Fugu-MT 論文翻訳(概要): Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data

論文の概要: Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data

arxiv url: http://arxiv.org/abs/2302.12856v1
Date: Fri, 24 Feb 2023 19:10:40 GMT
ステータス: 処理完了
システム内更新日: 2023-02-28 20:11:20.441031
Title: Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data
Title（参考訳）: 連続的グルコースモニタリングデータを用いた機械学習による1型糖尿病患者の血糖値の予測
Authors: Jakub J. Dylag
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: A task of vital clinical importance, within Diabetes management, is the prevention of hypo/hyperglycemic events. Increasingly adopted Continuous Glucose Monitoring (CGM) devices offer detailed, non-intrusive and real time insights into a patient's blood glucose concentrations. Leveraging advanced Machine Learning (ML) Models as methods of prediction of future glucose levels, gives rise to substantial quality of life improvements, as well as providing a vital tool for monitoring diabetes. A regression based prediction approach is implemented recursively, with a series of Machine Learning Models: Linear Regression, Hidden Markov Model, Long-Short Term Memory Network. By exploiting a patient's past 11 hours of blood glucose (BG) concentration measurements, a prediction of the 60 minutes is made. Results will be assessed using performance metrics including: Root Mean Squared Error (RMSE), normalised energy of the second-order differences (ESOD) and F1 score. Research of past and current approaches, as well as available dataset, led to the establishment of an optimal training methodology for the CITY dataset, which may be leveraged by future model development. Performance was aligned with similar state-of-art ML models, with LSTM having RMSE of 28.55, however no significant advantage was observed over classical Auto-regressive AR models. Compelling insights into LSTM prediction behaviour could increase public and legislative trust and understanding, progressing the certification of ML models in Artificial Pancreas Systems (APS).
Abstract（参考訳）: 糖尿病管理における重要な臨床的重要な課題は、低血糖/高血糖症の予防である。継続的なグルコースモニタリング(cgm)は、患者の血糖値の詳細な、非侵襲的、リアルタイムな洞察を提供する。将来の血糖値を予測する方法として高度な機械学習(ml)モデルを活用することで、生活の質が大幅に向上し、糖尿病のモニタリングに不可欠なツールが提供される。回帰に基づく予測アプローチは、線形回帰、隠れマルコフモデル、Long-Short Term Memory Networkという一連の機械学習モデルで再帰的に実装される。患者の過去11時間の血糖値(BG)測定を利用して、60分間の予測を行う。結果は、ルート平均二乗誤差(rmse)、二階差の正規化エネルギー(esod)、f1スコアを含むパフォーマンス指標を用いて評価される。過去と現在のアプローチ、および利用可能なデータセットの研究は、将来のモデル開発によって活用されるかもしれないCITYデータセットのための最適なトレーニング方法論の確立につながった。 LSTMはRMSEは28.55であったが、従来のオートレグレッシブARモデルでは大きな優位性は見られなかった。 LSTM予測行動に関する洞察を補うことで、公的および立法的信頼と理解が高まり、人工膵システム(APS)におけるMLモデルの認定が進む可能性がある。

関連論文リスト

FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions [4.073768455373616]
連続グルコースモニタリング(Continuous glucose monitoring, CGM)デバイスは、血糖値のリアルタイムモニタリングと、血糖値の変動に対するタイムリーな警告を提供する。低血糖や高血糖のような希少な出来事は、その頻度が低いために依然として困難である。本稿では,血糖除去領域の性能を著しく向上させる新しいHH損失関数を提案する。
論文参考訳（メタデータ） (2024-08-25T19:51:27Z)
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)
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)
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)
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)
Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文参考訳（メタデータ） (2022-07-18T19:16:56Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
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。