論文の概要: GlucoAgent: Personalized Glucose Forecasting from Multimodal Personal Context

• arxiv url: http://arxiv.org/abs/2611.04126v1
• Date: Tue, 03 Nov 2026 01:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 01:44:30.294432
• Title: GlucoAgent: Personalized Glucose Forecasting from Multimodal Personal Context
• Title（参考訳）: GlucoAgent:マルチモーダル・パーソナライズされたグルコース予測
• Abstract要約: GlucoAgentは、個人のマルチモーダルコンテキスト上でコードを書き、実行する。 生成されたプログラムは、類似した過去の食事から、適合性や後方テストの生理学的、統計モデルまで、非常に多様である。 マルチモーダルデータを追加することで、クロノス-2では平均RMSEを1.4 mg/dL(24.0 mg/dLから22.5 mg/dL)、限界0.3 mg/dL(23.8 mg/dLから23.5 mg/dL)で改善する。
• 参考スコア（独自算出の注目度）: 14.023543440394265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous glucose monitors, smartwatches, meal logs, and health profiles form a rich multimodal personal context that can significantly enhance glucose forecasting. However, existing methods struggle to effectively utilize these signals to improve glucose prediction because the relevance of different modalities varies drastically across individuals and time. We present GlucoAgent, an LLM-based agentic system that addresses this challenge through dynamic, case-by-case analysis at inference time. For each forecast, GlucoAgent writes and runs code over an individual's multimodal context and returns predictions with a reason and supporting evidence. The generated programs are highly diverse, ranging from retrieving similar past meals to fitting and back-testing physiological and statistical models. On CGMacros, a multimodal glucose dataset, GlucoAgent outperforms time series foundation models on every forecasting horizon, achieving an average RMSE of 22.5 mg/dL compared to 23.5 mg/dL of Chronos-2, the leading multimodal time series foundation model. Furthermore, GlucoAgent is highly effective at leveraging multimodal data. The addition of multimodal data reduces its average RMSE by 1.4 mg/dL (24.0 mg/dL to 22.5 mg/dL), compared to a marginal 0.3 mg/dL (23.8 mg/dL to 23.5 mg/dL) improvement for Chronos-2. This advantage is most pronounced in challenging post-meal windows, where GlucoAgent uses multimodal context to reduce 60-minute forecast RMSE by 4.6 mg/dL (31.0 mg/dL to 26.5 mg/dL), far exceeding the 0.8 mg/dL (31.9 mg/dL to 31.1 mg/dL) reduction achieved by Chronos-2.
• Abstract（参考訳）: 連続的なグルコースモニター、スマートウォッチ、食事ログ、健康プロファイルは、グルコース予測を大幅に向上させる、豊富なマルチモーダルな個人的なコンテキストを形成する。 しかし、これらのシグナルを効果的に利用してブドウ糖の予測を改善するには、個人や時間によって異なるモダリティの関連性が大きく異なるため、既存の手法が困難である。 本稿では,LLMに基づくエージェントシステムであるGlucoAgentを提案する。 各予測について、GlucoAgentは個人のマルチモーダルコンテキスト上でコードを書き、実行し、理由を持って予測を返却し、証拠を裏付ける。 生成されたプログラムは、類似した過去の食事から、適合性や後方テストの生理学的、統計モデルまで、非常に多様である。 マルチモーダルグルコースデータセットであるCGMacrosでは、GlucoAgentは予測地平線毎の時系列基礎モデルより優れており、Chronos-2の23.5mg/dLに対して平均RMSEは22.5mg/dLである。 さらに、GlucoAgentはマルチモーダルデータを活用するのに非常に効果的である。 マルチモーダルデータを追加することで平均RMSEを1.4 mg/dL(24.0 mg/dLから22.5 mg/dL)削減し、クロノス-2では0.3 mg/dL(23.8 mg/dLから23.5 mg/dL)改善した。 この利点は、GlucoAgentが60分の予測RMSEを4.6 mg/dL(31.0 mg/dLから26.5 mg/dLに減らし、Chronos-2で達成された0.8 mg/dL(31.9 mg/dLから31.1 mg/dL)よりもはるかに上回っている。

関連論文リスト

• A Review on Machine Learning Approaches for the Prediction of Glucose Levels and Hypogylcemia [0.23031174164121124]
  機械学習(ML)モデルは、低血糖を予測し、最適な予防方法を提供することで、糖尿病管理を改善することができる。 本総説では,1型糖尿病(T1D)患者の連続血糖モニタリング(CGM)デバイスデータに基づいて訓練した最先端モデルについて検討する。 短期(15分から120分)と長期(3時間から24時間以上)の予測地平線(PH)を比較した。
  論文  参考訳（メタデータ） (2026-01-09T23:06:36Z)
• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate [6.102406188211489]
  本稿では,血糖値を予測する機械学習モデルであるGLIMMERを紹介する。 GLIMMERはグルコース値を正常および異常な範囲に分類し、新しいカスタム損失関数を用いる。 これらの結果は、RMSEが23%改善し、MAEが31%改善したことを示している。
  論文  参考訳（メタデータ） (2025-02-20T01:26:00Z)
• A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management [3.8195320624847833]
  CGM-LSMはトランスフォーマーデコーダをベースとしたLarge Sensor Model (LSM) で, 糖尿病, 年齢, 性別の異なる患者から160万のCGMレコードを事前訓練した。 CGMデータに埋め込まれた潜伏知識を学習するために, 患者をグルコース時間ステップのシーケンスとしてモデル化し, 2時間水平線での血糖値の予測に応用する。 従来の方法と比較して、CGM-LSMは予測精度とロバスト性を大幅に改善し、1時間水平線予測におけるルート平均2乗誤差を48.51%削減し、保持された患者群間で一貫したゼロショット予測性能を向上した。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• 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)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)

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。