Fugu-MT 論文翻訳(概要): Subject-Conditioned Glucose Forecasting in Type-1 Diabetes

論文の概要: Subject-Conditioned Glucose Forecasting in Type-1 Diabetes

arxiv url: http://arxiv.org/abs/2607.19006v1
Date: Tue, 21 Jul 2026 11:42:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.416861
Title: Subject-Conditioned Glucose Forecasting in Type-1 Diabetes
Title（参考訳）: 1型糖尿病患者の主観的血糖予測
Authors: Giorgia Rigamonti, Mirko Paolo Barbato, Davide Marelli, Paolo Napoletano,
Abstract要約: そこで我々は,パーソナライズされた血糖予測を目的とした多モード深層学習アーキテクチャSCGPを提案する。 SCGPは、観測されたグルコースデータと文脈情報から学習したコンパクトな主題特異的表現に基づいて、グルコース予測を条件とする。 2つの最先端ベンチマークデータセットの実験により、SCGPは予測性能を一貫して改善し、複数の予測地平線をまたいだ有害なグリセミック事象を確実に検出できることを示した。
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: Accurate forecasting of blood glucose concentration is key in the management of Type 1 Diabetes, facilitating early detection of adverse glycemic events and supporting timely therapeutic interventions. Despite recent advances in glucose prediction, most existing approaches rely on population-level representations or implicit personalization strategies that fail to deliver effective subject-specific forecasts. In this work, we propose Subject-Conditioned Glucose Prediction (SCGP), a novel multimodal deep learning architecture conceived for personalized blood glucose prediction. SCGP conditions glucose predictions based on observed glucose data and a compact subject-specific representation learned from contextual information. By explicitly separating subject characterization from glucose dynamics modeling and avoiding early fusion of heterogeneous inputs, the proposed framework effectively captures inter-subject variability while preserving robust and reliable temporal modeling. Experiments on two state-of-the-art benchmark datasets demonstrate that SCGP consistently improves forecasting performance, enabling reliable detection of adverse glycemic events across multiple prediction horizons, highlighting the benefits of explicit subject conditioning for personalized diabetes management.
Abstract（参考訳）: 血糖値の正確な予測は1型糖尿病の管理において重要である。近年のグルコース予測の進歩にもかかわらず、既存のアプローチのほとんどは、効果的な主観的な予測を達成できない集団レベルの表現や暗黙のパーソナライゼーション戦略に依存している。本研究では,個別に血糖を予測できる新しいマルチモーダル深層学習アーキテクチャSCGPを提案する。 SCGPは、観測されたグルコースデータと文脈情報から学習したコンパクトな主題特異的表現に基づいて、グルコース予測を条件とする。被験者をグルコース力学モデリングから明確に分離し、不均一な入力の早期融合を避けることにより、頑健で信頼性の高い時間的モデリングを保ちながら、オブジェクト間の変動を効果的に捉えることができる。 2つの最先端ベンチマークデータセットの実験により、SCGPは予測性能を一貫して改善し、複数の予測地平線を越えて有害なグリセミック事象を確実に検出し、パーソナライズされた糖尿病管理のための明示的な主観的条件付けの利点を強調した。

関連論文リスト

Tailoring Adverse Event Prediction in Type 1 Diabetes with Patient-Specific Deep Learning Models [4.201695852847293]
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。
論文参考訳（メタデータ） (2026-01-21T11:57:51Z)
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)
Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
論文参考訳（メタデータ） (2024-12-02T07:14:25Z)
Hybrid Attention Model Using Feature Decomposition and Knowledge Distillation for Glucose Forecasting [6.466206145151128]
GlucoNetは、行動と生理の健康を継続的に監視するAI駆動のセンサーシステムである。本稿では,患者の行動・生理的データを組み込んだ分解型トランスフォーマーモデルを提案する。 GGlucoNetはRMSEの60%の改善とパラメータ数の21%削減を実現し、T1-Diabetesの12名を含むデータを用いてRMSEとMAEを51%と57%改善した。
論文参考訳（メタデータ） (2024-11-16T05:09:20Z)
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)
FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions [4.073768455373616]
連続グルコースモニタリング(Continuous glucose monitoring, CGM)デバイスは、血糖値のリアルタイムモニタリングと、血糖値の変動に対するタイムリーな警告を提供する。低血糖や高血糖のような希少な出来事は、その頻度が低いために依然として困難である。本稿では,血糖除去領域の性能を著しく向上させる新しいHH損失関数を提案する。
論文参考訳（メタデータ） (2024-08-25T19:51:27Z)
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)
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。