論文の概要: Tailoring Adverse Event Prediction in Type 1 Diabetes with Patient-Specific Deep Learning Models

• arxiv url: http://arxiv.org/abs/2601.14917v1
• Date: Wed, 21 Jan 2026 11:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.348879
• Title: Tailoring Adverse Event Prediction in Type 1 Diabetes with Patient-Specific Deep Learning Models
• Title（参考訳）: 患者特異的深層学習モデルを用いた1型糖尿病の逆事象予測
• Authors: Giorgia Rigamonti, Mirko Paolo Barbato, Davide Marelli, Paolo Napoletano,
• Abstract要約: 本稿では,深層学習に基づく血糖予測手法を提案する。 従来の一般化モデルとは異なり、本手法は個々の変数を考慮し、より効果的な主観的予測を可能にする。 その結果、パーソナライズされたモデルでは、有害事象の予測が大幅に改善された。
• 参考スコア（独自算出の注目度）: 4.201695852847293
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective management of Type 1 Diabetes requires continuous glucose monitoring and precise insulin adjustments to prevent hyperglycemia and hypoglycemia. With the growing adoption of wearable glucose monitors and mobile health applications, accurate blood glucose prediction is essential for enhancing automated insulin delivery and decision-support systems. This paper presents a deep learning-based approach for personalized blood glucose prediction, leveraging patient-specific data to improve prediction accuracy and responsiveness in real-world scenarios. Unlike traditional generalized models, our method accounts for individual variability, enabling more effective subject-specific predictions. We compare Leave-One-Subject-Out Cross-Validation with a fine-tuning strategy to evaluate their ability to model patient-specific dynamics. Results show that personalized models significantly improve the prediction of adverse events, enabling more precise and timely interventions in real-world scenarios. To assess the impact of patient-specific data, we conduct experiments comparing a multimodal, patient-specific approach against traditional CGM-only methods. Additionally, we perform an ablation study to investigate model performance with progressively smaller training sets, identifying the minimum data required for effective personalization-an essential consideration for real-world applications where extensive data collection is often challenging. Our findings underscore the potential of adaptive, personalized glucose prediction models for advancing next-generation diabetes management, particularly in wearable and mobile health platforms, enhancing consumer-oriented diabetes care solutions.
• Abstract（参考訳）: 1型糖尿病の効果的な管理には、血糖値と低血糖を予防するために、継続的なグルコースモニタリングと正確なインスリン調整が必要である。 ウェアラブルグルコースモニターやモバイル健康機器の普及に伴い、自動インスリンデリバリーと意思決定支援システムの強化には正確な血糖予測が不可欠である。 本稿では、患者固有のデータを活用し、現実のシナリオにおける予測精度と応答性を改善するための深層学習に基づく血糖予測手法を提案する。 従来の一般化モデルとは異なり、本手法は個々の変数を考慮し、より効果的な主観的予測を可能にする。 患者固有のダイナミックスをモデル化する能力を評価するための微調整戦略を,Leave-One-Subject-Out Cross-Validationと比較した。 その結果、パーソナライズされたモデルは有害事象の予測を大幅に改善し、現実のシナリオにおけるより正確でタイムリーな介入を可能にした。 患者固有のデータの影響を評価するため,従来のCGMのみの手法とマルチモーダル,患者固有のアプローチの比較実験を行った。 さらに,大規模なデータ収集が困難な現実のアプリケーションにおいて,効果的なパーソナライズに必要な最小限のデータを特定することを目的として,段階的に少ないトレーニングセットでモデル性能を調査するアブレーション研究を行った。 本研究は, 次世代糖尿病管理, 特にウェアラブルとモバイルの健康プラットフォームにおいて, 消費者指向の糖尿病ケアソリューションを向上するための適応的, パーソナライズされたグルコース予測モデルの可能性を明らかにするものである。

関連論文リスト

• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• 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)
• A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management [3.8195320624847833]
  CGM-LSMはトランスフォーマーデコーダをベースとしたLarge Sensor Model (LSM) で, 糖尿病, 年齢, 性別の異なる患者から160万のCGMレコードを事前訓練した。 CGMデータに埋め込まれた潜伏知識を学習するために, 患者をグルコース時間ステップのシーケンスとしてモデル化し, 2時間水平線での血糖値の予測に応用する。 従来の方法と比較して、CGM-LSMは予測精度とロバスト性を大幅に改善し、1時間水平線予測におけるルート平均2乗誤差を48.51%削減し、保持された患者群間で一貫したゼロショット予測性能を向上した。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• 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)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Deep Personalized Glucose Level Forecasting Using Attention-based Recurrent Neural Networks [5.250950284616893]
  本研究では,血糖予測の問題点について検討し,深いパーソナライズド・ソリューションを提供する。 データを解析し、重要なパターンを検出する。 実データセット上でモデルの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T01:36:53Z)
• Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
  糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
  論文  参考訳（メタデータ） (2020-09-08T13:20:15Z)
• 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。