論文の概要: GlucoLens: Explainable Postprandial Blood Glucose Prediction from Diet and Physical Activity
- arxiv url: http://arxiv.org/abs/2503.03935v1
- Date: Wed, 05 Mar 2025 22:10:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 16:01:15.351189
- Title: GlucoLens: Explainable Postprandial Blood Glucose Prediction from Diet and Physical Activity
- Title（参考訳）: GlucoLens:食生活と身体活動から説明可能な食後血糖予測
- Authors: Abdullah Mamun, Asiful Arefeen, Susan B. Racette, Dorothy D. Sears, Corrie M. Whisner, Matthew P. Buman, Hassan Ghasemzadeh,
- Abstract要約: 食後の血糖値が正常値を超えることを特徴とする先天性高血糖は,2型糖尿病の進行を示す重要な指標である。
GlucoLensは、食事、活動、および最近のグルコースパターンからPAUCおよび高血糖を予測するための、説明可能な機械学習アプローチである。
- 参考スコア（独自算出の注目度）: 6.292642131180376
- License:
- Abstract: Postprandial hyperglycemia, marked by the blood glucose level exceeding the normal range after meals, is a critical indicator of progression toward type 2 diabetes in prediabetic and healthy individuals. A key metric for understanding blood glucose dynamics after eating is the postprandial area under the curve (PAUC). Predicting PAUC in advance based on a person's diet and activity level and explaining what affects postprandial blood glucose could allow an individual to adjust their lifestyle accordingly to maintain normal glucose levels. In this paper, we propose GlucoLens, an explainable machine learning approach to predict PAUC and hyperglycemia from diet, activity, and recent glucose patterns. We conducted a five-week user study with 10 full-time working individuals to develop and evaluate the computational model. Our machine learning model takes multimodal data including fasting glucose, recent glucose, recent activity, and macronutrient amounts, and provides an interpretable prediction of the postprandial glucose pattern. Our extensive analyses of the collected data revealed that the trained model achieves a normalized root mean squared error (NRMSE) of 0.123. On average, GlucoLense with a Random Forest backbone provides a 16% better result than the baseline models. Additionally, GlucoLens predicts hyperglycemia with an accuracy of 74% and recommends different options to help avoid hyperglycemia through diverse counterfactual explanations. Code available: https://github.com/ab9mamun/GlucoLens.
- Abstract（参考訳）: 食後の血糖値が正常値を超えることを特徴とする先天性高血糖は、糖尿病および健常者における2型糖尿病の進行を示す重要な指標である。
食後の血糖動態を理解するための重要な指標は、曲線(PAUC)の下での食後領域である。
食生活と活動レベルに基づいてPAUCを事前に予測し、血糖値に影響を及ぼす影響を説明することで、正常な血糖値を維持するために、個人がライフスタイルを調整することができる。
本稿では、食事、活動、および最近のグルコースパターンからPAUCおよび高血糖を予測するための、説明可能な機械学習手法であるGlucoLensを提案する。
10名のフルタイム作業者を対象に5週間のユーザスタディを行い,計算モデルの開発と評価を行った。
機械学習モデルは, 高速グルコース, 最近のグルコース, 最近の活動量, マクロ栄養量などのマルチモーダルデータを収集し, 生後グルコースパターンの解釈可能な予測を行う。
得られたデータを広範囲に解析した結果, 正規化根平均二乗誤差(NRMSE)が0.123であることがわかった。
平均すると、GlucoLenseとRandom Forestのバックボーンはベースラインモデルよりも16%良い結果をもたらす。
さらに、GlucoLensは74%の精度で高血糖を予測し、様々なカウンターファクト的な説明を通じて高血糖を避けるための様々な選択肢を推奨している。
コードはhttps://github.com/ab9mamun/GlucoLens。
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) - 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) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - 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) - Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。
本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
論文 参考訳（メタデータ） (2023-07-13T10:21:34Z) - Learning Difference Equations with Structured Grammatical Evolution for
Postprandial Glycaemia Prediction [0.0]
グルコース予測は、糖尿病患者の治療において、食事後の危険な合併症を避けるために不可欠である。
ニューラルネットワークのような従来の手法は高い精度を示している。
本稿では,解釈可能性を重視した新しいグルコース予測法を提案する。
論文 参考訳（メタデータ） (2023-07-03T12:22:04Z) - 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) - 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) - 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) - 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。