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

• 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)
• Petri nets in modelling glucose regulating processes in the liver [0.0]
  肝における糖分解とグルコース合成のペトリネットモデルを提案する。 我々の分析では、このモデルが異なる酵素と物質間の相互作用を捉えていることが示されている。 このモデルは、健康な人と糖尿病患者の血糖調節の全体モデルを作成するという、長年の目標の最初の要素である。
  論文  参考訳（メタデータ） (2024-05-17T13:15:01Z)
• NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
  自己申告法はしばしば不正確であり、重大な偏見に悩まされる。 近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。 本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-05-13T14:56:55Z)
• Toward Short-Term Glucose Prediction Solely Based on CGM Time Series [4.7066018521459725]
  TimeGluは、CGM時系列データに基づく短期的なグルコース予測のためのエンドツーエンドパイプラインである。 患者の個人データを追加することなく、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-04-18T06:02:12Z)
• 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)
• NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
  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)
• 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)
• 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。