論文の概要: A Multimodal Type 2 Diabetes Registry on DHIS2: A Design and Feasibility Study with the AI-READI Dataset

• arxiv url: http://arxiv.org/abs/2610.41918v1
• Date: Fri, 30 Oct 2026 15:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.79787
• Title: A Multimodal Type 2 Diabetes Registry on DHIS2: A Design and Feasibility Study with the AI-READI Dataset
• Title（参考訳）: DHIS2のマルチモーダル型2型糖尿病登録:AI-READIデータセットを用いた設計と実現可能性の検討
• Abstract要約: 2型糖尿病のケアは、継続的なグルコースモニター、ウェアラブルデバイス、ホームセンサー、臨床記録、網膜画像にますます引き寄せる。 DHIS2は、約80カ国で稼働する健康度を計測する、オープンソースの健康情報システムである。 我々は27のプログラムステージと445のデータ要素からなるレジストリを設計し、2,280人の参加者からなるAI-READIデータセットをロードし、フィールドで結果フィールドを検証した。
• 参考スコア（独自算出の注目度）: 0.536869872375791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Care for type 2 diabetes increasingly draws on continuous glucose monitors, wearable devices, home sensors, clinical records and retinal images, yet few open platforms have been shown to hold all of these for the same person. We asked three questions of DHIS2, the open-source health information system that ministries of health in about 80 countries run nationally: whether an unmodified Tracker program can represent these modalities together (RQ1), which design choices its row-per-event data model forces for dense sensor streams (RQ2), and what a bulk loader must do to load such data correctly (RQ3). We designed a registry of 27 program stages and 445 data elements, loaded the AI-READI dataset of 2,280 participants into it, and verified the result field by field against the source files. The program held every loaded modality in 8.09 million events. Dense streams were stored as hourly summaries aligned across modalities; electrocardiograms, diagnoses and 118,480 retinal images were stored as one event per record. The event model ruled out storing raw readings, and hourly summaries reduced the wearable and glucose volume about 26-fold. An audit of the loader found defects that shared one pattern: a failure that looked like success. We state five lessons for DHIS2 Tracker clients that address this pattern. Verification of all 64.9 million stored values found four defects, all missing, duplicated or artifactual records rather than wrong values, and none after their repair; an independent recomputation of the glucose summaries agreed on all 464,210 values compared. The paper offers implementation guidance for DHIS2 implementers and for users of AI-READI; it does not evaluate clinical use. Analytics at this scale, use by clinicians and live device feeds remain to be shown.
• Abstract（参考訳）: 2型糖尿病のケアは、継続的なグルコースモニター、ウェアラブルデバイス、ホームセンサー、臨床記録、網膜画像にますます引き寄せている。 DHIS2は、約80か国で健康を最小化するオープンソースの健康情報システムで、修正されていないトラッカープログラムがこれらのモダリティを同時に表現できるかどうか(RQ1)、高密度センサストリームのための行ごとのデータモデル力を選択する設計(RQ2)、そのようなデータを正しくロードするためにバルクローダーが何をすべきか(RQ3)、という3つの質問を行った。 我々は27のプログラムステージと445のデータ要素のレジストリを設計し、2,280人の参加者からなるAI-READIデータセットをロードし、ソースファイルに対してフィールドで結果フィールドを検証した。 プログラムは8.09万のイベントで全てのロードモダリティを実行した。 心電図、診断、および118,480枚の網膜画像は、記録ごとに1つの事象として保存された。 イベントモデルは生読みの保存を除外し、時給のサマリーによってウェアラブルとグルコースの容積は約26倍になった。 ローダの監査では、ひとつのパターンを共有する欠陥が見つかった。 我々は、このパターンに対処するDHIS2 Trackerクライアントに対して、5つの教訓を述べます。 64.9百万の保存された全ての値の検証では、4つの欠陥が見つかった。 本稿では,DHIS2実装者やAI-READI使用者に対して実施指導を行う。 この規模の分析では、臨床医やライブデバイスフィードが使用されている。

関連論文リスト

• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• LoViF 2026 The First Challenge on Holistic Quality Assessment for 4D World Model (PhyScore) [130.91833247554004]
  LoViF 2026 PhyScoreチャレンジは、ワールドモデル生成ビデオの全体的な品質評価に関する競争である。 ベンチマークデータセットには、7つの代表的な世界生成モデルによって生成された1,554のビデオが含まれている。 本報告では,課題設計を要約し,提案したソリューションからメソッドレベルの洞察を提供する。
  論文  参考訳（メタデータ） (2026-05-06T17:52:39Z)
• SweetDeep: A Wearable AI Solution for Real-Time Non-Invasive Diabetes Screening [2.45947070475613]
  SweetDeepは、285人の被験者の生理的、人口統計学的なデータに基づいて訓練された、コンパクトなニューラルネットワークである。 SweetDeepは3000以上のパラメータを含むにもかかわらず、82.5%の患者レベルの精度を達成している。 これらの結果は, 工学的特徴と軽量なアーキテクチャを組み合わせることで, 2型糖尿病の正確な, 迅速, 一般化可能な検出を支援できることを示唆している。
  論文  参考訳（メタデータ） (2025-12-03T05:52:26Z)
• DM-Bench: Benchmarking LLMs for Personalized Decision Making in Diabetes Management [1.8289322713164966]
  実世界の意思決定タスクにおける大規模言語モデル(LLM)の性能を評価するために設計された最初のベンチマークであるDM-Benchを提案する。 我々のベンチマークは7つの異なるタスクカテゴリを含んでおり、糖尿病患者が質問する現実世界の質問の幅を反映している。 このベンチマークを確立することで、糖尿病治療におけるAIソリューションの信頼性、安全性、有効性、実用性を向上することを目指している。
  論文  参考訳（メタデータ） (2025-09-26T15:08:30Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• Deploying and Evaluating Multiple Deep Learning Models on Edge Devices for Diabetic Retinopathy Detection [0.0]
  糖尿病網膜症(DR)は世界中で約34.6%の糖尿病患者に影響を与えており、2045年までに2億2200万人に達すると予測されている。 従来のDR診断は、時間と資源を集中的に消費する網膜基底画像のマニュアル検査に依存している。 本研究では、エッジデバイス上でリアルタイムDRのための複数のディープラーニングモデルをデプロイするために、Edge Impulseを用いた新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2025-06-14T13:53:45Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• Remote Medication Status Prediction for Individuals with Parkinson's Disease using Time-series Data from Smartphones [75.23250968928578]
  本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。 提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
  論文  参考訳（メタデータ） (2022-07-26T02:08:08Z)

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。