XiaoMi-AI文件搜索系统
World File Search Systemandial
葡萄糖：可解释的餐后血糖预测和体育锻炼
摘要 - 以餐后的血糖水平超过正常范围的标志性的植物性高血糖，这是在糖尿病和健康个体中向2型糖尿病进展的关键指标。饮食后了解血糖动力学的关键指标是曲线下的餐后区域（PAUC）。根据人的饮食和活动水平预测PAUC，并解释什么影响餐后血糖可以使人可以相应地调整其生活方式以维持正常的葡萄糖水平。在本文中，我们提出了葡萄糖，这是一种可解释的机器学习，以预测饮食，活性和最近的葡萄糖模式中的PAUC和高血糖。我们对10个全职工作人员进行了为期五周的用户研究，以开发和评估计算模型。我们的机器学习模型采用多模式数据，包括空腹葡萄糖，近期葡萄糖，最近的活性和大量营养素量，并提供了可解释的餐后葡萄糖模式的预测。我们对收集到的数据的广泛分析表明，训练有素的模型达到了0.123的归一化均方根误差（NRMSE）。平均而言，带有随机森林主链的葡萄糖素比基线模型可获得16％的结果。此外，血糖素可以准确地预测高血糖率74％，并建议通过不同的反事实解释来帮助避免高血糖。可用代码：https：//github.com/ab9mamun/glucolens。
极低剂量餐前乳清蛋白微凝胶可降低 2 型糖尿病患者的餐后血糖：一项随机、安慰剂对照交叉研究
D. 筛选时肝转氨酶升高 > 3 倍正常值上限。E. 正在或近期（即 < 3 个月）使用二甲双胍以外的任何口服或注射降糖药物治疗。F. 正在或近期（即 < 3 个月）接受减肥干预（如饮食减肥计划）或有减肥手术史或有记录显示过去 6 个月内体重减轻 > 5%。G. 正在或近期（即 < 3 个月）使用厌食药物、全身性类固醇、已知影响胃动力的药物或任何已知影响胃肠道完整性和食物吸收的疾病。H. 过去 3 个月内发生过需要住院治疗的重大医疗/外科事件。I. 筛选前 8 周内献血或大量失血。患者还必须同意在最后一次就诊后 8 周内不献血。
患有 1 型糖尿病的青少年在典型饮食之后的餐后血糖变化。
摘要：我们在一个患有 1 型糖尿病并食用自由饮食的青少年大样本中探讨了宏量营养素摄入量与餐后血糖变异性之间的关联。在 1 型糖尿病运动计划儿童 (T1DEXIP) 研究中，青少年在 10 天的观察期内 3 天拍摄了饭前和饭后的照片。我们使用远程食物摄影法来获取青少年膳食中的宏量营养素含量。我们还收集了身体活动、连续血糖监测和胰岛素使用数据。我们使用标准差 (SD) 和餐后 3 小时内血糖的变异系数 (CV) 来测量血糖变异性。我们的样本包括 208 名患有 1 型糖尿病的青少年（平均年龄：14 ± 2 岁，平均 HbA1c：54 ± 14.2 mmol/mol [7.1 ± 1.3%]；40% 为女性）。我们观察到，碳水化合物含量较高的膳食后，餐后血糖变异性 (SD 和 CV) 更大。相比之下，在调整碳水化合物后，我们观察到脂肪较多（SD 和 CV）和蛋白质较多（仅 SD）的餐后血糖波动较小。胰岛素方式、餐后运动和运动强度不会影响常量营养素与餐后血糖波动之间的关联。为了减少 1 型糖尿病青少年的餐后血糖波动，临床医生应鼓励多样化的常量营养素膳食内容，目标是接近建议的碳水化合物摄入量饮食指南。
学习差异方程式具有结构化语法进化的餐后血症预测
结果表明，我们的建议提供了可解释的解决方案，而无需牺牲预测准确性或安全性，并提供了一种有希望的糖尿病管理葡萄糖预测方法，可以平衡准确性，安全性，可解释性和计算效率。
使用机器学习的解释
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