Fugu-MT 論文翻訳(概要): Reliability-Aware Short-Term Glycemic Risk Prediction Using an Anchor-Based Comparative Framework of Sequence, Multimodal, and State-Updating Digital-Twin Models

論文の概要: Reliability-Aware Short-Term Glycemic Risk Prediction Using an Anchor-Based Comparative Framework of Sequence, Multimodal, and State-Updating Digital-Twin Models

arxiv url: http://arxiv.org/abs/2610.36363v1
Date: Mon, 26 Oct 2026 22:28:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-28 21:04:31.443301
Title: Reliability-Aware Short-Term Glycemic Risk Prediction Using an Anchor-Based Comparative Framework of Sequence, Multimodal, and State-Updating Digital-Twin Models
Title（参考訳）: Anchor-based Comparison Framework of Sequence, Multimodal, and State-Updating Digital-Twin Models を用いた信頼性を考慮した短期血糖リスク予測
Abstract要約: 短期低血糖・高血糖リスクの予測は糖尿病予防に不可欠である。既存の機械学習アプローチでは、しばしば一貫性のない評価プロトコルを使用し、信頼性よりも予測性能を強調する。本研究は,長手型グルコース配列とマルチモーダル患者情報を統合したアンカーベースのベンチマークフレームワークを提案する。
参考スコア（独自算出の注目度）: 8.061275086678192
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anticipating short-term hypoglycemic and hyperglycemic risk is essential for proactive diabetes management. However, existing machine learning approaches often use inconsistent evaluation protocols and emphasize predictive performance over reliability. This study introduces an anchor-based benchmarking framework integrating longitudinal glucose sequences and multimodal patient information. Using the T1DiabetesGranada dataset, 5,503,441 standardized prediction anchors were constructed from 736 individuals with type 1 diabetes to evaluate hypoglycemia and hyperglycemia prediction at 30-, 60-, and 120-minute horizons. Three neural architectures, a Hybrid LSTM-Transformer, a Multimodal Digital Twin, and a State-Updating Digital Twin with gap-aware longitudinal state progression, were compared under identical patient-level validation protocols. Beyond predictive performance, the evaluation examined calibration, classification thresholds, explanation reliability, cross-model disagreement, and robustness to controlled perturbations. No statistically significant predictive differences were observed after Holm correction, although the models exhibited complementary reliability characteristics. The Multimodal Digital Twin achieved the lowest mean Brier score, while the State-Updating Digital Twin demonstrated the lowest mean expected calibration error (ECE-10). The Hybrid LSTM-Transformer showed strong explanation faithfulness and stability under its temporal attribution protocol. These findings highlight the importance of evaluating digital-twin models beyond predictive accuracy and emphasize the need for reliability assessment and external validation before clinical deployment.
Abstract（参考訳）: 短期低血糖・高血糖リスクの予測は糖尿病予防に不可欠である。しかし、既存の機械学習アプローチでは、しばしば一貫性のない評価プロトコルを使用し、信頼性よりも予測性能を強調している。本研究は,長手型グルコース配列とマルチモーダル患者情報を統合したアンカーベースのベンチマークフレームワークを提案する。 T1DiabetesGranadaデータセットを用いて,1型糖尿病の736人を対象に,30～60～120分間の地平線における低血糖と高血糖の予測を評価するために,5,503,441個の標準化された予測アンカーを構築した。 3つのニューラルアーキテクチャ、Hybrid LSTM-Transformer、Multimodal Digital Twin、State-Updating Digital Twinを同一の患者レベル検証プロトコルで比較した。予測性能以外にも, キャリブレーション, 分類しきい値, 説明信頼性, モデル間の不一致, 制御摂動に対する頑健性について検討した。ホルム補正後の統計的に有意な差は認められなかったが, 相補的信頼性特性を示した。マルチモーダル・デジタル・ツインは最低平均ブライアスコアを達成し、ステートアップデーティング・デジタル・ツインは最低平均キャリブレーション誤差(ECE-10)を示した。 Hybrid LSTM-Transformerは、その時間的帰属プロトコルの下で、忠実さと安定性を強く説明した。これらの知見は、予測精度以上のデジタルツインモデルを評価することの重要性を強調し、臨床展開前の信頼性評価と外部検証の必要性を強調した。

関連論文リスト

CardioMeta: Calibrated Multi-Task Prediction of Diabetes, Hypertension, and Cardiovascular Disease Across Population and EHR Data [1.2999518604217852]
本稿では,糖尿病,高血圧,心血管疾患の同時予測のための校正マルチタスクフレームワークであるCardioMetaについて述べる。 CardioMetaは、共有心筋代謝エンコーダと疾患特異的ゲートヘッドとホック後の確率キャリブレーションを組み合わせる。このモデルは0.839のマクロAUROC、0.536のマクロAUPRC、0.614のマクロF1、0.024のキャリブレーション誤差を達成した。
論文参考訳（メタデータ） (2026-07-17T07:55:43Z)
Multimodal Ordinal Modeling of Alzheimer's Disease Severity Using Structural MRI and Clinical Data [0.9786690381850356]
アルツハイマー病(AD)は、重症度を評価するための正確でスケーラブルなツールを必要とする。自動かつ解釈可能なAD重度ステージングのための順序回帰を用いた注目強化型機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-06-10T08:26:11Z)
Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Uncertainty-aware Blood Glucose Prediction from Continuous Glucose Monitoring Data [0.0]
本研究では,1型糖尿病における血糖予測と血糖異常事象同定のための不確実性を考慮したニューラルネットワークモデルについて検討した。出力ヘッドを備えたTransformerベースのモデルが最も有効な不確実性認識フレームワークであることが判明した。
論文参考訳（メタデータ） (2026-03-05T08:49:43Z)
Uncertainty-Aware Ordinal Deep Learning for cross-Dataset Diabetic Retinopathy Grading [0.0]
糖尿病網膜症の早期かつ確実な検出は、失明の予防に重要である。本稿では,DR重度自動評価のための不確実性を考慮したディープラーニングフレームワークを提案する。提案手法は, 畳み込み後骨に病変性アテンションプールと明らかなディリクレに基づく順序回帰ヘッドを併用する。
論文参考訳（メタデータ） (2026-02-10T21:44:04Z)
On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
論文参考訳（メタデータ） (2025-07-25T16:15:59Z)
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)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People [4.692400531340393]
本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
論文参考訳（メタデータ） (2020-09-08T13:14:08Z)
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。