使用图注意力内存模型和联邦学习方法进行血糖水平预测，在类型 1 糖尿病患者中取得了稳定而有效的结果。

Dec, 2023

基于 CGM 时间序列数据的短期血糖预测模型 TimeGlu，在没有额外个人数据的情况下，在实际世界中提供了有效的糖尿病血糖管理指导。

Apr, 2024

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