diabetes
PulseAugur coverage of diabetes — every cluster mentioning diabetes across labs, papers, and developer communities, ranked by signal.
- 2026-05-22 research_milestone A study proposed a new AI-driven method for early diabetes detection using breath biomarkers. 来源
4 天有情绪数据
-
Carna Health 首席技术官详述临床软件的验收测试驱动开发
Carna Health 首席技术官 Boris Berat 概述了一种在快速发展的医疗保健领域构建临床软件的审慎工程方法。核心挑战在于，在全球不同环境中，面对指南、数据质量和基础设施的不断变化，确保行为的一致性。Berat 强调使用验收测试驱动开发，即在编码开始之前，通过可验证的示例和预期结果明确定义每一项规则。这种方法可以及早暴露不确定性，这对于防止临床决策中难以察觉和纠正的细微、累积性错误至关重要。
-
新的K-ABENA框架通过选择性梯度计算大幅降低AI训练成本
研究人员推出了一种用于神经网络训练中选择性梯度计算的新框架K-ABENA。该方法旨在通过排除一部分低损失观测值在反向传播中的参与来降低每次迭代的计算成本。K-ABENA的补偿版本利用Horvitz-Thompson重加权技术，实现了无偏梯度估计，并展示了与全批量随机梯度下降（SGD）相当的收敛保证，同时提供了显著的计算节省。
-
五百万美国人失去ACA医保，引发公共健康担忧
根据美国卫生与公众服务部的新数据，约有五百万美国人通过《平价医疗法案》(Affordable Care Act)市场失去了医疗保险。特朗普政府将这一下降归因于反欺诈措施，尽管此前国会未能延长本可以降低保费的税收抵免。预计失去医保将通过减少获得预防性护理的机会、加剧慢性病以及可能增加传染病的传播，对公共健康产生负面影响。
-
机器学习探索通过智能手表进行无创血糖监测
研究人员探索了使用机器学习和深度学习通过智能手表上的光电容积脉搏波（PPG）信号无创地估算血糖水平。该方法旨在克服传统侵入式连续血糖监测（CGM）设备的局限性，后者可能引起刺激。该研究提出了一个配对的PPG信号和CGM数据的数据集，初步结果表明存在潜在的预测信号，但需要对更大规模的数据集进行进一步研究。
-
靶向疗法将晚期肺癌转变为慢性病
香港中文大学牵头的一项全球研究表明，靶向疗法 lorlatinib 可在至少七年内阻止超过一半晚期肺癌患者的疾病进展。这一重大进展表明，有可能像管理糖尿病一样，将晚期肺癌作为一种慢性病进行管理。该研究涉及多个地区的 296 名患者，将 lorlatinib 与 crizotinib 进行了比较，结果显示前者在七年内的无进展生存率为 55%，而对照组为 3%。
-
AI框架优化低收入国家的糖尿病护理
研究人员开发了一个优化框架，通过个性化社区卫生工作者（CHW）的访问来改善低收入和中等收入国家的糖尿病护理。该模型考虑了患者的积极性和治疗依从性，以在社区层面最大化血糖控制。该方法应用于印度城市贫民窟的数据，显示出将空腹血糖降低高达25%的潜力，同时优化了资源分配并降低了患者的辍学率。
-
对卢旺达医疗保健系统在糖尿病管理方面进行大数据分析评估
一项研究评估了卢旺达医疗保健系统在糖尿病管理方面实施大数据分析（BDA）的准备情况。研究包括一个为期五天的研讨会，有来自医疗专业人员、政策制定者和技术提供商等不同领域的 25 名利益相关者参与。研究结果揭示了采用 BDA 的潜在好处和重大挑战，并提出了一个利用可解释机器学习模型的实用 BDA 框架。
-
新的CopulaSMOTE方法改进了糖尿病预测中的不平衡数据处理
研究人员开发了CopulaSMOTE，一种解决医疗预测模型中类别不平衡的新颖方法，特别适用于糖尿病等疾病。与传统的SMOTE等方法不同，该方法使用基于Copula的技术来更好地模拟生成合成数据时少数类中的依赖结构。在三个公开的糖尿病数据集上的评估表明，CopulaSMOTE可以提高少数类的恢复能力，尤其是在较大的数据集和特定的分类器上，尽管其有效性有所不同。
-
通化东宝的糖尿病药物在尼加拉瓜获批
通化东宝已收到尼加拉瓜卫生监管机构颁发的利拉鲁肽注射液药品注册证书。这项针对糖尿病治疗药物的批准标志着该公司在尼加拉瓜市场的显著扩张，是对其现有胰岛素产品线的补充，并有助于国际业务增长。该公司还指出，山西矿难中近一半的失踪工人未在系统中找到。
-
AI框架使用呼吸生物标志物预测糖尿病风险
研究人员开发了一个新颖的数据驱动框架，利用呼吸中发现的挥发性有机化合物（VOCs）以及生活方式数据来识别糖尿病风险个体。该研究采用因果推断技术，确定了丙酮和异丙醇等特定VOCs对血糖水平的影响。机器学习模型被用来将个体分类为糖尿病或非糖尿病，并为中间类别的个体创建风险排名系统，这表明了无创早期糖尿病筛查工具的潜力。
-
新研究提升了公平性和效率的共形预测
研究人员正在改进共形预测（CP）技术，以提高机器学习中的不确定性量化和公平性。FedCF等新方法旨在将CP扩展到联邦学习场景，实现跨不同子群体的公平性审计。其他进展包括用于时间序列中稳健顺序CP的DistMatch，用于高效基于核的条件CP的SpeedCP，以及用于预测集解耦优化的DCO。此外，正在开发ERT等新的诊断方法，以更好地评估条件覆盖率，并且研究正在探索超越程序性保证的实质性公平性。
-
机器学习框架助力糖尿病检测和亚型分析
研究人员开发了一个新颖的三阶段机器学习框架，以应对糖尿病管理的复杂性。第一阶段对各种分类器进行基准测试以检测糖尿病，并识别出葡萄糖、BMI和年龄等关键预测生物标志物。后续阶段侧重于将糖尿病患者聚类成亚型，并探索血糖控制与认知功能之间的联系，揭示了显著的正相关性。