
i) 血糖値の長期変動に関連する新たな因子を明らかにすること, ii) グルコース代謝の変化を検出するために, cgmデータの臨床的感受性を示すこと, iii) 患者の基準特性に応じて, アルゴリズムが期待する血糖値変化に基づいて, 臨床介入を改善することができること, である。
関連論文リスト
- GARNN: An Interpretable Graph Attentive Recurrent Neural Network for
Predicting Blood Glucose Levels via Multivariate Time Series [12.618792803757714]
マルチモーダルデータをモデル化するための解釈可能なグラフ減衰ニューラルネットワーク(GARNN)を提案する。
GARNNは最高の予測精度を達成し、高品質な時間的解釈性を提供する。
これらの知見は糖尿病治療改善のための堅牢なツールとしてのGARNNの可能性を示している。
論文 参考訳（メタデータ） (2024-02-26T01:18:53Z) - Fast and Functional Structured Data Generators Rooted in
Out-of-Equilibrium Physics [62.997667081978825]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳（メタデータ） (2023-07-13T15:08:44Z) - Patterns Detection in Glucose Time Series by Domain Transformations and
Deep Learning [0.0]
本研究は,血糖値の今後の変動を予測することを目的としており,血糖値の低下が予想される可能性がある。
提案手法は, 有望な結果を得た4種類の糖尿病患者の実データを用いて検討した。
論文 参考訳（メタデータ） (2023-03-30T09:08:31Z) - 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) - Hypothesis testing for matched pairs with missing data by maximum mean
discrepancy: An application to continuous glucose monitoring [0.8399688944263843]
本稿では,データ不足を伴う複雑なマッチングペアを扱うために,MMD(maxum mean discrepancy)の新たな推定法を提案する。
これらの推定器は、異なる欠損機構の下でデータ分布の差を検出することができる。
縦断型糖尿病研究における連続グルコースモニタリングのデータを用いて,本手法の適用例を示した。
論文 参考訳（メタデータ） (2022-06-03T14:20:11Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。
また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文 参考訳（メタデータ） (2021-08-07T15:08:15Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - 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。