摘要 - 植物性高血糖（PPHG）对健康有害，增加了心血管疾病，视力减少和危及生命等癌症的风险。在发生PPHG事件发生之前检测可能有助于提供早期干预措施。先前的研究表明，可以根据有关饮食的信息来预测PPHG事件。但是，这种计算方法（1）是饥饿的数据，需要大量的算法培训数据； （2）用作黑盒，缺乏解释性，从而限制了这些技术用于临床干预措施的采用。是在这些缺点的推动下，我们提出了基于机器学习的框架1，该框架整合了有关饮食，胰岛素和血糖的多模式数据，以预测PPHG事件发生之前。使用来自糖尿病患者的数据，我们证明我们的模型可以预测PPHG事件的分类精度高达90％，而F1的平均得分为0.93。提出的基于决策的方法还确定了可修改的因素，这些因素有助于即将来临的PPHG事件，同时提供个性化的阈值以防止此类事件。我们的结果表明，我们可以开发简单但有效的计算算法，这些算法可以用作糖尿病和肥胖管理的预防机制。索引术语 - 机器学习，决策树，糖尿病，连续的葡萄糖监测仪，餐后高血糖。I。由美国糖尿病协会（ADA）和世界卫生组织（WHO）定义，不可接受的餐后血糖的阈值在餐后的任何时间为8.89 mmol/l（> 160 mg/dl）[1]。长期暴露于高血糖可降低血糖控制，并增强癌症，大血管并发症，脑血管和炎性血管疾病的发展[2]，[3]。在肥胖和糖尿病患者中，后果更为严重。因此，即使在食用餐点之前，预测PPHG事件的重要性也很明显。连续的葡萄糖监测器（CGM）用于型糖尿病管理，因为它们在长时间跨度上以一致的频率传输血糖浓度。尽管CGM传感器在重新估计血糖水平的实时估算功效中，但它们没有配备计算算法来预测和警告PPHG的用户。因此，开发了一种算法，该算法可以预测并传达有关迫在眉睫的PPHG事件和潜在可修改因素