In dieser Studie wird ein innovativer Ansatz zur nicht-invasiven Überwachung von Hyperglykämie mithilfe von Elektrokardiogrammen (EKG) aus einer bemerkenswert großen Datenbank mit 1.119 Probanden vorgestellt. Die Methodik beinhaltet die Entwicklung eines generalisierten Modells, das auf einem Teil der EKG-Daten der Probanden trainiert wird, um Hyperglykämie bei unbekannten Probanden vorherzusagen.
Das entwickelte tiefe neuronale Netzwerkmodell ist in der Lage, signifikante Merkmale über verschiedene räumliche Positionen hinweg zu identifizieren und Interdependenzen innerhalb jeder Konvolutionsschicht zu untersuchen. Das Modell wurde mit Daten von 727 Probanden, die etwa 29.080 Segmente umfassen, trainiert, während 168 Probanden mit 6.720 Segmenten für die Validierung verwendet wurden. Die Testphase erfolgte mit 224 unbekannten Probanden und einem Datensatz von 9.000 Segmenten. Es wurde sichergestellt, dass in den Trainings- und Testdatensätzen eine gleichmäßige Verteilung von Hyperglykämie- und Normalwerten vorlag.
Die Ergebnisse zeigen die Effektivität des vorgeschlagenen Algorithmus zur Hyperglykämie-Erkennung mit einer Fläche unter der Kurve (AUC) von 91,60 %, einer Sensitivität von 81,05 % und einer Spezifität von 85,54 %.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by MohammadReza... às arxiv.org 03-13-2024
https://arxiv.org/pdf/2403.07296.pdfPerguntas Mais Profundas