論文の概要: Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers

• arxiv url: http://arxiv.org/abs/2505.03784v1
• Date: Wed, 30 Apr 2025 16:10:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.801775
• Title: Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers
• Title（参考訳）: ウェアラブルと尿中バイオマーカーによるインスリン抵抗性予測
• Authors: Ahmed A. Metwally, A. Ali Heydari, Daniel McDuff, Alexandru Solot, Zeinab Esmaeilpour, Anthony Z Faranesh, Menglian Zhou, David B. Savage, Conor Heneghan, Shwetak Patel, Cathy Speed, Javier L. Prieto,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.735350554750916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Insulin resistance, a precursor to type 2 diabetes, is characterized by impaired insulin action in tissues. Current methods for measuring insulin resistance, while effective, are expensive, inaccessible, not widely available and hinder opportunities for early intervention. In this study, we remotely recruited the largest dataset to date across the US to study insulin resistance (N=1,165 participants, with median BMI=28 kg/m2, age=45 years, HbA1c=5.4%), incorporating wearable device time series data and blood biomarkers, including the ground-truth measure of insulin resistance, homeostatic model assessment for insulin resistance (HOMA-IR). We developed deep neural network models to predict insulin resistance based on readily available digital and blood biomarkers. Our results show that our models can predict insulin resistance by combining both wearable data and readily available blood biomarkers better than either of the two data sources separately (R2=0.5, auROC=0.80, Sensitivity=76%, and specificity 84%). The model showed 93% sensitivity and 95% adjusted specificity in obese and sedentary participants, a subpopulation most vulnerable to developing type 2 diabetes and who could benefit most from early intervention. Rigorous evaluation of model performance, including interpretability, and robustness, facilitates generalizability across larger cohorts, which is demonstrated by reproducing the prediction performance on an independent validation cohort (N=72 participants). Additionally, we demonstrated how the predicted insulin resistance can be integrated into a large language model agent to help understand and contextualize HOMA-IR values, facilitating interpretation and safe personalized recommendations. This work offers the potential for early detection of people at risk of type 2 diabetes and thereby facilitate earlier implementation of preventative strategies.
• Abstract（参考訳）: 2型糖尿病の前駆体であるインスリン抵抗性は、組織におけるインスリン作用の障害によって特徴づけられる。 現在のインスリン抵抗性測定法は、効果があるものの、高価でアクセス不能であり、広く利用できないため、早期介入の機会を妨げている。 本研究は,インスリン抵抗に関する基礎的尺度,インスリン抵抗に対するホメオスタティックモデル評価(HOMA-IR)を含むウェアラブルデバイス時系列データと血液バイオマーカーを組み込んだ,米国内最大のインスリン抵抗調査データセット(N=1,165名,中央値BMI=28 kg/m2,年齢=45歳,HbA1c=5.4%)を遠隔で採用した。 我々は,手軽に利用できる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ディープニューラルネットワークモデルを開発した。 以上の結果から,2つのデータソース (R2=0.5, auROC=0.80, Sensitivity=76%, 特異性84%) のいずれよりも, ウェアラブルデータと簡易なバイオマーカーを組み合わせることでインスリン抵抗を予測できることが示唆された。 2型糖尿病の発症に最も脆弱なサブ集団であり,早期介入の恩恵を受けることができる群では,93%の感受性と95%の調整された特異性を示した。 解釈可能性やロバスト性を含むモデル性能の厳密な評価は、独立した検証コホート(N=72名)上で予測性能を再現することにより、より大きなコホートをまたいだ一般化性を促進する。 さらに,HOMA-IR値の理解とコンテキスト化,解釈の容易化,パーソナライズドレコメンデーションの安全を支援するため,予測されたインスリン抵抗を大規模言語モデルエージェントに統合できることを実証した。 この研究は、2型糖尿病のリスクがある人の早期発見の可能性を提供し、予防戦略の早期実施を促進する。

関連論文リスト

• AI-driven Prediction of Insulin Resistance in Normal Populations: Comparing Models and Criteria [12.96699656980563]
  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。
  論文  参考訳（メタデータ） (2025-03-07T03:32:52Z)
• 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)
• Attention Networks for Personalized Mealtime Insulin Dosing in People with Type 1 Diabetes [0.30723404270319693]
  本稿では,自己注意型エンコーダネットワークを用いた強化学習エージェントが,この直感的な処理を効果的に模倣し,強化する方法を実証する。 その結果、センサー強化ポンプのシナリオでは16.5から9.6に、自動インスリンデリバリーのシナリオでは9.1から6.7に、血糖リスクは著しく低下した。
  論文  参考訳（メタデータ） (2024-06-18T17:59:32Z)
• 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)
• Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural Network and Machine Learning Classifiers [1.1470070927586016]
  本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。 トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。 私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
  論文  参考訳（メタデータ） (2023-01-08T19:10:20Z)
• Secure and Privacy-Preserving Automated Machine Learning Operations into End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring System for Diabetes Mellitus Prediction [0.5825410941577593]
  本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。 提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。 提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
  論文  参考訳（メタデータ） (2022-11-13T13:57:14Z)
• SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification [0.5551483435671848]
  2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。 画像由来の表現型と身体検査データを組み合わせて糖尿病リスクを正確に予測できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T23:39:52Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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。