論文の概要: A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing

• arxiv url: http://arxiv.org/abs/2605.13464v1
• Date: Wed, 13 May 2026 12:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.050903
• Title: A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing
• Title（参考訳）: 糖尿病検出・サブタイプ判別・認知メタボリック仮説テストのための3段階統合機械学習フレームワーク
• Authors: Vishal Pandey, Ruzina Haque Laskar, Rishav Tewari,
• Abstract要約: 糖尿病は世界中で5億3700万人以上の成人に影響を与えており、依然として予防医療において大きな課題となっている。 本稿では,糖尿病検出,サブタイプ指向クラスタリング,メタボリック認知関連解析のための再現可能な3段階機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5599792629509229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetes mellitus affects over 537 million adults worldwide and remains a major challenge in preventive healthcare. Existing machine-learning studies primarily formulate diabetes prediction as a binary classification problem, while subtype-oriented analysis and glycaemic-cognitive associations remain comparatively underexplored. We present a reproducible three-stage machine learning framework for diabetes detection, subtype-oriented clustering, and metabolic-cognitive association analysis. In Stage 1, five supervised classifiers together with a stacking ensemble are benchmarked on the NCSU Diabetes Dataset using stratified five-fold cross-validation and evaluation metrics including ROC-AUC, balanced accuracy, recall, and F1-score. SVM-RBF and Logistic Regression achieve the highest ROC-AUC ($0.825 \pm 0.026$), while Random Forest achieves the highest accuracy ($0.762 \pm 0.030$). SHAP explainability identifies Glucose, BMI, and Age as the dominant predictive biomarkers. In Stage 2, silhouette-validated K-Means clustering ($k=2$, silhouette $\approx 0.116$) is applied to confirmed diabetic cases using Glucose, Insulin, and Age, recovering clinically plausible subtype-oriented partitions without requiring ground-truth subtype labels. In Stage 3, statistical analysis of the Ohio Longitudinal Cognitive Dataset ($n=373$) reveals a significant positive association between glycaemic control and cognitive function ($ρ_s = 0.208$, $p = 5.29 \times 10^{-5}$), which survives Holm correction. The findings support the utility of statistically grounded and interpretable ML pipelines for reproducible diabetes analytics and subtype-aware exploratory analysis.
• Abstract（参考訳）: 糖尿病は世界中で5億3700万人以上の成人に影響を与えており、依然として予防医療において大きな課題となっている。 既存の機械学習研究は、主に糖尿病予測を二分分類問題として定式化しているが、サブタイプ指向の分析と糖質認知関連性は、いまだに未発見である。 本稿では,糖尿病検出,サブタイプ指向クラスタリング,メタボリック認知関連解析のための再現可能な3段階機械学習フレームワークを提案する。 ステージ1では5つの教師付き分類器と積み重ねアンサンブルがNCSU糖尿病データセット上で、ROC-AUC、平衡精度、リコール、F1スコアなどの5倍のクロスバリデーションと評価指標を用いてベンチマークされる。 SVM-RBF と Logistic Regression は ROC-AUC (0.825 \pm 0.026$) を、Random Forest は最高精度 (0.762 \pm 0.030$) を達成している。 SHAPは、グルコース、BMI、エイジを主要な予測バイオマーカーとして特定する。 ステージ2では, Glucose, Insulin, Age を用いた糖尿病患者に対して, K-Means クラスタリング (k=2$, silhouette $\approx 0.116$) を適用した。 ステージ3では、オハイオ縦型認知データセット(n=373$)の統計分析により、血糖コントロールと認知関数(ρ_s = 0.208$, $p = 5.29 \times 10^{-5}$)の間に有意な正の相関が示され、ホルム補正が残っている。 この知見は、再現可能な糖尿病分析とサブタイプ認識探索分析のための統計的基盤と解釈可能なMLパイプラインの有用性を支持する。

関連論文リスト

• Enhancing Bagging Ensemble Regression with Data Integration for Time Series-Based Diabetes Prediction [0.5399800035598186]
  この研究は、2011年から2021年までの糖尿病関連データセットを統合するデータエンジニアリングプロセスから始まった。 次に、米国各都市における糖尿病の流行を予測する時系列予測のための拡張型バッグアンサンブル回帰モデル(EBMBag+)を導入する。 実験の結果,EBMBag+は0.41,RMSEは0.53,MAPEは4.01,R2は0.9であった。
  論文  参考訳（メタデータ） (2025-06-11T04:21:50Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• Supervised Learning Models for Early Detection of Albuminuria Risk in Type-2 Diabetes Mellitus Patients [0.0]
  本研究の目的は,T2DM患者にアルブミン尿を発症するリスクを予測するための教師付き学習モデルを開発することである。 特徴として10の属性、目標として1の属性(アルブミン尿症)から構成される。 これはそれぞれ0.74と0.75の精度とf1スコアの値を達成し、T2DMの尿失調を予測するためのスクリーニングに適していた。
  論文  参考訳（メタデータ） (2023-09-28T08:41:12Z)
• Machine Learning-Based Diabetes Detection Using Photoplethysmography Signal Features [0.0]
  糖尿病は世界中で何百万人もの人々の健康を損なう慢性疾患である。 そこで本研究では,非侵襲性光胸腺撮影による糖尿病検出の問題点を克服する別の方法を提案する。 PPG信号とアルゴリズムを用いて非糖尿病患者と糖尿病患者を分類し,ロジスティック回帰とeXtreme Gradient Boostingを訓練した。 以上の結果から,糖尿病の検出・予防のための遠隔・非侵襲・連続計測装置の開発に機械学習が期待できることが示唆された。
  論文  参考訳（メタデータ） (2023-08-02T14:10:03Z)
• 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)
• 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)
• Analysis Towards Classification of Infection and Ischaemia of Diabetic Foot Ulcers [5.746418369209802]
  本稿では,糖尿病性足部潰瘍データ(dfuc 2021)について,感染と虚血を主眼とした病態解析について紹介する。 DFUC 2021の最終リリースは15,683のDFUパッチと5,955のトレーニング、5,734のテスト、5,994のDFUパッチで構成されている。 ディープラーニングの5つの重要なバックボーンのパフォーマンスをベンチマークします。 VGG16, ResNet101, InceptionV3, DenseNet121, EfficientNet on DFUC 2021。
  論文  参考訳（メタデータ） (2021-04-07T11:38:57Z)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。