論文の概要: Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate
- arxiv url: http://arxiv.org/abs/2502.14183v1
- Date: Thu, 20 Feb 2025 01:26:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-21 14:29:09.054726
- Title: Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate
- Title(参考訳): GLIMMERを用いた1型糖尿病管理:誤り率を修正したグルコースレベル指標モデル
- Authors: Saman Khamesian, Asiful Arefeen, Adela Grando, Bithika Thompson, Hassan Ghasemzadeh,
- Abstract要約: 我々は,血糖値を予測する機械学習手法であるGLIMMERを開発した。
GLIMMERは、グルコース値を正常および異常な範囲に分類し、ジグリセミック事象の精度を優先する新しいカスタム損失関数を考案する。
- 参考スコア(独自算出の注目度): 6.300322064585917
- License:
- Abstract: Managing Type 1 Diabetes (T1D) demands constant vigilance as individuals strive to regulate their blood glucose levels to avert the dangers of dysglycemia (hyperglycemia or hypoglycemia). Despite the advent of sophisticated technologies such as automated insulin delivery (AID) systems, achieving optimal glycemic control remains a formidable task. AID systems integrate continuous subcutaneous insulin infusion (CSII) and continuous glucose monitors (CGM) data, offering promise in reducing variability and increasing glucose time-in-range. However, these systems often fail to prevent dysglycemia, partly due to limitations in prediction algorithms that lack the precision to avert abnormal glucose events. This gap highlights the need for proactive behavioral adjustments. We address this need with GLIMMER, Glucose Level Indicator Model with Modified Error Rate, a machine learning approach for forecasting blood glucose levels. GLIMMER categorizes glucose values into normal and abnormal ranges and devises a novel custom loss function to prioritize accuracy in dysglycemic events where patient safety is critical. To evaluate the potential of GLIMMER for T1D management, we both use a publicly available dataset and collect new data involving 25 patients with T1D. In predicting next-hour glucose values, GLIMMER achieved a root mean square error (RMSE) of 23.97 (+/-3.77) and a mean absolute error (MAE) of 15.83 (+/-2.09) mg/dL. These results reflect a 23% improvement in RMSE and a 31% improvement in MAE compared to the best-reported error rates.
- Abstract(参考訳): 1型糖尿病の管理(T1D)は、血糖(高血糖または低血糖)の危険性を回避するために、個人が血糖値を調節しようとするため、常に警戒が必要である。
自動インスリンデリバリー(AID)システムのような高度な技術が出現したにもかかわらず、最適なグリセミック制御を達成することは、依然として恐ろしい課題である。
AIDシステムは、持続型皮下インスリン注入(CSII)と連続型グルコースモニター(CGM)データを統合し、変動の低減とグルコースの時間インレンジの増加を約束する。
しかしながら、これらのシステムは、異常なグルコースの発生を防ぐための精度が欠けている予測アルゴリズムの制限のために、血糖の予防に失敗することが多い。
このギャップは、積極的な行動調整の必要性を強調します。
GLIMMER, Glucose Level Indicator Model with Modified Error Rate, a machine learning approach for predicting blood glucose levels。
GLIMMERは、血糖値を正常および異常な範囲に分類し、患者の安全性が重要となるジグリセミック事象の精度を優先するために、新しいカスタム損失関数を考案する。
T1D管理におけるGLIMMERの有用性を評価するため,T1D患者25名を対象に,公開データセットと新たなデータ収集を行った。
次世代グルコース値の予測において、GLIMMERは23.97 (+/-3.77)の根平均二乗誤差(RMSE)、15.83 (+/-2.09) mg/dLの平均絶対誤差(MAE)を達成した。
これらの結果は、RMSEが23%改善し、MAEが31%改善したことを反映している。
関連論文リスト
- Let Curves Speak: A Continuous Glucose Monitor based Large Sensor Foundation Model for Diabetes Management [3.8195320624847833]
AIと継続的グルコースモニタリングを統合することは、近い将来のグルコース予測を約束する。
CGM-LSMは592人の糖尿病患者からの1596万のブドウ糖の記録に基づいて、近未来のグルコース予測のために事前訓練されている。
LSMは1型糖尿病患者29.81mg/dL、23.49mg/dLである。
論文 参考訳(メタデータ) (2024-12-12T21:35:13Z) - Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。
本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
論文 参考訳(メタデータ) (2024-12-02T07:14:25Z) - Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting [6.466206145151128]
GlucoNetは、行動と生理の健康を継続的に監視するAI駆動のセンサーシステムである。
本稿では,患者の行動・生理的データを組み込んだ分解型トランスフォーマーモデルを提案する。
GGlucoNetは、T1-Diabetesの12人を含むデータを用いて、RMSEの60%の改善とパラメータ数の21%削減を実現している。
論文 参考訳(メタデータ) (2024-11-16T05:09:20Z) - FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions [4.073768455373616]
連続グルコースモニタリング(Continuous glucose monitoring, CGM)デバイスは、血糖値のリアルタイムモニタリングと、血糖値の変動に対するタイムリーな警告を提供する。
低血糖や高血糖のような希少な出来事は、その頻度が低いために依然として困難である。
本稿では,血糖除去領域の性能を著しく向上させる新しいHH損失関数を提案する。
論文 参考訳(メタデータ) (2024-08-25T19:51:27Z) - 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) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳(メタデータ) (2023-10-24T11:34:15Z) - 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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳(メタデータ) (2022-07-02T11:50:02Z) - Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction [4.040272012640556]
本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。
6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。
以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
論文 参考訳(メタデータ) (2021-01-18T02:31:38Z) - 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。