論文の概要: Diabetes Prediction and Management Using Machine Learning Approaches

• arxiv url: http://arxiv.org/abs/2506.11501v1
• Date: Fri, 13 Jun 2025 06:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.681579
• Title: Diabetes Prediction and Management Using Machine Learning Approaches
• Title（参考訳）: 機械学習を用いた糖尿病の予測と管理
• Authors: Mowafaq Salem Alzboon, Muhyeeddin Alqaraleh, Mohammad Subhi Al-Batah,
• Abstract要約: 本研究は,糖尿病リスク分類に対する統計的および非統計的機械学習手法の予測能力を強調した。 この実験は、糖尿病予測に関する精度と有効性の観点から、さまざまな種類の機械学習アルゴリズムを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetes has emerged as a significant global health issue, especially with the increasing number of cases in many countries. This trend Underlines the need for a greater emphasis on early detection and proactive management to avert or mitigate the severe health complications of this disease. Over recent years, machine learning algorithms have shown promising potential in predicting diabetes risk and are beneficial for practitioners. Objective: This study highlights the prediction capabilities of statistical and non-statistical machine learning methods over Diabetes risk classification in 768 samples from the Pima Indians Diabetes Database. It consists of the significant demographic and clinical features of age, body mass index (BMI) and blood glucose levels that greatly depend on the vulnerability against Diabetes. The experimentation assesses the various types of machine learning algorithms in terms of accuracy and effectiveness regarding diabetes prediction. These algorithms include Logistic Regression, Decision Tree, Random Forest, K-Nearest Neighbors, Naive Bayes, Support Vector Machine, Gradient Boosting and Neural Network Models. The results show that the Neural Network algorithm gained the highest predictive accuracy with 78,57 %, and then the Random Forest algorithm had the second position with 76,30 % accuracy. These findings show that machine learning techniques are not just highly effective. Still, they also can potentially act as early screening tools in predicting Diabetes within a data-driven fashion with valuable information on who is more likely to get affected. In addition, this study can help to realize the potential of machine learning for timely intervention over the longer term, which is a step towards reducing health outcomes and disease burden attributable to Diabetes on healthcare systems
• Abstract（参考訳）: 糖尿病は重要な世界的な健康問題として現れており、特に多くの国で症例が増えている。 この傾向は、この病気の重篤な健康合併症を回避または緩和するために早期発見と積極的な管理に重点を置く必要性を浮き彫りにしている。 近年、機械学習アルゴリズムは糖尿病のリスクを予測する有望な可能性を示しており、実践者にとって有益である。 目的:本研究では,Pima Indians Diabetes Databaseの768サンプルにおいて,糖尿病リスク分類に対する統計的および非統計的機械学習手法の予測能力を強調した。 年齢、体重指数(BMI)、血糖値の有意な人口統計学的および臨床的特徴からなり、糖尿病に対する脆弱性に大きく依存する。 この実験は、糖尿病予測に関する精度と有効性の観点から、さまざまな種類の機械学習アルゴリズムを評価する。 これらのアルゴリズムには、ロジスティック回帰、決定木、ランダムフォレスト、K-Nearest Neighbors、Naive Bayes、サポートベクトルマシン、グラディエントブースティング、ニューラルネットワークモデルが含まれる。 その結果,ニューラルネットワークアルゴリズムは78,57 %の予測精度を示し,ランダムフォレストアルゴリズムは76,30 %の精度で第2位となった。 これらの結果から,機械学習技術は必ずしも有効ではないことが示唆された。 それでも同社は、データ駆動型で糖尿病を予測するための早期スクリーニングツールとして、誰が影響を受けやすいかを示す貴重な情報を提供することもできる。 この研究は、医療システムにおける糖尿病による健康影響と疾病の負担を軽減するためのステップである、長期的介入のための機械学習の可能性を実現する上でも有効である。

関連論文リスト

• A Comparative Study of Machine Learning Techniques for Early Prediction of Diabetes [0.0]
  本研究は,糖尿病予測のための機械学習手法の有効性を評価することを目的とする。 評価されたテクニックは、ロジスティック回帰、決定木、ランダムフォレスト、k-Nearest Neighbors、Naive Bayes、サポートベクトルマシン、グラディエントブースティング、ニューラルネットワークである。 この結果は、ニューラルネットワークアルゴリズムが78.7%の精度で最善を尽くし、続いてランダムフォレスト法が76.30%の精度で実行されたことを示している。
  論文  参考訳（メタデータ） (2025-06-11T21:12:28Z)
• Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
  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。
  論文  参考訳（メタデータ） (2025-04-30T16:10:20Z)
• 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)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• Diabetes detection using deep learning techniques with oversampling and feature augmentation [0.3749861135832073]
  糖尿病は慢性の病理であり、ここ数年でますます多くの人に影響を与えている。 毎年多数の死者が出ている。 この病気を患っている多くの人々は、健康状態の深刻さを十分に理解していない。
  論文  参考訳（メタデータ） (2024-02-03T15:30:20Z)
• Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
  本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-09-14T15:09:35Z)
• 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)
• Hybrid stacked ensemble combined with genetic algorithms for Prediction of Diabetes [0.0]
  糖尿病は、世界で最も一般的で危険で高価な病気の1つです。 本研究では、カリフォルニア大学のウェブサイトで、インドの糖尿病に関する実際のデータである実験データを用いています。 結果は、98.8%に達した疾患の診断における提案手法の高性能と99%の精度を示した。
  論文  参考訳（メタデータ） (2021-03-15T07:47:23Z)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• 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。