論文の概要: Optimizing the Design of an Artificial Pancreas to Improve Diabetes Management

• arxiv url: http://arxiv.org/abs/2402.07949v1
• Date: Sat, 10 Feb 2024 00:49:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 18:06:44.805226
• Title: Optimizing the Design of an Artificial Pancreas to Improve Diabetes Management
• Title（参考訳）: 糖尿病管理改善のための人工膵設計の最適化
• Authors: Ashok Khanna, Olivier Francon, Risto Miikkulainen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.60691612679966
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetes, a chronic condition that impairs how the body turns food into energy, i.e. blood glucose, affects 38 million people in the US alone. The standard treatment is to supplement carbohydrate intake with an artificial pancreas, i.e. a continuous insulin pump (basal shots), as well as occasional insulin injections (bolus shots). The goal of the treatment is to keep blood glucose at the center of an acceptable range, as measured through a continuous glucose meter. A secondary goal is to minimize injections, which are unpleasant and difficult for some patients to implement. In this study, neuroevolution was used to discover an optimal strategy for the treatment. Based on a dataset of 30 days of treatment and measurements of a single patient, a random forest was first trained to predict future glucose levels. A neural network was then evolved to prescribe carbohydrates, basal pumping levels, and bolus injections. Evolution discovered a Pareto front that reduced deviation from the target and number of injections compared to the original data, thus improving patients' quality of life. To make the system easier to adopt, a language interface was developed with a large language model. Thus, these technologies not only improve patient care but also adoption in a broader population.
• Abstract（参考訳）: 糖尿病は、身体が食物をエネルギーに変える、すなわち血糖値に障害を与える慢性疾患であり、米国だけでも3800万人に影響を及ぼす。 標準的な治療法は、炭水化物摂取を人工膵臓、すなわち連続的なインスリンポンプ(基底ショット)と時折のインスリン注射(ボールショット)で補うことである。 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、一部の患者が実施するのが不快で難しい注射を最小化することである。 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。 1人の患者の30日間の治療と測定のデータセットに基づいて、ランダムな森林が最初に訓練され、将来の血糖値を予測した。 その後、ニューラルネットワークが進化し、炭水化物、玄武体ポンプレベル、骨注入を処方した。 進化によってパレートフロントが発見され、元のデータに比べてターゲットと注射回数のずれが減少し、患者の生活の質が向上した。 システムの採用を容易にするため、大きな言語モデルで言語インターフェースが開発された。 したがって、これらの技術は患者のケアを改善するだけでなく、より広い人口で採用される。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• 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)
• Modeling glycemia in humans by means of Grammatical Evolution [4.26706629463264]
  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。
  論文  参考訳（メタデータ） (2023-04-27T14:33:52Z)
• 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)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement Learning: An In Silico Validation [16.93692520921499]
  単一ホルモン(インスリン)と二重ホルモン(インスリンとグルカゴン)のデリバリーのための新しい深層強化学習モデルを提案する。 成体コホートでは、目標範囲のパーセンテージは77.6%から80.9%に改善した。 青年コホートでは、目標範囲のパーセンテージが55.5%から65.9%に改善され、単一ホルモンが制御された。
  論文  参考訳（メタデータ） (2020-05-18T20:13:16Z)
• 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。