論文の概要: Impact of Age Specialized Models for Hypoglycemia Classification
- arxiv url: http://arxiv.org/abs/2604.23732v1
- Date: Sun, 26 Apr 2026 14:20:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.526611
- Title: Impact of Age Specialized Models for Hypoglycemia Classification
- Title（参考訳）: 低血糖分類における年齢特化モデルの影響
- Authors: Beyza Cinar, Maria Maleshkova,
- Abstract要約: DiaDataを用いて低血糖0, 5-15, 20-45, 50-120分後に発症した。
その結果, 人口ベースモデルでは, 年齢別モデルと比較して, 同様の, あるいは優れた性能が得られた。
これらの結果から,小児,10代,成人のデータは低血糖分類のトレーニングモデルに組み合わされることが示唆された。
- 参考スコア（独自算出の注目度）: 0.25884731694338026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Disease progression varies with age and is influenced by underlying genetic, biochemical, and hormonal etiologies, suggesting the need for tailored monitoring, care, and medication beyond standard clinical guidelines. Specifically, in autoimmune diseases like type 1 diabetes (T1D), where patients depend on exogenous insulin to compensate for insulin deficiency, medication dosing and the physiological response reflected in vital signs can differ. Insulin therapy can lead to hypoglycemia, a dangerous condition characterized by decreased blood glucose levels ($\leq$70). This risk can be mitigated through improved diabetes management supported by data analytics. Notably, leveraging data from continuous glucose monitoring (CGM) devices, hypoglycemia onset can be predicted. However, while glucose variability, auto-antibody levels, and hypoglycemia occurrence differ across age groups, hypoglycemia classification most often only relies on population-based models specialized in specific age ranges. In this work, we classify hypoglycemia 0, 5-15, 20-45, and 50-120 minutes before onset using DiaData, a large CGM dataset of patients with T1D ranging from children to seniors. In particular, we investigate: 1) the generalizability of a population-based model including all age groups, 2) the impact of age-segmented models trained separately per age group, and 3) the effect of model individualization through transfer learning. The results show that a global population-based model yields similar or superior performance compared to age-segmented models. These findings suggest that data from children, teenagers, and adults can be combined for training models on hypoglycemia classification. While glucose variation differs across age groups, short-term hypoglycemic patterns are similar. However, data of children obtain their best recall with age specialized model.
- Abstract（参考訳）: 疾患の進行は年齢によって異なり、基礎となる遺伝学、生化学的、ホルモン学の影響を受けており、標準的な臨床ガイドラインを超えて、適切なモニタリング、ケア、医薬品の必要性が示唆されている。
特に1型糖尿病(T1D)のような自己免疫疾患では、インスリン欠乏を補うために患者が外因性インスリンに依存している場合、薬物の服用と、バイタルサインに反映される生理的反応が異なる可能性がある。
インスリン療法は血糖値(70ドル)の低下を特徴とする危険な疾患である低血糖を引き起こす可能性がある。
このリスクは、データ分析によってサポートされている糖尿病管理の改善によって軽減される。
特に、連続血糖モニタリング(CGM)装置からのデータを活用することで、低血糖の発症を予測することができる。
しかしながら、グルコースの変動、自己抗体値、低血糖は年齢層によって異なるが、低血糖分類は特定の年齢層に特有な集団モデルにのみ依存することが多い。
本研究は,小児から高齢者までのT1D患者の大規模CGMデータセットであるDiaDataを用いて,低血糖0,5-15,20-45,50-120分前に分類した。
特に、以下の点について調べる。
1)全年齢群を含む人口ベースモデルの一般化可能性
2 年齢層ごとに個別に訓練した年齢層モデルの影響、及び
3)伝達学習によるモデル個別化の効果について検討した。
その結果, 人口ベースモデルでは, 年齢別モデルと比較して, 同様の, あるいは優れた性能が得られた。
これらの結果から,小児,10代,成人のデータは低血糖分類のトレーニングモデルに組み合わされることが示唆された。
グルコースの変動は年齢によって異なるが、短期の低血糖パターンは類似している。
しかし、子供のデータは年齢特化モデルで最高のリコールを得る。
関連論文リスト
- A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia [0.23031174164121124]
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。
論文 参考訳（メタデータ） (2026-01-09T23:06:36Z) - 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) - 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) - 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) - 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) - Modeling glycemia in humans by means of Grammatical Evolution [4.26706629463264]
糖尿病の(半)自動制御で生じる主な問題のひとつは、血糖がインスリン、食物摂取、その他の要因によってどのように変化するかを説明するモデルを得ることである。
本稿では,患者をカスタマイズしたモデルを得るための進化的計算手法を提案する。
論文 参考訳（メタデータ） (2023-04-27T14:33:52Z) - 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。