論文の概要: LLM-Powered Personalized Glycemic Assessment in Type 2 Diabetes with Wearable Sensor Data

• arxiv url: http://arxiv.org/abs/2606.12699v1
• Date: Wed, 10 Jun 2026 21:39:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.472676
• Title: LLM-Powered Personalized Glycemic Assessment in Type 2 Diabetes with Wearable Sensor Data
• Title（参考訳）: ウェアラブルセンサデータを用いた2型糖尿病のLLMによる個人性グリセミック評価
• Authors: Yifan Gao, Yanmin Gong, Yun Shi, Yuanxiong Guo,
• Abstract要約: 2型糖尿病(T2D)は、パーソナライズされ改善された糖尿病ケアをサポートするための効果的な血糖評価を要求する、世界的な健康上の脅威となる。 我々は、ウェアラブルセンサデータと構造化メタデータの統合により、CGMに基づくグリセミックダイナミクスをモデル化するLLMベースのフレームワークであるGlyLLMを提案する。
• 参考スコア（独自算出の注目度）: 9.444206455565482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Type 2 Diabetes (T2D) poses an increasing global health threat, demanding effective glycemic assessment to support personalized and improved diabetes care. Wearable sensors such as continuous glucose monitors (CGM) and fitness trackers offer many valuable insights for glycemic assessment. However, effectively analyzing these data requires integration with essential individual-level context. Existing methods are often based on traditional machine learning (ML) and rely primarily on historical blood glucose measurements and overlook personalized information, which limits their performance across diverse diabetes populations. Recent advances in large language models (LLMs) have demonstrated their ability to integrate diverse data modalities while modeling sequential dependencies, motivating the exploration of their potential for personalized glycemic assessment. In this paper, we propose GlyLLM, an LLM-powered framework for modeling CGM-based glycemic dynamics through the integration of wearable sensor data and structured metadata. GlyLLM can leverage the extensive prior knowledge of pre-trained LLMs and achieve sensor-text semantic abstraction at decision time. Experiments on two related tasks on the AI-READI dataset demonstrate that our model outperforms traditional ML methods by an average of 13.66\% in Root Mean Squared Error (RMSE) for glucose forecasting and 13.08\% in Area Under the Receiver Operating Characteristic (AUROC) for diabetes categorization. Additionally, our ablation study shows that diabetes surveys and biometric tests are more critical than other health information for glycemic assessment. Our work presents a promising step toward harnessing the power of LLMs to advance personalized glycemic assessment in T2D care.
• Abstract（参考訳）: 2型糖尿病(T2D)は、パーソナライズされ改善された糖尿病ケアをサポートするための効果的な血糖評価を要求する、世界的な健康上の脅威となる。 連続血糖モニター(CGM)やフィットネストラッカーなどのウェアラブルセンサーは、血糖評価に多くの貴重な洞察を与える。 しかし、これらのデータを効果的に分析するには、必須の個別レベルのコンテキストと統合する必要がある。 既存の方法は、しばしば伝統的な機械学習(ML)に基づいており、主に歴史的血糖測定とパーソナライズされた情報の見落としに依存している。 大規模言語モデル(LLM)の最近の進歩は、様々なデータモダリティを統合する能力を示し、連続的な依存関係をモデル化し、パーソナライズされたグリセミックアセスメントの可能性を探究する動機となっている。 本稿では、ウェアラブルセンサデータと構造化メタデータの統合により、CGMに基づくグリセミックダイナミクスをモデル化するLLMフレームワークであるGlyLLMを提案する。 GlyLLMは、事前訓練されたLLMの広範な事前知識を活用し、意思決定時にセンサ・テキスト・セマンティック・抽象化を実現する。 AI-READIデータセット上の2つの関連するタスクの実験により、私たちのモデルは、グルコース予測のためのルート平均正方形誤差(RMSE)の平均13.66倍、糖尿病分類のための受信者動作特性(AUROC)の領域13.08倍で従来のMLメソッドより優れていることが示された。 以上の結果から,糖尿病調査やバイオメトリックス検査は血糖値測定において他の健康情報よりも重要であることが示唆された。 本研究は, T2Dケアにおけるパーソナライズされたグリセミックアセスメントを促進するために, LLMのパワーを活用するための有望なステップを示す。

関連論文リスト

• GlucoFM-Bench: Benchmarking Time-Series Foundation Models for Blood Glucose Forecasting [6.427581905332425]
  GlucoFM-Benchは、血糖予測のための最先端基礎モデルを評価するベンチマークである。 我々は、事前訓練されたTSFM、時系列大言語モデル、タスク固有のディープラーニングモデルを含む8つの代表的なアーキテクチャを評価する。 データセット全体にわたって、事前訓練されたTSFMは、強力なゼロショットと少数ショットの転送を示し、最高のゼロショットモデルは、最高のフルショット監視モデルの5%以内に機能する。
  論文  参考訳（メタデータ） (2026-06-05T03:49:26Z)
• Towards a General Intelligence and Interface for Wearable Health Data [45.854819784803055]
  本研究では,1兆分以上の未ラベルセンサ信号に基づいて,ウェアラブルヘルスの基盤モデルを提案する。 この集団スケールの表現は、ラベル効率のよい少数ショット学習と生成能力を有効化して、1日あたりのロバストな計量推定を行う。
  論文  参考訳（メタデータ） (2026-05-21T17:24:06Z)
• 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)
• 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)
• GlucoBench: Curated List of Continuous Glucose Monitoring Datasets with Prediction Benchmarks [0.12564343689544843]
  連続血糖モニター (Continuous glucose monitors, CGM) は、血糖値を一定間隔で測定する小さな医療機器である。 CGMデータに基づくグルコーストラジェクトリの予測は、糖尿病管理を大幅に改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2024-10-08T08:01:09Z)
• 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)
• 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)
• Task-wise Split Gradient Boosting Trees for Multi-center Diabetes Prediction [37.846368153741395]
  マルチセンター糖尿病予測タスクにTSGB(Task-wise Split Gradient Boosting Trees)を提案する。 TSGBはいくつかの最先端手法に対して優れた性能を発揮する。 TSGB法は早期診断のためのオンライン糖尿病リスク評価ソフトウェアとして展開されている。
  論文  参考訳（メタデータ） (2021-08-16T14:22:44Z)
• 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。