An Intelligent Diabetes Software Prototype: Predicting Blood Glucose Levels and Recommending Regimen Changes
Notice bibliographique
Résumé
Maintaining optimal blood glucose (BG) control is difficult for type 1 diabetes mellitus (T1DM) patients when typical daily regimens of food, insulin and exercise are altered. Artificial intelligence (AI) systems consisting of treatment algorithms calibrated through large datasets of patient specific information may offer a solution. Such a system can predict BG level changes resulting from regimen disturbances and recommend regimen changes for compensation. A software prototype based on neural network, fuzzy logic, and expert system concepts was developed and evaluated to determine feasibility and efficacy of a patient specific prediction model. BG data are the primary driver for adapting existing functions to patient specific prediction algorithms. Mean absolute percent error (MAPE) between actual and predicted BG values from inputs of daily insulin, food, and exercise information for an T1DM test subject was 10.5% using a calibrated model. The prototype is limited by the requirement for a rigid testing schedule, human error and situational circumstances such as alcohol consumption, illness, infection, stress, and significant hormonal imbalances. No significant conclusions regarding model validity can be drawn due to limited evaluation process and subject sample size, although the prototype has demonstrated viability as a learning tool for diabetes patients. Increased impetus for further development of this prototype and similar AI models may materialize when more effective diagnostic and data capture tools become available to reduce testing and improve accuracy of the model with more input data.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».