Decoding Diabetes: Harnessing AI to Accurately Predict Real-Time and Future Blood Glucose Levels for Diabetes Management Using Diet, Exercise, Insulin Intake, and Heart Rate Variability
Notice bibliographique
Résumé
Abstract Continuous glucose monitoring (CGM) systems play a crucial role in diabetes care. Yet, they focus solely on blood glucose levels (BGL), neglect diet, exercise, and medication, and lack predictive capabilities, leaving patients and clinicians with reactive rather than proactive solutions. This study introduces Dual Temporal Recurrent Ensemble (DTRE), a novel AI model that bridges these gaps by enabling real-time BGL monitoring without a traditional CGM and forecasting BGL for 30 to 120 minutes into the future when integrated with CGM data. The model’s performance is based on two parallel branches of hybrid models that combine advanced machine learning architectures for accurate predictions and integrate key biomarkers like diet, exercise, insulin intake, heart rate (HR), and heart rate variability (HRV). This pioneering study developed and validated DTRE on two diverse datasets, OHIOT1DM and D1NAMO, achieving exceptional forecasting accuracy: a Mean Absolute Relative Difference (MARD) of 7.6% at 30 minutes and 19.2% at 120 minutes, outperforming existing models by 13 to 41%. DTRE also surpassed commercial CGM systems for real-time BGL predictions by achieving a MARD of 7.17% on the high-frequency D1NAMO dataset compared to FreeStyle Libre 3 (7.9%) and Dexcom G7 (8.2%). DTRE is the first AI-driven virtual BGM (vBGM) to integrate all four pillars of diabetes care and validate them on two diverse datasets. It offers a non-invasive, low-cost, and proactive solution. Its real-time insights can provide patients and clinicians with actionable data, transforming diabetes management for individuals who depend on insulin. Validation across diverse datasets underscores its potential for global application. Human Subject Research Statement This research did not utilize any human subjects. Pre-existing and published databases were used for this research.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».