論文の概要: AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria

• arxiv url: http://arxiv.org/abs/2503.05119v1
• Date: Fri, 07 Mar 2025 03:32:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:42.202959
• Title: AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria
• Title（参考訳）: 正常集団におけるAIによるインスリン抵抗の予測 : モデルと基準の比較
• Authors: Weihao Gao, Zhuo Deng, Zheng Gong, Ziyi Jiang, Lan Ma,
• Abstract要約: インスリン抵抗性(IR)は糖尿病の主要な前駆体であり、心血管疾患の重要な危険因子である。 我々は,非糖尿病集団において,血糖値の高速化だけでIRを予測できる簡単なAIモデルを開発した。 NHANES (1999-2020) とCHARLS研究のデータは、モデルトレーニングと検証に使用された。 CatBoost アルゴリズムは NHANES において 0.8596 (HOMA-IR) と 0.7777 (TyG index) の AUC を達成し、外部の AUC は 0.7442 である。 METS-IR予測では、AUCの0.9731(内部値)を達成した。
• 参考スコア（独自算出の注目度）: 12.96699656980563
• License:
• Abstract: Insulin resistance (IR) is a key precursor to diabetes and a significant risk factor for cardiovascular disease. Traditional IR assessment methods require multiple blood tests. We developed a simple AI model using only fasting blood glucose to predict IR in non-diabetic populations. Data from the NHANES (1999-2020) and CHARLS (2015) studies were used for model training and validation. Input features included age, gender, height, weight, blood pressure, waist circumference, and fasting blood glucose. The CatBoost algorithm achieved AUC values of 0.8596 (HOMA-IR) and 0.7777 (TyG index) in NHANES, with an external AUC of 0.7442 for TyG. For METS-IR prediction, the model achieved AUC values of 0.9731 (internal) and 0.9591 (external), with RMSE values of 3.2643 (internal) and 3.057 (external). SHAP analysis highlighted waist circumference as a key predictor of IR. This AI model offers a minimally invasive and effective tool for IR prediction, supporting early diabetes and cardiovascular disease prevention.
• Abstract（参考訳）: インスリン抵抗性(IR)は糖尿病の主要な前駆体であり、心血管疾患の重要な危険因子である。 従来のIR評価法では、複数の血液検査が必要である。 我々は,非糖尿病集団において,血糖値の高速化だけでIRを予測できる簡単なAIモデルを開発した。 NHANES (1999-2020) とCHARLS (2015) の研究データを用いて、モデルトレーニングと検証を行った。 入力された特徴としては、年齢、性別、身長、体重、血圧、腰回り、血液グルコースの速効がある。 CatBoost のアルゴリズムは NHANES において 0.8596 (HOMA-IR) と 0.7777 (TyG index) の AUC を達成し、外部の AUC は 0.7442 である。 METS-IRの予測では、AUCの値は0.9731(内部)と0.9591(外部)でRMSEの値は3.2643(内部)と3.057(外部)であった。 SHAP分析は、腰の周囲をIRの重要な予測因子として強調した。 このAIモデルは、早期糖尿病と心血管疾患予防をサポートする、赤外線予測のための最小限の侵襲的で効果的なツールを提供する。

関連論文リスト

• 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)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Supervised Learning Models for Early Detection of Albuminuria Risk in Type-2 Diabetes Mellitus Patients [0.0]
  本研究の目的は,T2DM患者にアルブミン尿を発症するリスクを予測するための教師付き学習モデルを開発することである。 特徴として10の属性、目標として1の属性(アルブミン尿症)から構成される。 これはそれぞれ0.74と0.75の精度とf1スコアの値を達成し、T2DMの尿失調を予測するためのスクリーニングに適していた。
  論文  参考訳（メタデータ） (2023-09-28T08:41:12Z)
• 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)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Using Machine Learning Techniques to Identify Key Risk Factors for Diabetes and Undiagnosed Diabetes [0.0]
  本稿では,糖尿病の有無と未診断糖尿病の有無を予測するために構築された機械学習モデルについて概説する。 次に、最高のパフォーマンスモデルの最も関連性の高い変数を比較します。 血液浸透圧、家族歴、様々な化合物の有病率、高血圧は全ての糖尿病リスクの指標である。
  論文  参考訳（メタデータ） (2021-05-19T20:02:35Z)
• Predicting Risk of Developing Diabetic Retinopathy using Deep Learning [6.200560025035929]
  糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。 糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
  論文  参考訳（メタデータ） (2020-08-10T19:07:22Z)
• 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)
• Instant automatic diagnosis of diabetic retinopathy [36.2143325805188]
  OphtAIは、眼のラテラルを認識し、参照可能なDRを検出し、DR重症度を評価するために訓練された畳み込みニューラルネットワークのアンサンブルに依存している。 システムは164,660のスクリーニング手順から,733,848の画像のデータセットを用いて開発,検証した。 OphtAIは、FDAが認可している唯一のAIシステムよりも安全で高速で包括的だ。
  論文  参考訳（メタデータ） (2019-06-12T08:34:57Z)

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。