論文の概要: Using Machine Learning to Investigate Predictors of Fasting Blood Glucose: Insights into Circadian Timing and Age Interactions
- arxiv url: http://arxiv.org/abs/2609.32386v1
- Date: Sat, 26 Sep 2026 09:01:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 17:16:41.306888
- Title: Using Machine Learning to Investigate Predictors of Fasting Blood Glucose: Insights into Circadian Timing and Age Interactions
- Title（参考訳）: 機械学習を用いた血糖値の予測因子の探索--概日時間と年齢の相互作用に着目して
- Abstract要約: 糖の欠乏は代謝障害や2型糖尿病に大きく寄与する。
本研究では, 代謝, ホルモン, ライフスタイル, 人口動態, 栄養, 概日変動を用いて, ログトランスフォーメーションによる血糖値の予測を行う機械学習フレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Impaired glucose regulation is a major contributor to metabolic dysfunction and type 2 diabetes. This study developed an interpretable machine-learning framework to predict log-transformed fasting blood glucose using metabolic, hormonal, lifestyle, demographic, nutritional, and circadian variables from the National Health and Nutrition Examination Survey 2017--2020 pre-pandemic dataset. After merging multiple NHANES sub-datasets, data processing used a leakage-resistant pipeline in which imputation, scaling, and one-hot encoding were performed only after dataset splitting and within training folds. Elastic Net, LASSO, and XGBoost models were evaluated using 94 candidate predictors and engineered circadian interaction terms. Performance was assessed using mean absolute error, root mean squared error, coefficient of determination, calibration, and Shapley Additive Explanations. The final interaction-augmented XGBoost model achieved strong performance on the independent test set, with a mean absolute error of 0.0804, a root mean squared error of 0.1148, and a coefficient of determination of 0.7761, using 10 predictors. Glycohemoglobin was the dominant predictor, followed by insulin, diabetes diagnosis, gamma-glutamyl transferase, age, race, and gender. Among the engineered interaction terms, sleep midpoint multiplied by age was consistently retained in repeated random-split analyses, although its contribution remained modest relative to dominant glycaemic predictors. These findings support further investigation of circadian-age interactions in metabolic health.
- Abstract（参考訳）: 糖の欠乏は代謝障害や2型糖尿病に大きく寄与する。
本研究は,2017-2020年の全国健康栄養検査調査から得られたメタボリック,ホルモン,ライフスタイル,人口動態,栄養,概日変動を用いて,ログトランスフォーメーションされた血糖値を予測するための解釈可能な機械学習フレームワークを開発した。
複数のNHANESサブデータセットをマージした後、データ処理は耐リーク性パイプラインを使用して、データセット分割後にのみ、トレーニングフォールド内で、インプット、スケーリング、ワンホットエンコーディングを実行した。
弾性ネット,LASSO,XGBoostモデルについて,94個の候補予測器と概日相互作用項を用いて評価した。
平均絶対誤差, ルート平均二乗誤差, 判定係数, 校正係数, シェープ付加説明値を用いて評価した。
最後の相互作用強化XGBoostモデルでは, 平均絶対誤差0.0804, 根平均二乗誤差0.1148, 決定係数0.7761, 10の予測器を用いて, 独立テストセット上で高い性能を示した。
グリコヘモグロビンはインスリン,糖尿病診断,ガンマグルタミルトランスフェラーゼ,年齢,人種,性別の順に支配的であった。
工学的相互作用条件の中では、睡眠中点が年齢で乗じて連続的にランダムスプリット分析された。
これらの知見は、代謝健康における概日年齢相互作用のさらなる研究を支援する。
関連論文リスト
- 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) - LLM-Powered Prediction of Hyperglycemia and Discovery of Behavioral Treatment Pathways from Wearables and Diet [6.292642131180376]
食後の血糖値が正常値を超えることが特徴である。
食後の血糖動態を理解するための重要な指標は、曲線(AUC)下の後部領域である
我々は、センサー駆動の入力を取り込み、高度なデータ処理、大規模言語モデル、トレーニング可能な機械学習モデルを使用する、説明可能な機械学習ソリューションであるGlucoLensを開発した。
論文 参考訳（メタデータ） (2025-03-05T22:10:14Z) - AttenGluco: Multimodal Transformer-Based Blood Glucose Forecasting on AI-READI Dataset [8.063401183752347]
糖尿病は、持続的な高血糖値(BGL)を特徴とする慢性代謝異常である
近年のディープラーニングモデルでは,BGL予測の改善が期待できる。
本研究では,長期血糖予測のためのマルチモーダルトランスフォーマーベースのフレームワークであるAttenGlucoを提案する。
論文 参考訳（メタデータ） (2025-02-14T05:07:38Z) - 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) - 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) - 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) - Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing
for Blood Glucose Prediction [4.040272012640556]
本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。
6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。
以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
論文 参考訳（メタデータ） (2021-01-18T02:31:38Z) - 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) - 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。