論文の概要: Use of Continuous Glucose Monitoring with Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes

• arxiv url: http://arxiv.org/abs/2511.03986v1
• Date: Thu, 06 Nov 2025 02:15:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.274814
• Title: Use of Continuous Glucose Monitoring with Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes
• Title（参考訳）: 機械学習を用いたグルコース連続モニタリングによるメタボリックサブフェノタイプとインフォーム精密ライフスタイルの変化の同定
• Authors: Ahmed A. Metwally, Heyjun Park, Yue Wu, Tracey McLaughlin, Michael P. Snyder,
• Abstract要約: 静的血糖閾値による糖尿病および前糖尿病の分類は、病態生理的血糖不均一性を曖昧にする。 連続グルコースモニタリングとウェアラブル技術は,非侵襲的,動的代謝表現型へのパラダイムシフトを可能にすることを示す。
• 参考スコア（独自算出の注目度）: 4.643854266548864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classification of diabetes and prediabetes by static glucose thresholds obscures the pathophysiological dysglycemia heterogeneity, primarily driven by insulin resistance (IR), beta-cell dysfunction, and incretin deficiency. This review demonstrates that continuous glucose monitoring and wearable technologies enable a paradigm shift towards non-invasive, dynamic metabolic phenotyping. We show evidence that machine learning models can leverage high-resolution glucose data from at-home, CGM-enabled oral glucose tolerance tests to accurately predict gold-standard measures of muscle IR and beta-cell function. This personalized characterization extends to real-world nutrition, where an individual's unique postprandial glycemic response (PPGR) to standardized meals, such as the relative glucose spike to potatoes versus grapes, could serve as a biomarker for their metabolic subtype. Moreover, integrating wearable data reveals that habitual diet, sleep, and physical activity patterns, particularly their timing, are uniquely associated with specific metabolic dysfunctions, informing precision lifestyle interventions. The efficacy of dietary mitigators in attenuating PPGR is also shown to be phenotype-dependent. Collectively, this evidence demonstrates that CGM can deconstruct the complexity of early dysglycemia into distinct, actionable subphenotypes. This approach moves beyond simple glycemic control, paving the way for targeted nutritional, behavioral, and pharmacological strategies tailored to an individual's core metabolic defects, thereby paving the way for a new era of precision diabetes prevention.
• Abstract（参考訳）: 糖尿病と糖尿病の静的な血糖閾値による分類は、インスリン抵抗性(IR)、ベータ細胞機能障害、インクレチン欠乏によって引き起こされる病態生理的血糖不均一性を曖昧にする。 本総説では, 連続グルコースモニタリングとウェアラブル技術により, 非侵襲的, 動的代謝表現型へのパラダイムシフトが可能になることを実証する。 機械学習モデルでは, 家庭内におけるCGM対応経口グルコース耐性試験の高分解能グルコースデータを利用して, 筋赤外およびβ細胞機能のゴールド標準測定を正確に予測できることを示す。 このパーソナライズされた特徴は、実際の栄養にまで拡張され、ポテトとブドウの相対的なグルコーススパイクのような標準化された食事に対する個人独自の食後血糖反応(PPGR)は、代謝サブタイプのバイオマーカーとして機能する。 さらに、ウェアラブルデータを統合することで、習慣的な食事、睡眠、身体活動パターン、特にそのタイミングは、特定の代謝機能障害と一意に関連し、正確なライフスタイルの介入を通知することを明らかにする。 PPGRの減衰に対する食餌緩和剤の効果も表現型に依存していることが示されている。 この証拠は、CGMが早期血糖の複雑さを異なる作用可能な亜フェノタイプに分解できることを示している。 このアプローチは、単純な血糖コントロールを超えて、個人の中核代謝異常に合わせた、栄養、行動、薬理学的戦略の道を開くことによって、新しい精度糖尿病予防の道を開く。

関連論文リスト

• 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)
• LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet [6.292642131180376]
  食後の血糖値が正常値を超えることが特徴である。 食後の血糖動態を理解するための重要な指標は、曲線(AUC)下の後部領域である 我々は、センサー駆動の入力を取り込み、高度なデータ処理、大規模言語モデル、トレーニング可能な機械学習モデルを使用する、説明可能な機械学習ソリューションであるGlucoLensを開発した。
  論文  参考訳（メタデータ） (2025-03-05T22:10:14Z)
• Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting [6.466206145151128]
  GlucoNetは、行動と生理の健康を継続的に監視するAI駆動のセンサーシステムである。 本稿では,患者の行動・生理的データを組み込んだ分解型トランスフォーマーモデルを提案する。 GGlucoNetはRMSEの60%の改善とパラメータ数の21%削減を実現し、T1-Diabetesの12名を含むデータを用いてRMSEとMAEを51%と57%改善した。
  論文  参考訳（メタデータ） (2024-11-16T05:09:20Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• 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)
• Toward Short-Term Glucose Prediction Solely Based on CGM Time Series [4.7066018521459725]
  TimeGluは、CGM時系列データに基づく短期的なグルコース予測のためのエンドツーエンドパイプラインである。 患者の個人データを追加することなく、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-04-18T06:02:12Z)
• 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。