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/2502.14183v2
• Date: Fri, 01 Aug 2025 20:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 14:07:56.279104
• 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, Maria Adela Grando, Bithika M. Thompson, Hassan Ghasemzadeh,
• Abstract要約: 本稿では,血糖値を予測する機械学習モデルであるGLIMMERを紹介する。 GLIMMERはグルコース値を正常および異常な範囲に分類し、新しいカスタム損失関数を用いる。 これらの結果は、RMSEが23%改善し、MAEが31%改善したことを示している。
• 参考スコア（独自算出の注目度）: 6.102406188211489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Managing Type 1 Diabetes (T1D) demands constant vigilance as individuals strive to regulate their blood glucose levels to avoid the harmful effects of dysglycemia, including both hyperglycemia and hypoglycemia. Despite the development of advanced technologies such as automated insulin delivery (AID) systems, achieving optimal glycemic control remains challenging. AID systems combine continuous subcutaneous insulin infusion with data from continuous glucose monitors (CGMs), offering potential benefits in reducing glucose variability and increasing time-in-range. However, these systems still frequently fail to prevent dysglycemia, partly due to limitations in their prediction algorithms, which lack the accuracy needed to avert abnormal glucose events. This shortcoming highlights the need for more advanced glucose forecasting methods. To address this need, we introduce GLIMMER, Glucose Level Indicator Model with Modified Error Rate, a machine learning-based model for predicting blood glucose levels. GLIMMER classifies glucose values into normal and abnormal ranges and employs a novel custom loss function that prioritizes accuracy in dysglycemic regions, where patient safety is most critical. To evaluate GLIMMER's effectiveness for T1D management, we used both a publicly available dataset and a newly collected dataset involving 25 individuals with T1D. In forecasting glucose levels for the next hour, 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 represent a 23% improvement in RMSE and a 31% improvement in MAE compared to the best previously reported models.
• Abstract（参考訳）: 1型糖尿病の管理(T1D)は、高血糖と低血糖の両方を含む血糖の有害な影響を避けるために、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開発されているにもかかわらず、最適な血糖コントロールを達成することは依然として困難である。 AIDシステムは、持続的な皮下インスリン注入と連続血糖モニター(CGM)のデータを組み合わせることで、グルコースの変動を減らし、タイム・イン・レンジを増大させる潜在的な利点を提供する。 しかしながら、これらのシステムは、異常なグルコース発生を防ぐのに必要な正確さが欠如し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。 この欠点は、より高度なグルコース予測方法の必要性を強調している。 そこで本研究では,血糖値を予測する機械学習モデルであるGLIMMER(Glucose Level Indicator Model with Modified Error Rate)を導入する。 GLIMMERは、血糖値を正常および異常な範囲に分類し、患者の安全性が最重要となる血糖値領域の精度を優先する新しいカスタム損失関数を用いる。 GLIMMERによるT1D管理の有効性を評価するため,T1D患者25名を対象に,公開データセットと新たに収集したデータセットを併用した。 次の1時間のグルコース濃度の予測では、GLIMMERは23.97 (+/-3.77)の根平均二乗誤差(RMSE)、15.83 (+/-2.09)の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%改善したことを示している。

関連論文リスト

• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
  われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。 ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。 モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
  論文  参考訳（メタデータ） (2025-04-30T16:10:20Z)
• GlyTwin: Digital Twin for Glucose Control in Type 1 Diabetes Through Optimal Behavioral Modifications Using Patient-Centric Counterfactuals [6.102406188211489]
  GlyTwinは、グルコース調節のための最適処理をシミュレートするために、対実的説明を用いた新しいデジタルツインフレームワークである。 GlyTwinは高血糖を予防する行動療法の提案を生成する。 結果は、GlyTwinが最先端のカウンターファクト法を上回り、76.6%が有効で、86%が効果的な介入を生んでいることを示している。
  論文  参考訳（メタデータ） (2025-04-14T03:32:39Z)
• LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet [6.292642131180376]
  食後の血糖値が正常値を超えることが特徴である。 食後の血糖動態を理解するための重要な指標は、曲線(AUC)下の後部領域である 我々は、センサー駆動の入力を取り込み、高度なデータ処理、大規模言語モデル、トレーニング可能な機械学習モデルを使用する、説明可能な機械学習ソリューションであるGlucoLensを開発した。
  論文  参考訳（メタデータ） (2025-03-05T22:10:14Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• 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。