論文の概要: Deep Learning-Based Hypoglycemia Classification Across Multiple Prediction Horizons

• arxiv url: http://arxiv.org/abs/2504.00009v1
• Date: Tue, 25 Mar 2025 10:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-06 06:33:38.007968
• Title: Deep Learning-Based Hypoglycemia Classification Across Multiple Prediction Horizons
• Title（参考訳）: 深層学習による低血糖分類 : 複数の予測ホライズンにまたがって
• Authors: Beyza Cinar, Jennifer Daniel Onwuchekwa, Maria Maleshkova,
• Abstract要約: 本研究では,単一分類モデルにおいて,短時間(最大2時間)と長期(最大24時間)の予測地平線(PH)を統合し,意思決定支援を強化する。 ResNet と LSTM モデルをグルコース濃度,インスリン投与量,加速度データに基づいて訓練した。 その結果,9つのクラスを分類する際のLSTMモデルの優位性を示した。
• 参考スコア（独自算出の注目度）: 0.4671908141423216
• License:
• Abstract: Type 1 diabetes (T1D) management can be significantly enhanced through the use of predictive machine learning (ML) algorithms, which can mitigate the risk of adverse events like hypoglycemia. Hypoglycemia, characterized by blood glucose levels below 70 mg/dL, is a life-threatening condition typically caused by excessive insulin administration, missed meals, or physical activity. Its asymptomatic nature impedes timely intervention, making ML models crucial for early detection. This study integrates short- (up to 2h) and long-term (up to 24h) prediction horizons (PHs) within a single classification model to enhance decision support. The predicted times are 5-15 min, 15-30 min, 30 min-1h, 1-2h, 2-4h, 4-8h, 8-12h, and 12-24h before hypoglycemia. In addition, a simplified model classifying up to 4h before hypoglycemia is compared. We trained ResNet and LSTM models on glucose levels, insulin doses, and acceleration data. The results demonstrate the superiority of the LSTM models when classifying nine classes. In particular, subject-specific models yielded better performance but achieved high recall only for classes 0, 1, and 2 with 98%, 72%, and 50%, respectively. A population-based six-class model improved the results with at least 60% of events detected. In contrast, longer PHs remain challenging with the current approach and may be considered with different models.
• Abstract（参考訳）: タイプ1糖尿病(T1D)の管理は、予測機械学習(ML)アルゴリズムを使用することで、低血糖のような有害事象のリスクを軽減することができる。 血糖値70mg/dL以下の血糖値で特徴づけられる低血糖は、通常過剰なインスリン投与、食事不足、身体活動によって引き起こされる致命的な症状である。 無症状性はタイムリーな介入を妨げるため、MLモデルは早期発見に不可欠である。 本研究では,単一分類モデルにおいて,短時間(最大2時間)と長期(最大24時間)の予測地平線(PH)を統合し,意思決定支援を強化する。 予測時間は5～15分,15～30分,30分-1h,1～2時間,2～4時間,4～8時間,8～12時間であった。 さらに、低血糖前に最大4時間まで分類する単純化されたモデルを比較する。 ResNet と LSTM モデルをグルコース濃度,インスリン投与量,加速度データに基づいて訓練した。 その結果,9つのクラスを分類する際のLSTMモデルの優位性を示した。 特に、主観的なモデルでは、性能は向上したが、0クラス、1クラス、および2クラスで、それぞれ98%、72%、50%で、高いリコールを達成した。 人口ベースの6クラスモデルでは、少なくとも60%の事象が検出され、結果が改善された。 対照的に、より長いPHは現在のアプローチでは困難なままであり、異なるモデルで考慮されるかもしれない。

関連論文リスト

• Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate [6.300322064585917]
  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。
  論文  参考訳（メタデータ） (2025-02-20T01:26:00Z)
• 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)
• 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)
• Using Reinforcement Learning to Simplify Mealtime Insulin Dosing for People with Type 1 Diabetes: In-Silico Experiments [0.40792653193642503]
  1型糖尿病(T1D)の患者は、食事時に最適なインスリン摂取量を計算するのに苦労する。 定性食事(QM)戦略に対応する最適な食事関連インスリン投与を推奨するRLエージェントを提案する。
  論文  参考訳（メタデータ） (2023-09-17T01:34:02Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• 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)
• 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)
• Forecasting blood sugar levels in Diabetes with univariate algorithms [0.630926369395004]
  ウェアラブルガジェットと組み合わされたAIプロシージャは、正確な一過性の血糖レベル予測モデルを伝達することができる。 この時点まで、情報駆動予測モデルを作成する主要な手法は、医師や患者が治療を理想的に変えるのに役立つ「期待できる限りの情報」を収集することであった。 我々は、ウェアラブルプロセッサ内での実行に適したAIタイムアレンジメントガイダンス戦略を利用して、これらのモデルの進歩を構築した。
  論文  参考訳（メタデータ） (2021-01-12T21:52:57Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement Learning: An In Silico Validation [16.93692520921499]
  単一ホルモン(インスリン)と二重ホルモン(インスリンとグルカゴン)のデリバリーのための新しい深層強化学習モデルを提案する。 成体コホートでは、目標範囲のパーセンテージは77.6%から80.9%に改善した。 青年コホートでは、目標範囲のパーセンテージが55.5%から65.9%に改善され、単一ホルモンが制御された。
  論文  参考訳（メタデータ） (2020-05-18T20:13:16Z)
• 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。