論文の概要: From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis

• arxiv url: http://arxiv.org/abs/2408.11876v1
• Date: Tue, 20 Aug 2024 13:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 18:16:33.403900
• Title: From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis
• Title（参考訳）: グルコースパターンから健康結果へ:連続グルコースモニターデータ解析のための一般化可能な基礎モデル
• Authors: Guy Lutsker, Gal Sapir, Anastasia Godneva, Smadar Shilo, Jerry R Greenfield, Dorit Samocha-Bonet, Shie Mannor, Eli Meirom, Gal Chechik, Hagai Rossman, Eran Segal,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.80532910808962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in self-supervised learning enabled novel medical AI models, known as foundation models (FMs) that offer great potential for characterizing health from diverse biomedical data. Continuous glucose monitoring (CGM) provides rich, temporal data on glycemic patterns, but its full potential for predicting broader health outcomes remains underutilized. Here, we present GluFormer, a generative foundation model on biomedical temporal data based on a transformer architecture, and trained on over 10 million CGM measurements from 10,812 non-diabetic individuals. We tokenized the CGM training data and trained GluFormer using next token prediction in a generative, autoregressive manner. We demonstrate that GluFormer generalizes effectively to 15 different external datasets, including 4936 individuals across 5 different geographical regions, 6 different CGM devices, and several metabolic disorders, including normoglycemic, prediabetic, and diabetic populations, as well as those with gestational diabetes and obesity. GluFormer produces embeddings which outperform traditional CGM analysis tools, and achieves high Pearson correlations in predicting clinical parameters such as HbA1c, liver-related parameters, blood lipids, and sleep-related indices. Notably, GluFormer can also predict onset of future health outcomes even 4 years in advance. We also show that CGM embeddings from pre-intervention periods in Randomized Clinical Trials (RCTs) outperform other methods in predicting primary and secondary outcomes. When integrating dietary data into GluFormer, we show that the enhanced model can accurately generate CGM data based only on dietary intake data, simulate outcomes of dietary interventions, and predict individual responses to specific foods. Overall, we show that GluFormer accurately predicts health outcomes which generalize across different populations metabolic conditions.
• Abstract（参考訳）: 近年の自己教師型学習は、様々なバイオメディカルデータから健康を特徴づける大きな可能性を秘めているファンデーションモデル(FM)として知られる新しい医療AIモデルを可能にした。 連続グルコースモニタリング(CGM)は、血糖パターンに関する豊富な時間的データを提供するが、より広範な健康結果を予測するための大きな可能性はまだ未利用である。 本稿では,トランスフォーマーアーキテクチャに基づく生医学的時間的データ生成基盤モデルであるGluFormerについて紹介し,非糖尿病者10,812名を対象に1000万CGM以上の測定を行った。 我々はCGMのトレーニングデータをトークン化し、GluFormerを生成的・自己回帰的に次のトークン予測を用いて訓練した。 GluFormerは、5つの異なる地理的領域の4936人、6つの異なるCGMデバイスを含む15の異なる外部データセットに効果的に一般化し、また、正常血糖症、糖尿病、糖尿病、および妊娠糖尿病、肥満を含むいくつかの代謝障害を含むいくつかのメタボリック障害を含む。 GluFormerは、従来のCGM分析ツールよりも優れた埋め込みを生成し、HbA1c、肝関連パラメータ、血液脂質、睡眠関連指標などの臨床パラメータを予測する上で、ピアソン相関を高く達成している。 とくに、GluFormerは、今後4年間も、将来の健康結果の発症を予測できる。 また, ランダム化臨床試験(RCT)におけるCGMの埋込みは, 一次および二次的な結果を予測する他の方法よりも優れていた。 GluFormerに食事データを統合することで、食事摂取データのみに基づいてCGMデータを正確に生成し、食事介入の結果をシミュレートし、特定の食品に対する個々の反応を予測することができることを示す。 以上の結果から,GluFormerは異なる集団の代謝状態にまたがる健康影響を正確に予測できることがわかった。

関連論文リスト

• GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks [0.12564343689544843]
  連続血糖モニター (Continuous glucose monitors, CGM) は、血糖値を一定間隔で測定する小さな医療機器である。 CGMデータに基づくグルコーストラジェクトリの予測は、糖尿病管理を大幅に改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-10-08T08:01:09Z)
• 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)
• 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)
• 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)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  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。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Glucose values prediction five years ahead with a new framework of missing responses in reproducing kernel Hilbert spaces, and the use of continuous glucose monitoring technology [0.0]
  aegis研究は連続グルコースモニタリング技術(cgm)による循環性グルコースの経時的変化に関するユニークな情報を持っている 通常、縦断的な医学研究では、結果変数に欠落するデータがかなりの量存在する。 本稿では、カーネルヒルベルト空間(RKHS)を欠落した応答で再生する学習に基づく新しいデータ分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-11T18:51:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• 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。