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

利用机器学习模型为阿根廷地区特定生成 T2D 和 PD 风险人群预测模型的发展和评估，证明了 RF、DT 和 ANN 方法在分类能力方面表现出色，为阿根廷地区的更复杂模型开发迈出了第一步。

Mar, 2024

通过综合评估与糖尿病病症相关的视网膜图像、风险预测并探讨伦理、数据隐私等问题，基于人工智能技术的视网膜图像分析有潜力成为糖尿病患者现代个性化医学的核心工具。

Feb, 2024

为了推广人工智能模型在高精度领域（如医疗保健）的实际应用，必须使其具有可解释性。本研究通过探索一种基于临床情况、疾病风险预测和算法解释的上下文定制方法，验证了这种方法的重要性。在对 2 型糖尿病（T2DM）中的慢性肾脏病（CKD）风险预测进行了实证分析后，我们获得了初步结果和来自医疗专家的热烈反响。

Jul, 2021

2 型糖尿病患者通过人工智能和个性化反馈改善每日步数、总卡路里和总碳水化合物摄入，并提供预测控制模型以精确管理病情。

Jan, 2024

提供上下文解释可以提高医疗专家对人工智能系统的信任度。我们使用多个 LLMs 构建了一个端到端的人工智能流程，包括数据集建立，风险预测模型，后续模型解释和可视化仪表盘，以识别 2 型糖尿病并发症慢性肾脏疾病的驱动因素及风险，证实了上下文解释在临床实践中的可行性和价值。

Feb, 2023

该论文提出了一种基于智能健康护理系统的、用于预测 2 型糖尿病的机器学习模型 HealthEdge，并使用真实数据集进行了两种机器学习算法（随机森林和逻辑回归）之间的比较分析，结果表明 RF 预测糖尿病的准确率比 LR 平均高 6％。

Jan, 2023

利用影像学数据，神经网络和决策树模型可用于预测 2 型糖尿病发病率及输出类似于血红蛋白 A1C 实验室测量的可解释值，并演示输入向量小扰动对系统的灵敏度可用于预测先前未见的病人群体。

Sep, 2022

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

该研究总结了数字健康技术在预防、检测和治疗潜在糖尿病和未经确诊的 2 型糖尿病方面的应用，重点介绍了 AI 聊天机器人、在线论坛、可穿戴设备和移动应用。此外，还探讨了通过 AI 和机器学习算法提高筛查效果的技术以及通过分析社交媒体和流媒体数据进行人群疾病预测的方法。

Dec, 2023