論文の概要: HealthEdge: A Machine Learning-Based Smart Healthcare Framework for
Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and Cloud Computing
System
- arxiv url: http://arxiv.org/abs/2301.10450v1
- Date: Wed, 25 Jan 2023 07:57:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-26 15:49:15.777623
- Title: HealthEdge: A Machine Learning-Based Smart Healthcare Framework for
Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and Cloud Computing
System
- Title（参考訳）: HealthEdge: 統合IoT、エッジ、クラウドコンピューティングシステムにおける2型糖尿病の予測のための機械学習ベースのスマートヘルスケアフレームワーク
- Authors: Alain Hennebelle, Huned Materwala, Leila Ismail
- Abstract要約: 糖尿病の急激な増加は、糖尿病の発生を予防・予測するために予防措置を取る必要があることを要求する。
本稿では,IoT-エッジクラウド統合コンピューティングシステムにおける2型糖尿病予測のための機械学習ベースのスマートヘルスケアフレームワークであるHealthEdge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-nc-nd/4.0/
- Abstract: Diabetes Mellitus has no permanent cure to date and is one of the leading
causes of death globally. The alarming increase in diabetes calls for the need
to take precautionary measures to avoid/predict the occurrence of diabetes.
This paper proposes HealthEdge, a machine learning-based smart healthcare
framework for type 2 diabetes prediction in an integrated IoT-edge-cloud
computing system. Numerical experiments and comparative analysis were carried
out between the two most used machine learning algorithms in the literature,
Random Forest (RF) and Logistic Regression (LR), using two real-life diabetes
datasets. The results show that RF predicts diabetes with 6% more accuracy on
average compared to LR.
- Abstract（参考訳）: 糖尿病は、現在まで永続的な治療法がなく、世界でも主要な死因の1つである。
糖尿病の深刻化は、糖尿病の発生を予防・予測するための予防措置を講じる必要性を訴えている。
本稿では,IoT-エッジクラウド統合コンピューティングシステムにおける2型糖尿病予測のための機械学習ベースのスマートヘルスケアフレームワークHealthEdgeを提案する。
文献において最も使われている2つの機械学習アルゴリズムであるランダムフォレスト(RF)とロジスティック回帰(LR)の2つのリアルタイム糖尿病データセットを用いて数値実験と比較分析を行った。
その結果,RFは平均6%の精度で糖尿病を予測できることがわかった。
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) - DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。
このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-03-12T10:18:59Z) - 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) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳（メタデータ） (2023-01-08T19:10:20Z) - Secure and Privacy-Preserving Automated Machine Learning Operations into
End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring
System for Diabetes Mellitus Prediction [0.5825410941577593]
本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。
提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。
提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
論文 参考訳（メタデータ） (2022-11-13T13:57:14Z) - A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes [32.25039205521283]
本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。
提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
論文 参考訳（メタデータ） (2022-08-05T18:15:40Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Task-wise Split Gradient Boosting Trees for Multi-center Diabetes
Prediction [37.846368153741395]
マルチセンター糖尿病予測タスクにTSGB(Task-wise Split Gradient Boosting Trees)を提案する。
TSGBはいくつかの最先端手法に対して優れた性能を発揮する。
TSGB法は早期診断のためのオンライン糖尿病リスク評価ソフトウェアとして展開されている。
論文 参考訳（メタデータ） (2021-08-16T14:22:44Z) - 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) - 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。