[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Glucose-ML: una colección de conjuntos de datos longitudinales sobre diabetes para el desarrollo de soluciones robustas de IA

Created by
  • Haebom

Autor

Temiloluwa Prioleau, Baiying Lu, Yanjun Cui

Describir

Para abordar los desafíos del desarrollo de algoritmos de inteligencia artificial (IA) que desempeñan un papel clave en las tecnologías de salud digital de vanguardia para el manejo de la diabetes, este documento presenta la colección Glucose-ML, que incluye 10 conjuntos de datos de diabetes disponibles públicamente publicados entre 2018 y 2025. Glucose-ML contiene más de 3 millones de días de datos de monitoreo continuo de glucosa (MCG) (38 millones de muestras de glucosa en sangre en total) de más de 2500 pacientes con diabetes tipo 1, diabetes tipo 2, prediabetes y no diabéticos de cuatro países. Para ayudar a los investigadores a utilizar eficazmente este conjunto de datos, proporcionamos un análisis comparativo de los conjuntos de datos y un estudio de caso centrado en la tarea de IA de predicción de glucosa en sangre. A través del estudio de caso, demostramos que los resultados de la predicción pueden variar significativamente según el conjunto de datos, incluso para el mismo algoritmo, y proporcionamos recomendaciones para desarrollar soluciones robustas de IA basadas en esto. Proporcionamos enlaces y código para todos los conjuntos de datos.

Takeaways, Limitations

•
Takeaways:
◦
Acelerar el desarrollo de tecnologías de gestión de la diabetes basadas en IA proporcionando 10 conjuntos de datos públicos sobre diabetes.
◦
Apoya la selección de datos para los desarrolladores de algoritmos a través del análisis comparativo de conjuntos de datos.
◦
Un estudio de caso sobre la predicción del azúcar en sangre demuestra las diferencias en el rendimiento del algoritmo en diferentes conjuntos de datos y proporciona orientación para desarrollar modelos de IA sólidos.
◦
Aumentar la reproducibilidad y la transparencia de la investigación haciendo que los conjuntos de datos y el código sean abiertos.
•
Limitations:
◦
Puede haber problemas con el conjunto de datos, como desviación cualitativa y sesgo de muestreo.
◦
El estudio de caso se centra únicamente en la predicción del nivel de azúcar en sangre, lo que limita su generalización a otras tareas en la IA para el manejo de la diabetes.
◦
Puede haber una falta de información detallada sobre la diversidad del conjunto de datos (raza, edad, género, etc.).
◦
Tal vez se necesiten más investigaciones con seguimiento de datos a más largo plazo y análisis de los resultados.
👍
Made with Slashpage