Fugu-MT 論文翻訳(概要): LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet

論文の概要: LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet

arxiv url: http://arxiv.org/abs/2503.03935v2
Date: Thu, 03 Jul 2025 16:39:21 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-04 19:52:56.751106
Title: LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet
Title（参考訳）: LLMによる高血糖の予測とウェアラブルと食生活からの行動療法経路の発見
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。
参考スコア（独自算出の注目度）: 6.292642131180376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Postprandial hyperglycemia, marked by the blood glucose level exceeding the normal range after consuming a meal, is a critical indicator of progression toward type 2 diabetes in people with prediabetes and in healthy individuals. A key metric for understanding blood glucose dynamics after eating is the postprandial area under the curve (AUC). Predicting postprandial AUC in advance based on a person's lifestyle factors, such as diet and physical activity level, and explaining the factors that affect postprandial blood glucose could allow an individual to adjust their lifestyle accordingly to maintain normal glucose levels. In this study, we developed an explainable machine learning solution, GlucoLens, that takes sensor-driven inputs and uses advanced data processing, large language models, and trainable machine learning models to predict postprandial AUC and hyperglycemia from diet, physical activity, and recent glucose patterns. We used data obtained from wearables in a five-week clinical trial of 10 adults who worked full-time to develop and evaluate the proposed computational model that integrates wearable sensing, multimodal data, and machine learning. Our machine learning model takes multimodal data from wearable activity and glucose monitoring sensors, along with food and work logs, and provides an interpretable prediction of the postprandial glucose pattern. Our GlucoLens system achieves a normalized root mean squared error (NRMSE) of 0.123 in its best configuration. On average, the proposed technology provides a 16% better performance level compared to the comparison models. Additionally, our technique predicts hyperglycemia with an accuracy of 73.3% and an F1 score of 0.716 and recommends different treatment 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、糖尿病患者や健常人における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(AUC)の下での食後領域である。食生活や身体活動レベルなどの生活習慣の要因に基づいて前もって食後AUCを予測し、食後血糖に影響を及ぼす要因を説明することで、正常な血糖値を維持するために、個人が生活習慣を調整できる可能性がある。本研究では、センサ駆動型入力を取り入れ、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用いて、食事、身体活動、最近のグルコースパターンから食後AUCおよび高血糖を予測する、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。我々は,ウェアラブルセンサ,マルチモーダルデータ,マシンラーニングを統合した計算モデルの開発と評価のために,フルタイムで作業した成人10名を対象に,ウェアラブルから得られたデータを5週間の臨床試験で使用した。我々の機械学習モデルは、食品や作業ログとともに、ウェアラブルアクティビティやグルコースモニタリングセンサーからのマルチモーダルデータを収集し、後血糖パターンの解釈可能な予測を提供する。我々のGlucoLensシステムは、その最適構成で0.123の正規化ルート平均二乗誤差(NRMSE)を達成する。提案技術は平均して比較モデルよりも16%優れた性能レベルを提供する。さらに、この手法は、73.3%の精度で高血糖を予測し、F1スコアは0.716と予測し、様々な反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治療法を推奨する。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)
Chronic Disease Diagnoses Using Behavioral Data [42.96592744768303]
高血糖(糖尿病)、高脂血症、高血圧(総称3H)を独自の行動データを用いて診断することを目的としている。
論文参考訳（メタデータ） (2024-10-04T12:52:49Z)
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)
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。