論文の概要: GlucoTune: A Unified Framework for Blood Glucose Preprocessing, Forecasting, and Benchmarking in Diabetes

• arxiv url: http://arxiv.org/abs/2607.21117v1
• Date: Thu, 23 Jul 2026 09:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.353693
• Title: GlucoTune: A Unified Framework for Blood Glucose Preprocessing, Forecasting, and Benchmarking in Diabetes
• Title（参考訳）: GlucoTune:糖尿病における血糖前処理、予測、ベンチマークのための統一フレームワーク
• Abstract要約: GlucoTuneは、血糖値時系列データを用いて再現可能な実験を行うための包括的なフレームワークである。 このフレームワークは、前処理からモデル評価まで、実験ワークフロー全体を標準化する。 最先端の血糖予測と一般的な時系列予測方法のキュレートされたコレクションを提供する。
• 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: Preprocessing blood glucose time-series data is a critical yet often overlooked step in developing data-driven methods for diabetes management, particularly for type 1 diabetes. The lack of standardized preprocessing workflows and evaluation protocols hinders reproducibility and complicates fair comparison across studies. These challenges are further exacerbated by data-sharing restrictions, as privacy and licensing constraints often prevent the redistribution of preprocessed medical datasets. To address these limitations, we present GlucoTune, a comprehensive and extensible framework for reproducible experimentation with blood glucose time-series data. The framework standardizes the entire experimental workflow, from preprocessing to model evaluation, enabling reproducible experiments directly from the original datasets. Reproducible preprocessing is achieved through configurable pipelines defined in portable YAML configuration files, ensuring consistent data handling without distributing sensitive preprocessed data. Beyond preprocessing, GlucoTune provides a unified interface for implementing, training, and evaluating blood glucose prediction models. The framework integrates public datasets through standardized wrappers and provides a curated collection of state-of-the-art blood glucose prediction and general time-series forecasting methods, while remaining readily extensible to additional datasets, preprocessing strategies, and forecasting models. To promote transparent and consistent evaluation, GlucoTune includes a benchmarking leaderboard that reports results across datasets, preprocessing configurations, and forecasting methods, enabling systematic comparison of experimental settings. We demonstrate the effectiveness of GlucoTune through comprehensive experiments and assess its usability in a user study.
• Abstract（参考訳）: 血糖値の時系列データを前処理することは、特に1型糖尿病において、糖尿病管理のためのデータ駆動手法を開発する上で、重要かつしばしば見過ごされるステップである。 標準化された前処理ワークフローと評価プロトコルの欠如は再現性を妨げ、研究間の公正な比較を複雑にする。 これらの課題は、プライバシとライセンスの制約が、前処理された医療データセットの再配布を妨げることが多いため、データ共有の制限によってさらに悪化する。 これらの制限に対処するため,血糖時系列データを用いた再現性実験のための包括的かつ拡張可能なフレームワークであるGlucoTuneを提案する。 このフレームワークは、前処理からモデル評価までの実験ワークフロー全体を標準化し、元のデータセットから直接再現可能な実験を可能にする。 再現可能な事前処理は、ポータブルYAML構成ファイルで定義された構成可能なパイプラインによって実現され、機密性の高い事前処理データを分散することなく、一貫性のあるデータ処理が保証される。 前処理の他に、GlucoTuneは血糖予測モデルの実装、トレーニング、評価のための統一されたインターフェースを提供する。 このフレームワークは、標準化されたラッパーを通じてパブリックデータセットを統合し、最先端の血糖予測と一般的な時系列予測方法のキュレートされたコレクションを提供するが、追加のデータセット、前処理戦略、予測モデルに容易に拡張可能である。 透過的かつ一貫性のある評価を促進するため、GlucoTuneには、データセット、前処理設定、予測メソッドにわたる結果を報告し、試験的な設定の体系的な比較を可能にするベンチマークリーダボードが含まれている。 本稿では,GlucoTuneの有効性を総合的な実験により実証し,ユーザスタディにおけるユーザビリティを評価する。

関連論文リスト

• Subject-Conditioned Glucose Forecasting in Type-1 Diabetes [4.201695852847293]
  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。
  論文  参考訳（メタデータ） (2026-07-21T11:42:34Z)
• 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)
• Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice [109.9635246405237]
  データ品質に関する実験結果が、ハイパーパラメータのトレーニングに微調整を加えることで、反転できることを示す。 評価プロトコルに簡単なパッチを導入し、プロキシモデルのトレーニングに学習率を削減した。 実験により,データキュレーションの4つの重要な次元をカバーする23種類のデータレシピに対して,このアプローチを検証した。
  論文  参考訳（メタデータ） (2025-12-30T23:02:44Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Early Stopping Against Label Noise Without Validation Data [54.27621957395026]
  所望のモデルを選択するのに検証データを必要としないラベルウェーブと呼ばれる新しい早期停止手法を提案する。 各種設定におけるラベルウェーブ法の有効性と,ノイズラベルを用いた学習における既存手法の性能向上を両立させる能力について述べる。
  論文  参考訳（メタデータ） (2025-02-11T13:40:15Z)
• 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)
• 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)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• 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)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。