Enhancing Glucose Sensor Models: Modeling the Drop-Outs
Notice bibliographique
Résumé
BACKGROUND: Computer simulation environments have been used in the development of many artificial pancreas systems. A glucose sensor model is an essential part of these environments, and different models have been proposed. However, not one of these models accounts for drop-outs of sensor readings, a well-known phenomenon caused by physical pressure on the sensor site. In this work, we have proposed an enhanced model that accounts for drop-outs and demonstrated its improvement over the existing one-compartment model. MATERIALS AND METHODS: Potential drop-outs were augmented to the existing model, and their incidences and magnitudes were estimated simultaneously with the model parameters using the Bayesian approach. Drop-outs and model parameters were estimated from data collected from 15 subjects with type 1 diabetes who underwent an artificial pancreas study. Model fitting and parameter estimates were contrasted between the enhanced model and the existing one-compartment model. RESULTS: Both models achieved similar parameter estimates (P=not significant) and were all physiologically plausible. The enhanced model further estimated 1.71 drop-outs per day, which improved model fit (weighted residual reduced from [minimum -4%, maximum 3%] to [-3%, 2%]) and reduced significantly the deviance information criteria from 2739.72 to 1456.00. CONCLUSIONS: The enhanced model improves fitting of glucose levels and should allow more realistic simulations that assesses artificial pancreas systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».