Smartphone-based Identification of Critical Levels of Glycated Hemoglobin A1c using Transdermal Optical Imaging
Notice bibliographique
Résumé
Abstract: Worldwide, the prevalence of diabetes has continued to increase rapidly. This gives rise to concerns regarding appropriate diabetes management to ensure optimal glycemic control. Untreated or uncontrolled diabetes can lead to a host of complications, such as cardiovascular diseases, an increased likelihood of morbidity and mortality (Deshpande, Harris-Hayes, & Schootman, 2008). A challenging problem which arises in diabetes management is the limitations of current blood glucose monitoring techniques. Electronic medical devices can potentially overcome the persistent problems in the healthcare industry. Thus, for this study, it was of interest to investigate whether advanced machine learning methods and Anura, a smartphone-based transdermal optical imaging technology (TOI) that assess health markers, can be a viable solution for diabetes management. Objectives: To examine the validity of TOI and a novel machine algorithm for diabetes prediction (i.e diabetes and non-diabetes). We compared the diabetes classification from TOI’s obtained glycated hemoglobin A1c (HbA1c) concentrations against data obtained from FDA approved blood immunoassay. Methods: In the present study, we used a kitchen sink random forest machine algorithm for diabetes prediction. The data set was obtained from 513 participants recruited during their annual physical examination at the Health Management Center of The Affiliated Hospital of Hangzhou Normal University, China. This included participant’s TOI and blood immunoassay determined HbA1c concentrations. To validate the model, pristine testing was done on 400 pristine participants pseudo randomly selected during 20 trials of training/testing. Results: The confusion matrix found TOI to have a classification accuracy of 66%, and the ROC curve of the RF classifier found TOI to have a ROC AUC of 0.69. Conclusions: The present study provides evidence for the potential use of the TOI technology, Anura, for contactless, non-invasive, and inexpensive assessments of diabetes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».