論文の概要: Modeling glycemia in humans by means of Grammatical Evolution
- arxiv url: http://arxiv.org/abs/2305.04827v1
- Date: Thu, 27 Apr 2023 14:33:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-14 21:08:23.812427
- Title: Modeling glycemia in humans by means of Grammatical Evolution
- Title(参考訳): 文法進化によるヒトの血糖のモデル化
- Authors: J. Ignacio Hidalgo, J. Manuel Colmenar, Jos\'e L. Risco-Mart\'in,
Alfredo Cuesta-Infante, Esther Maqueda, Marta Botella and Jos\'e Antonio
Rubio
- Abstract要約: 糖尿病の(半)自動制御で生じる主な問題のひとつは、血糖がインスリン、食物摂取、その他の要因によってどのように変化するかを説明するモデルを得ることである。
本稿では,患者をカスタマイズしたモデルを得るための進化的計算手法を提案する。
- 参考スコア(独自算出の注目度): 4.26706629463264
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Diabetes mellitus is a disease that affects to hundreds of millions of people
worldwide. Maintaining a good control of the disease is critical to avoid
severe long-term complications. In recent years, several artificial pancreas
systems have been proposed and developed, which are increasingly advanced.
However there is still a lot of research to do. One of the main problems that
arises in the (semi) automatic control of diabetes, is to get a model
explaining how glycemia (glucose levels in blood) varies with insulin, food
intakes and other factors, fitting the characteristics of each individual or
patient. This paper proposes the application of evolutionary computation
techniques to obtain customized models of patients, unlike most of previous
approaches which obtain averaged models. The proposal is based on a kind of
genetic programming based on grammars known as Grammatical Evolution (GE). The
proposal has been tested with in-silico patient data and results are clearly
positive. We present also a study of four different grammars and five objective
functions. In the test phase the models characterized the glucose with a mean
percentage average error of 13.69\%, modeling well also both hyper and
hypoglycemic situations.
- Abstract(参考訳): 糖尿病は世界中の数億人に影響を及ぼす病気である。
疾患の良好なコントロールを維持することは、深刻な長期合併症を避けるために重要である。
近年,いくつかの人工膵システムが提案され,開発が進められている。
しかし、まだ多くの研究が続けられている。
糖尿病の(半)自動コントロールで生じる主な問題は、血糖値(血中グルコース濃度)がインスリン、食物摂取やその他の要因とどのように異なるかを説明するモデルを得ることで、個人または患者の特性に適合する。
本稿では,これまでの平均モデル取得手法と異なり,患者をカスタマイズしたモデルを得るための進化的計算手法の応用を提案する。
この提案は文法進化(GE)として知られる文法に基づく遺伝的プログラミングの一種に基づいている。
この提案は、in-silico患者データでテストされており、結果は明らかに陽性である。
また、4つの異なる文法と5つの目的関数についても検討する。
試験段階では、ブドウ糖の平均平均誤差は13.69 %であり、高血糖状態と低血糖状態の両方をモデル化した。
関連論文リスト
- Multi-megabase scale genome interpretation with genetic language models [45.97370115519009]
フェンフォーマー(英: Phenformer)は、機械的仮説を生成するために学習する多スケールの遺伝的言語モデルである。
我々は,150万以上の個体から得られた全ゲノムシークエンシングデータを用いて,Phenformerが既存の方法よりも優れた機械的仮説を生成することを示す。
論文 参考訳(メタデータ) (2025-01-13T23:00:40Z) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳(メタデータ) (2024-08-20T13:19:06Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - Optimizing the Design of an Artificial Pancreas to Improve Diabetes
Management [10.60691612679966]
糖尿病は米国だけでも3800万人に影響を与える。
この治療の目的は、連続したグルコースメーターで測定されるように、血糖値を許容範囲の中央に保持することである。
第二の目標は注射を最小化することであり、これは一部の患者が実施するのが不快で困難である。
本研究では,神経進化を治療の最適な戦略の発見に用いた。
論文 参考訳(メタデータ) (2024-02-10T00:49:46Z) - Diabetes detection using deep learning techniques with oversampling and
feature augmentation [0.3749861135832073]
糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。
毎年多数の死者が出ている。
この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
論文 参考訳(メタデータ) (2024-02-03T15:30:20Z) - Learning Absorption Rates in Glucose-Insulin Dynamics from Meal
Covariates [28.39179475412449]
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。
論文 参考訳(メタデータ) (2023-04-27T16:03:41Z) - Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language
Understanding [82.46024259137823]
幅広いタスクに対するクロスモデル比較損失を提案する。
3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
論文 参考訳(メタデータ) (2023-01-10T03:04:27Z) - 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) - A Cross-Level Information Transmission Network for Predicting Phenotype
from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。
ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。
体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
論文 参考訳(メタデータ) (2020-10-09T22:01:00Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳(メタデータ) (2020-06-29T11:34:41Z) - Machine learning for the diagnosis of early stage diabetes using
temporal glucose profiles [0.20072624123275526]
糖尿病は慢性疾患であり、早期に疾患の検出を複雑にする長い潜伏期間を有する。
本稿では,グルコース濃度の時間変化の微妙な変化を機械学習で検出することを提案する。
多層パーセプトロン、畳み込みニューラルネットワーク、および繰り返しニューラルネットワークはいずれも85%以上の精度でインスリン抵抗の程度を同定した。
論文 参考訳(メタデータ) (2020-05-18T13:31:12Z)
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。