論文の概要: Learning Absorption Rates in Glucose-Insulin Dynamics from Meal
Covariates
- arxiv url: http://arxiv.org/abs/2304.14300v1
- Date: Thu, 27 Apr 2023 16:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 12:40:31.264216
- Title: Learning Absorption Rates in Glucose-Insulin Dynamics from Meal
Covariates
- Title(参考訳): 食肉共変量からのグルコース-インスリン動態の学習吸収速度
- Authors: Ke Alexander Wang, Matthew E. Levine, Jiaxin Shi, Emily B. Fox
- Abstract要約: 食事の栄養素含量は吸収プロファイルに悪影響を及ぼすが、機械的にモデル化することは困難である。
ニューラルネットワークを用いて、個人のグルコース吸収率を予測する。
- 参考スコア(独自算出の注目度): 28.39179475412449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional models of glucose-insulin dynamics rely on heuristic
parameterizations chosen to fit observations within a laboratory setting.
However, these models cannot describe glucose dynamics in daily life. One
source of failure is in their descriptions of glucose absorption rates after
meal events. A meal's macronutritional content has nuanced effects on the
absorption profile, which is difficult to model mechanistically. In this paper,
we propose to learn the effects of macronutrition content from glucose-insulin
data and meal covariates. Given macronutrition information and meal times, we
use a neural network to predict an individual's glucose absorption rate. We use
this neural rate function as the control function in a differential equation of
glucose dynamics, enabling end-to-end training. On simulated data, our approach
is able to closely approximate true absorption rates, resulting in better
forecast than heuristic parameterizations, despite only observing glucose,
insulin, and macronutritional information. Our work readily generalizes to meal
events with higher-dimensional covariates, such as images, setting the stage
for glucose dynamics models that are personalized to each individual's daily
life.
- Abstract(参考訳): グルコース-インスリンダイナミクスの伝統的なモデルは、実験室での観測に適合するように選択されたヒューリスティックなパラメータ化に依存する。
しかし、これらのモデルは日常生活におけるグルコース動態を記述できない。
失敗の原因の1つは、食事後のグルコース吸収率の記述にある。
食事の栄養素含量は吸収プロファイルにニュアンスの影響があり、機械的なモデル化は困難である。
本稿では,グルコース-インシュリンデータと食事共変量からマクロ栄養分の影響について検討する。
マクロ栄養情報と食事時間を考えると、ニューラルネットワークを使って個人のグルコース吸収率を予測する。
この神経速度関数をグルコース動態の微分方程式の制御関数として使用し,エンドツーエンドのトレーニングを可能にした。
シミュレーションデータでは, グルコース, インスリン, マクロ栄養情報のみを観察しながら, ヒューリスティックなパラメータ化よりも, 正確な吸収率を正確に予測できる。
本研究は,画像などの高次元共変量を持つ食事イベントに容易に一般化し,各個人の日常生活にパーソナライズされたグルコース動態モデルのためのステージを設定する。
関連論文リスト
- Interpretable Mechanistic Representations for Meal-level Glycemic
Control in the Wild [10.240619571788786]
CGMと食事データの解釈可能な表現を学習するためのハイブリッド変分オートエンコーダを提案する。
本手法は, 力学微分方程式の入力に潜時空間を基底として, 生理的量に反映した埋め込みを生成する。
私たちの埋め込みは、ナイーブ、エキスパート、ブラックボックス、純粋なメカニスティックな特徴よりも最大4倍優れたクラスタを生成します。
論文 参考訳(メタデータ) (2023-12-06T08:36:23Z) - NutritionVerse-Real: An Open Access Manually Collected 2D Food Scene
Dataset for Dietary Intake Estimation [68.49526750115429]
食事摂取推定のための2D食品シーンデータセットであるNutritionVerse-Realを導入する。
NutritionVerse-Realデータセットは、実生活における食品シーンのイメージを手作業で収集し、各成分の重量を測定し、各料理の食生活内容を計算することによって作成されました。
論文 参考訳(メタデータ) (2023-11-20T11:05:20Z) - Designing User-Centric Behavioral Interventions to Prevent Dysglycemia
with Novel Counterfactual Explanations [10.062187787765149]
GlyCoach はグルコース制御の逆作用を説明するためのフレームワークである。
GlyCoachは、もっともらしい説明のユーザの好みに関する事前知識を、対実生成のプロセスに統合する。
GlyCoachは、シミュレーション支援バリデーションにおいて87%の感度を実現し、カウンターファクトな説明を生成する最先端技術を上回っている。
論文 参考訳(メタデータ) (2023-10-02T22:42:52Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation
Approaches [60.97896788599621]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳(メタデータ) (2023-09-14T13:29:41Z) - 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) - Identifying Differential Equations to predict Blood Glucose using Sparse
Identification of Nonlinear Systems [0.0]
本研究では, 糖尿病患者の血糖値のモデル化の可能性について検討した。
インスリンとカロリーに影響を及ぼす変数の組み合わせは、解釈可能なモデルを見つけるために用いられる。
本研究では, 長期血糖動態を微分方程式を用いてシミュレートすることが可能であり, 影響変数がほとんどないことを示す。
論文 参考訳(メタデータ) (2022-09-28T06:11:23Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - 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。