Predicting Future Glucose Fluctuations Using Machine Learning and Wearable Sensor Data
Notice bibliographique
Résumé
Predicting blood glucose values (BG) using machine learning (ML) algorithms and data fusion techniques. There has been a recent explosion of interest in BG prediction due to its application in the development of insulin regulating algorithms for the Artificial Pancreas Project. During this study, we measured the predictive accuracy of a software system designed to predict glucose behaviour using step-count and heart-rate data in addition to BG-insulin dynamics. The software was tested in a blinded pilot study at BC Children's Hospital for 9 type 1 diabetic children. Using continuous glucose monitors (CGM) and fitness wearables (Fitbit), the software aggregated 60-days of continuous data from each participant. The data from the first 30-days of the study was used to train the algorithem. The trained algorithm was then used to make predictions every 5mins for the next 30days. On average, the software was able to predict user's future glucose values with 93% accuracy rate for 60-mins ahead of time. Although encouraging, the algorithm required further testing. We have since released the app under the commercial name "DiaBits" for more testing and further data collection. Disclosure A. Hayeri: Other Relationship; Self; Dexcom, Inc., Fitbit, Inc.. Research Support; Self; BC Children's Hospital - Vancouver Canada. Other Relationship; Self; University Of British Columbia.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».