論文の概要: A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia

• arxiv url: http://arxiv.org/abs/2601.11615v1
• Date: Fri, 09 Jan 2026 23:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.794504
• Title: A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia
• Title（参考訳）: グルコースレベルと低血糖の予測のための機械学習手法の検討
• Authors: Beyza Cinar, Louisa van den Boom, Maria Maleshkova,
• Abstract要約: 機械学習(ML)モデルは、低血糖を予測し、最適な予防方法を提供することで、糖尿病管理を改善することができる。 本総説では,1型糖尿病(T1D)患者の連続血糖モニタリング(CGM)デバイスデータに基づいて訓練した最先端モデルについて検討する。 短期(15分から120分)と長期(3時間から24時間以上)の予測地平線(PH)を比較した。
• 参考スコア（独自算出の注目度）: 0.23031174164121124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Type 1 Diabetes (T1D) is an autoimmune disease leading to insulin insufficiency. Thus, patients require lifelong insulin therapy, which has a side effect of hypoglycemia. Hypoglycemia is a critical state of decreased blood glucose levels (BGL) below 70 mg/dL and is associated with increased risk of mortality. Machine learning (ML) models can improve diabetes management by predicting hypoglycemia and providing optimal prevention methods. ML models are classified into regression and classification based, that forecast glucose levels and identify events based on defined labels, respectively. This review investigates state-of-the-art models trained on data of continuous glucose monitoring (CGM) devices from patients with T1D. We compare the models' performance across short-term (15 to 120 min) and long term (3 to more than 24 hours) prediction horizons (PHs). Particularly, we explore: 1) How much in advance can glucose values or a hypoglycemic event be accurately predicted? 2) Which models have the best performance? 3) Which factors impact the performance? and 4) Does personalization increase performance? The results show that 1) a PH of up to 1 hour provides the best results. 2) Conventional ML methods yield the best results for classification and DL for regression. A single model cannot adequately classify across multiple PHs. 3) The model performance is influenced by multivariate datasets and the input sequence length (ISL). 4) Personal data enhances performance but due to limited data quality population-based models are preferred.
• Abstract（参考訳）: 1型糖尿病(T1D)はインスリン欠乏を引き起こす自己免疫疾患である。 したがって、患者は低血糖の副作用がある生涯のインスリン療法を必要とする。 低血糖は、血糖値(BGL)が70mg/dL未満の臨界状態であり、死亡リスクの増加と関連している。 機械学習(ML)モデルは、低血糖を予測し、最適な予防方法を提供することで、糖尿病管理を改善することができる。 MLモデルは回帰と分類に基づいて分類され、それぞれブドウ糖レベルを予測し、定義されたラベルに基づいてイベントを識別する。 本総説では,T1D患者の連続血糖モニタリング(CGM)装置のデータに基づいて訓練した最先端モデルについて検討する。 モデルの性能を短期(15～120分)と長期(3〜24時間以上)の予測地平線(PH)で比較した。 特に、私たちは以下のことを探求します。 1)血糖値や低血糖事象を正確に予測できるのか? 2) どのモデルに最高のパフォーマンスがあるか? 3)パフォーマンスに影響を及ぼす要因は何か? そして 4)パーソナライゼーションはパフォーマンスを高めるか? その結果は 1) 最大1時間までのPHが最良の結果をもたらす。 2) 従来のML手法は分類に最適であり, 回帰にはDLが最適である。 単一モデルは複数のPHを適切に分類することはできない。 3) モデル性能は多変量データセットと入力シーケンス長(ISL)の影響を受けている。 4) 個人データの性能は向上するが, 限られたデータ品質に基づくモデルが好まれる。

関連論文リスト

• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• 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)
• Deep Learning-Based Hypoglycemia Classification Across Multiple Prediction Horizons [0.4671908141423216]
  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。
  論文  参考訳（メタデータ） (2025-03-25T10:24:27Z)
• 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)
• 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)
• Chronic Disease Diagnoses Using Behavioral Data [42.96592744768303]
  高血糖(糖尿病)、高脂血症、高血圧(総称3H)を独自の行動データを用いて診断することを目的としている。
  論文  参考訳（メタデータ） (2024-10-04T12:52:49Z)
• 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)
• 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)
• 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。