应用深度学习模型，基于信号动力学模型预测临床中多步预测的实际应用场景，为血糖多步预测提供了可行策略，并比现有的浅层和深层方法有更好的预测表现。
Jun, 2018
该研究探讨利用连续血糖监测设备和机器学习模型进行血糖浓度的预测，旨在为糖尿病治疗提供便利以及为人工胰腺系统认证和监管提供可靠性支持。
Feb, 2023
本文提出了一种利用神经网络预测个体葡萄糖吸收率，从而通过微分方程建立个性化葡萄糖动力学模型的方法，本方法可以更好地处理餐后葡萄糖吸收与人体健康的关系。
Apr, 2023
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
通过药物的药代动力学效应，我们提出了一种新的编码器，用于准确预测受治疗影响的时间序列，展示了该方法在预测血糖方面的有效性，为临床实践提供多种有益应用。
Sep, 2023
使用深度学习算法模拟血糖动力学的实际应用和局限性的研究。
Oct, 2023
在生物医学应用中，我们通过使用多个组成部分的组合治疗，评估生理反应，并学习组成部分的单独效果和联合效果。我们通过扩展现有的概率非参数方法来解决该问题，并开发出一种新的基于卷积的组合治疗-反应曲线模型，具有更好的生物学解释性。通过调整治疗组成部分，整合剂量，并通过层次多输出高斯过程在患者之间共享统计信息，我们的方法提高了对血糖预测的准确性，并能解释碳水化合物和脂肪对总体血糖反应的不同效果。
Nov, 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
本研究解决了传统血糖监测方法侵入性和不适的问题，提出了一种利用声音分析预测血糖水平的新方法。通过分析声信号的变化与血糖水平之间的显著关联，我们开发了一种基于人工智能的预测模型，显示出声音分析作为非侵入性血糖监测的可行性，可能降低糖尿病管理的成本并改善患者的生活质量。
Aug, 2024
本研究解决了连续葡萄糖监测（CGM）数据在预测广泛健康结果方面的不足。提出的GluFormer模型基于变压器架构，通过自回归方式训练，能够有效泛化至多个地理区域和不同代谢疾病人群，并且在预测HbA1c等临床参数时表现优越，甚至可以预测未来四年的健康结果。研究显示，GluFormer和饮食数据的结合，能够准确生成CGM数据并模拟饮食干预的结果，推动个性化营养和健康管理的进展。