Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Experimentos Relacionados

Pronóstico de glucosa en sangre con conocimiento del futuro mediante destilación de conocimiento con modelos

Xiaoyu Sun1, Hongru Li2, Xia Yu2

  • 1College of Information Science and Technology, Northeastern University, Shenyang, 110819, China. sunxiaoyu1@ise.neu.edu.cn.

Scientific reports
|March 1, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

Improving Translational Accuracy02:07

Improving Translational Accuracy

15.3K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
15.3K
Improving Translational Accuracy02:07

Improving Translational Accuracy

3.7K
3.7K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Endocytic motif on HIV-1 Env regulates cleavage status and antibody neutralization of cell-free and cell-to-cell infection.

Journal of virology·2026
Same author

Corrosion Inhibition of Imidazolidinyl Urea-Based Zinc Anode Stabilization for Achieving Superbly Reversible Aqueous Zinc Metal Batteries.

Langmuir : the ACS journal of surfaces and colloids·2026
Same author

Butyrate protects against Klebsiella pneumoniae-induced oxidative stress in alveolar macrophages via p62-Keap1-Nrf2 pathway.

Redox biology·2026
Same author

How should we interpret the use of vonoprazan and proton pump inhibitors during immunotherapy for hepatocellular carcinoma?

International journal of clinical oncology·2026
Same author

1064 nm InGaAsP multi-junction laser power converters via reverse-bias method.

Optics express·2026
Same author

Research on the influence of micro-pile layout of stability of landslide resistance.

Scientific reports·2026
Same journal

Turbulent flow in a vortex separator with a directed pipe inlet.

Scientific reports·2026
Same journal

Systematic characteristic evaluation of clay-based cementitious material derived from calcium carbide residue and waste tile powder.

Scientific reports·2026
Same journal

Retraction Note: Improvement of a rapid diagnostic application of monoclonal antibodies against avian influenza H7 subtype virus using Europium nanoparticles.

Scientific reports·2026
Same journal

Applying large language models to spam detection in the Kazakh low-resource language setting.

Scientific reports·2026
Same journal

An open-source 3D printing system enabling in-situ freeze-thaw processing of hydrogels.

Scientific reports·2026
Same journal

An enhanced EfficientNet framework for automated waste classification using cosine annealing and label smoothing.

Scientific reports·2026
Ver todos los artículos relacionados
Este resumen es generado por máquina.

Este estudio presenta un marco de aprendizaje con conocimiento del futuro para mejorar el pronóstico de los niveles de glucosa en sangre (BGL) en el control de la diabetes. El método mejora la precisión de las predicciones utilizando datos futuros durante el entrenamiento, lo que permite un monitoreo confiable de la glucosa en tiempo real.

Área de la Ciencia:

  • Ingeniería Biomédica
  • Inteligencia Artificial en la Atención Médica
  • Tecnología de la Diabetes

Sus antecedentes:

  • El pronóstico preciso de los niveles de glucosa en sangre (BGL) es vital para el autocontrol de la diabetes y las decisiones clínicas.
  • Los modelos actuales de aprendizaje profundo que utilizan datos de monitoreo continuo de glucosa (CGM) a menudo excluyen factores futuros como la insulina o las comidas, lo que limita el pronóstico en tiempo real.
  • Esta brecha dificulta el desarrollo de herramientas de predicción de glucosa precisas y fiables.

Objetivo del estudio:

  • Desarrollar un marco novedoso de aprendizaje con conocimiento del futuro para la predicción de BGL multietapa.
  • Aprovechar la información futura privilegiada durante el entrenamiento, garantizando la aplicabilidad en la inferencia.
  • Mejorar la precisión y la fiabilidad clínica de los modelos de pronóstico de BGL.
Palabras clave:
diabetesmonitoreo de glucosaaprendizaje automáticointeligencia artificialpronósticotecnología de la diabetesgestión de la diabetesmodelos de secuencia a secuenciadestilación de conocimientoaprendizaje con conocimiento del futuro

Videos de Experimentos Relacionados

Principales métodos:

  • Se entrenó un modelo profesor basado en Transformer sin conexión utilizando datos históricos de CGM e información de perturbación futura (insulina, comidas).
  • Un modelo estudiante, entrenado mediante destilación de conocimiento, aprendió a aproximar las predicciones del profesor utilizando solo datos históricos.
  • El marco se evaluó en los conjuntos de datos OhioT1DM y AZT1D para horizontes de predicción de 30 a 120 minutos.

Principales resultados:

  • El marco propuesto demostró reducciones consistentes en el error cuadrático medio (RMSE) y el error absoluto medio (MAE) en comparación con los métodos establecidos.
  • Más del 90% de las predicciones alcanzaron fiabilidad clínica, según lo validado por el análisis de la cuadrícula de errores de Clarke.
  • El enfoque con conocimiento del futuro mejoró significativamente el rendimiento del pronóstico de glucosa bajo restricciones realistas de implementación.

Conclusiones:

  • Las estrategias de entrenamiento con conocimiento del futuro pueden mejorar sustancialmente la precisión y la fiabilidad del pronóstico de glucosa.
  • El marco desarrollado ofrece una solución práctica para la predicción de BGL en tiempo real sin requerir datos futuros en la implementación.
  • Este enfoque tiene un potencial significativo para mejorar el autocontrol de la diabetes y la toma de decisiones clínicas.