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
基于患者的外部活动而无需涉及任何生理参数,我们提出了 CrossGP,这是一种新颖的机器学习框架,用于跨日血糖预测。通过与三种基准模型进行比较,对 Anderson 的数据集进行了大量实验,强烈证明了 CrossGP 的卓越性能,并证明了其在未来实际应用中的潜力。
Apr, 2024
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
提出了一种名为 GluMarker 的综合框架,用于建模数字生物标志物,以预测糖尿病患者的血糖控制情况,通过评估和改进各种机器学习基线,在预测第二天的血糖控制方面达到了最先进的水平,并鉴定出了对血糖控制具有重要影响的数字生物标志物,为糖尿病护理提供关键洞察。
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
通过异步去中心化联邦学习来解决糖尿病患者面临的高质量血糖预测模型的难题以及隐私保护的问题。GluADFL 方法在四个不同的 T1D 数据集上经过与八种对照方法的比较,展示了在跨患者分析中准确预测血糖水平的优越性能,同时适用于各种社交网络的通讯网络中的数据存储和分享,提供了实际应用的隐私保护解决方案,显著提高了糖尿病管理的质量。
Jun, 2024
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。
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
我们提出了一个新颖的框架,将深度生成时间序列模型与决策理论相结合,用于生成个性化的治疗策略。它利用历史患者轨迹数据通过深度生成时间序列模型共同学习生成逼真的个性化治疗和未来结果轨迹。我们的框架能够根据条件预期效用最大化生成针对个性化患者历史的新颖多变量治疗策略,并为基于最优期望未来结果进行训练。我们展示了该框架通过为住院糖尿病患者生成个性化胰岛素治疗策略和血糖预测的潜力,展示了我们方法生成改进的个性化治疗策略的潜力。
Sep, 2023
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。