使用连续葡萄糖监测数据的基于机器学习的 1 型糖尿病患者血糖水平预测
我们提出了一种闭环胰岛素输送算法的设计和 extit {体外} 评估,该算法用于治疗 1 型糖尿病(T1D),其中包括基于数据驱动的多步血糖(BG)预测器,集成到线性时变(LTV)模型预测控制(MPC)框架中。
Jul, 2023
该研究使用了 Diabetes 130-US Hospitals 数据集,利用各种传统机器学习模型(如 XGBoost、LightGBM、CatBoost、决策树和随机森林)进行分析和预测了糖尿病患者的再入院情况,并通过自主开发的 LSTM 神经网络进行对比。研究结果显示,LightGBM 是最佳的传统模型,而 XGBoost 位居第二,LSTM 模型在训练准确性较高的情况下存在过拟合问题。研究还使用了 SHAP 值提高了模型的解释性,并指出了实验结果中影响再入院预测的重要因素,如实验室过程数量和出院安排。该研究表明,在预测性医疗模型中,模型选择、验证和解释性是关键步骤,有助于医疗服务提供者设计干预措施,提高糖尿病患者的随访遵从性和管理效果。
Jun, 2024
提出一种基于物联网边缘 - 人工智能 - 区块链系统的糖尿病预测模型,通过比较实验结果表明,与逻辑回归和支持向量机等现有机器学习方法相比,该模型使用随机森林算法平均预测精度提高了 4.57%,但执行时间较长。
Nov, 2022
本研究使用深度强化学习技术,比较了不同的控制算法。模拟糖尿病患者的数据分析表明,该技术可大幅降低糖尿病患者在控制血糖水平方面面临的风险,而无需专业知识的参与。
Sep, 2020
该研究提出了一种新的葡萄糖预测方法,其中结合聚类方法和可解释的语法演化算法,生成有限差分方程,为餐后两小时内的餐后血糖水平提供预测,并通过可解释的表达式生成安全预测,同时提高了预测准确性。
Jul, 2023
使用心电图进行非侵入性高血糖监测的新方法,使用深度神经网络模型,通过分段处理心电图数据,有效检测出高血糖,验证了其在面对未知主体时的良好泛化能力。
Mar, 2024
该研究主要使用机器学习技术,从糖尿病患者的诊断医疗数据中提取知识,探索与疾病相关的各种风险因素,并使用四种流行的机器学习算法来预测糖尿病患者,结果表明 C4.5 决策树比其他机器学习技术具有更高的准确性。
Jan, 2019
美国有超过三分之一的成年人是糖尿病前期患者,其中 80%不知晓自己的状况。为了预防 2 型糖尿病和相关心脏疾病,需要更好的血糖监测。现有的可穿戴式血糖监测仪在小型数据集训练方面存在局限性,因为收集大量的血糖数据通常代价高且不现实。我们的研究采用改进的频域改变重现图机器学习方法,即使在有限数据集下,也能提高从可穿戴设备数据中预测血糖水平的准确性。该技术将先进的信号处理与机器学习相结合,提取更有意义的特征。我们使用历史数据对我们的方法进行了测试,结果显示我们的方法在预测实时间质血糖水平方面超过了当前的 87%准确性基准。
Jun, 2024