Fugu-MT 論文翻訳(概要): It's All in the Way You Say It: The Role of Information Representation in LLM-Based Glycemic-Event Prediction

論文の概要: It's All in the Way You Say It: The Role of Information Representation in LLM-Based Glycemic-Event Prediction

arxiv url: http://arxiv.org/abs/2609.08772v1
Date: Tue, 08 Sep 2026 14:07:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.67466
Title: It's All in the Way You Say It: The Role of Information Representation in LLM-Based Glycemic-Event Prediction
Title（参考訳）: LLMに基づくグリセミックイベント予測における情報表現の役割
Abstract要約: 大規模言語モデル(LLM)は、生理的時系列予測のためにますます研究されている。本研究は,1型糖尿病患者の妊娠後高血糖および低血糖予測のためのプロンプトベース汎用LSMについて検討した。
参考スコア（独自算出の注目度）: 2.549976549493232
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) are increasingly being investigated for physiological time-series prediction, yet their effectiveness may depend not only on the model itself, but also on how physiological information is represented and presented at inference time. This study investigates prompt-based general-purpose LLMs for postprandial hyperglycemia and hypoglycemia prediction in individuals with type 1 diabetes. Using the OhioT1DM dataset, we evaluate multiple open-weight LLMs under zero-shot and few-shot inference across prediction horizons of 30, 60, and 90 minutes. The analysis varies both the textual representation of the available physiological information and the amount of information exposed to the model, ranging from glucose observations alone to derived descriptors and additional contextual variables related to insulin, meals, carbohydrates, and physical activity. Performance is compared with conventional patient-specific supervised models and with Gluco-LLM, a language-model-based architecture explicitly adapted to glucose time-series forecasting. Results show a marked task-dependent behavior. Conventional supervised models achieve the strongest performance for hyperglycemia prediction, whereas the best observed prompt-based LLM configurations improve performance for hypoglycemia across all investigated horizons. The effectiveness of prompt-based inference is also strongly influenced by how physiological information is represented, while providing additional contextual information does not lead to a systematic improvement. Overall, these findings highlight physiological information representation as a central design factor in prompt-based LLM approaches to glycemic-event prediction.
Abstract（参考訳）: 大規模言語モデル(LLM)は、生理的時系列予測のためにますます研究されているが、その効果はモデル自体だけでなく、生理的情報がどのように表現され、推測時に提示されるかにも依存している。本研究は,1型糖尿病患者の妊娠後高血糖および低血糖予測のためのプロンプトベース汎用LSMについて検討した。 OhioT1DMデータセットを用いて,30,60,90分間の予測地平線を横断するゼロショットおよび少数ショット推論の下で複数のオープンウェイトLDMを評価する。この分析は、利用可能な生理情報のテキスト表現と、グルコース観察のみから引き起こされた記述子、インスリン、食事、炭水化物、身体活動に関連する追加の文脈変数まで、モデルに露出する情報の量の両方に異なる。 Gluco-LLMは、ブドウ糖の時系列予測に明示的に適応した言語モデルに基づくアーキテクチャである。結果は、タスク依存の行動を示す。従来の教師付きモデルでは高血糖予測が最善であるのに対して,最も観察されたプロンプトベースのLLM構成では,すべての地平線で低血糖の予測性能が向上する。インプロンプトに基づく推論の有効性は、生理情報がどのように表現されるかにも強く影響される一方、追加の文脈情報の提供は体系的な改善につながらない。これらの知見は, グリセミック・イベント予測へのプロンプトベースのLCMアプローチにおいて, 生理的情報表現を中心的設計因子として強調するものである。

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)
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)
Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文参考訳（メタデータ） (2026-05-13T14:52:12Z)
PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文参考訳（メタデータ） (2026-02-27T07:19:23Z)
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)
Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
論文参考訳（メタデータ） (2025-02-15T06:33:02Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
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)
PoLLMgraph: Unraveling Hallucinations in Large Language Models via State Transition Dynamics [51.17512229589]
PoLLMgraphは、大規模言語モデルのためのモデルベースのホワイトボックス検出および予測手法である。 LLMの内部状態遷移ダイナミクスを解析することにより,幻覚を効果的に検出できることを示す。我々の研究は、LLMのモデルベースのホワイトボックス分析の新しい手法を開拓し、LLMの振る舞いの複雑なダイナミクスをさらに探求し、理解し、洗練する研究コミュニティを動機付けている。
論文参考訳（メタデータ） (2024-04-06T20:02:20Z)
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)
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。