相关实验视频
Updated: Jun 13, 2025
03:25
Simple Continuous Glucose Monitoring in Freely Moving Mice
Published on: February 24, 2023
5.3K
使用机器学习模型和物联网设备数据进行持续的葡萄糖监测:元分析
概括
使用物联网数据的机器学习模型可以预测血糖水平. 随机森林显示出最好的表现,尽管准确性随着更长的预测时间而下降.
科学领域:
- 糖尿病管理 糖尿病管理
- 医疗保健中的人工智能
- 物联网 (IoT) 的物联网 (IoT) 的物联网.
背景情况:
- 机器学习 (ML) 为糖尿病血糖管理提供了各种方法.
- 选择适当的ML算法对于有效的糖尿病护理至关重要.
- 整合来自物联网设备的数据可以增强实时血糖监测模型.
研究的目的:
- 评估ML模型在预测血糖水平方面的有效性.
- 评估物联网设备数据集成对预测准确性的影响.
- 为了比较不同ML算法的血糖预测性能.
主要方法:
- 电子数据库的系统文献搜索 (2019-2023年).
- 包括使用ML模型推导和性能指标的研究.
- 使用诊断准确性研究的质量评估工具进行质量评估.
- 在各种预测地平线 (PHs) 上对血糖 (BG) 预测的ML模型进行比较.
主要成果:
- 在15分,30分,45分和60分钟的预测时间范围内,分析了10项研究.
- 平均绝对根平均平方误差 (RMSE) 值在15.02至35.89 mg/dL之间.
- 与其他ML模型相比,随机森林算法表现出卓越的性能.
结论:
- 在研究子组中观察到显著的异质性.
- 预测地平线的增加导致了更高的RMSE值用于血糖预测.
- 随机森林在评估的ML模型中始终显示出最高的相对性能.
