論文の概要: Benchmarking ResNet for Short-Term Hypoglycemia Classification with DiaData
- arxiv url: http://arxiv.org/abs/2511.02849v1
- Date: Sun, 26 Oct 2025 18:29:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-09 16:58:40.067741
- Title: Benchmarking ResNet for Short-Term Hypoglycemia Classification with DiaData
- Title（参考訳）: DiaDataを用いた短期低血糖分類のためのベンチマークResNet
- Authors: Beyza Cinar, Maria Maleshkova,
- Abstract要約: 本研究では,2510名の被験者からT1Dのグルコース値を含む15種類のデータセットを統合することで,DiaDataのデータ品質を向上する。
品質改善データを使用しながら、より多くのデータによるトレーニングによってパフォーマンスが7%向上し、生データに比べて2～3%向上する。
- 参考スコア（独自算出の注目度）: 0.25884731694338026
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Individualized therapy is driven forward by medical data analysis, which provides insight into the patient's context. In particular, for Type 1 Diabetes (T1D), which is an autoimmune disease, relationships between demographics, sensor data, and context can be analyzed. However, outliers, noisy data, and small data volumes cannot provide a reliable analysis. Hence, the research domain requires large volumes of high-quality data. Moreover, missing values can lead to information loss. To address this limitation, this study improves the data quality of DiaData, an integration of 15 separate datasets containing glucose values from 2510 subjects with T1D. Notably, we make the following contributions: 1) Outliers are identified with the interquartile range (IQR) approach and treated by replacing them with missing values. 2) Small gaps ($\le$ 25 min) are imputed with linear interpolation and larger gaps ($\ge$ 30 and $<$ 120 min) with Stineman interpolation. Based on a visual comparison, Stineman interpolation provides more realistic glucose estimates than linear interpolation for larger gaps. 3) After data cleaning, the correlation between glucose and heart rate is analyzed, yielding a moderate relation between 15 and 60 minutes before hypoglycemia ($\le$ 70 mg/dL). 4) Finally, a benchmark for hypoglycemia classification is provided with a state-of-the-art ResNet model. The model is trained with the Maindatabase and Subdatabase II of DiaData to classify hypoglycemia onset up to 2 hours in advance. Training with more data improves performance by 7% while using quality-refined data yields a 2-3% gain compared to raw data.
- Abstract（参考訳）: 個別療法は、患者のコンテキストに関する洞察を提供する医療データ分析によって推進される。
特に、自己免疫疾患である1型糖尿病(T1D)については、人口動態、センサデータ、コンテキストの関係を分析することができる。
しかし、外れ値、ノイズの多いデータ、そして小さなデータボリュームは、信頼できる分析を提供することができない。
したがって、研究領域は大量の高品質なデータを必要とする。
さらに、欠落した値が情報損失につながる可能性がある。
この制限に対処するため、DiaDataのデータ品質を改善し、2510名の被験者のブドウ糖値を含む15のデータセットをT1Dと統合した。
特に、以下の貢献をしている。
1) インタクアタイルレンジ(IQR)アプローチで外乱を識別し, 欠落した値に置き換えて処理する。
2)小さなギャップ(25分)には線形補間とより大きなギャップ(30ドル)とスタインマン補間(120分)がある。
視覚的比較に基づいて、スタインマン補間はより大きなギャップに対して線形補間よりも現実的なグルコース推定を提供する。
3) データクリーニング後,血糖値と心拍数の相関を解析し,低血糖前15～60分(70mg/dL)の適度な相関性を示した。
4)最後に、低血糖分類のためのベンチマークには、最先端のResNetモデルが提供されている。
このモデルは、DiaDataのMaindatabaseとSubdatabase IIでトレーニングされ、低血糖の発症を最大2時間前に分類する。
品質改善データを使用しながら、より多くのデータによるトレーニングによってパフォーマンスが7%向上し、生データに比べて2～3%向上する。
関連論文リスト
- A Physiologically-Constrained Neural Network Digital Twin Framework for Replicating Glucose Dynamics in Type 1 Diabetes [2.1271939534174673]
1型糖尿病(T1D)患者の血糖動態のシミュレーションは、パーソナライズされた治療を開発し、データ駆動型臨床決定を支援するために重要である。
本稿では、T1Dのグルコース動態をシミュレートするために、生理的ニューラルネットワーク(NN)デジタルツインを紹介する。
デジタル双生児の394例中, 血糖値は模擬データと観察データとで同等であった。
論文 参考訳（メタデータ） (2025-08-07T03:46:06Z) - Presenting DiaData for Research on Type 1 Diabetes [0.5250756556290761]
この研究は15のデータセットを体系的に統合し、5分ごとにブドウ糖の測定値が記録された2510人の被験者の大規模なデータベースを提供する。
合計で1億1900万の計測結果が含まれており、そのうち4%が低血糖域の値を示している。
統合データセットは、性別と年齢の均等な分布を提供する。
論文 参考訳（メタデータ） (2025-08-05T14:29:43Z) - Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate [6.102406188211489]
本稿では,血糖値を予測する機械学習モデルであるGLIMMERを紹介する。
GLIMMERはグルコース値を正常および異常な範囲に分類し、新しいカスタム損失関数を用いる。
これらの結果は、RMSEが23%改善し、MAEが31%改善したことを示している。
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) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳（メタデータ） (2020-06-29T11:34:41Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z) - 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。