type 2 diabetes
PulseAugur coverage of type 2 diabetes — every cluster mentioning type 2 diabetes across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的HRL框架将患者偏好纳入慢性病治疗规划
研究人员开发了一个新的层级强化学习框架，名为以患者为中心的因子动作层级选项-批评器（FAHOC）。该框架旨在通过将患者偏好直接纳入决策过程，来改进多慢性病患者的治疗规划。使用约50,000名患者的数据进行的评估表明，FAHOC可以显著提高质量调整生命年，并准确识别患者偏好。
-
基础模型需要针对糖尿病葡萄糖预测进行微调
一项发表在arXiv上的新研究评估了时间序列基础模型在连续血糖监测（CGM）预测中的有效性，特别是针对1型和2型糖尿病患者。研究发现，虽然零样本基础模型在性能上并未始终优于PatchTST等专业基线模型，但对Chronos-Bolt等模型进行微调可以显著提高预测精度。该研究还整合了多模态饮食背景，使用了一个名为CGMacros的框架，该框架与CGM数据结合使用时，显示出整体RMSE的降低以及餐后RMSE的更大幅度下降。
-
新方法将年龄生物标志物中的疾病效应归因于训练数据
研究人员开发了一种名为pyinfluence的新方法，用于将规范性年龄生物标志物中的疾病相关效应归因于单个训练样本。该技术通过留一法再训练进行验证，根据训练样本对保留的病例对照分离的影响程度进行排名。当应用于英国生物银行（UK Biobank）的四种疾病数据时，移除影响最大的前10%训练样本会持续增加保留的疾病相关效应大小，特别是使2型糖尿病的代谢组年龄效应翻倍，并提高多发性硬化症的脑年龄效应。
-
新 AI 系统 DIASENTINEL 使用 EHR 和 ADA 指南筛查糖尿病风险
一个名为 DIASENTINEL 的新多代理系统已被开发出来，用于在本地部署中筛查 2 型糖尿病风险，并使用电子健康记录。该系统旨在通过整合风险预测、临床信号提取以及与美国糖尿病协会指南的核对，提供可审计且注重隐私的临床决策支持。DIASENTINEL 框架包括一个用于批量筛查的仪表板和一个用于生成附有引用建议和核对结果的患者报告的界面。
-
新的FHMM模型为T2DM疾病轨迹提供可解释的见解
研究人员开发了一种新颖的因子隐马尔可夫模型（FHMM），用于分析2型糖尿病（T2DM）患者的疾病进展。该模型将患者的健康状况分解为多个独立组成部分，这些组成部分可以代表合并症和实验室结果，从而能够识别临床相关状态和常见的疾病轨迹。FHMM应用于IQVIA医疗研究数据中的电子健康记录，揭示了不同的疾病进展途径，包括伴有微血管并发症和较高死亡风险的途径。
-
新基准揭示了糖尿病监测中隐藏的AI公平性差异
一项名为FairGlucose的新基准已被开发出来，用于评估用于糖尿病管理的持续葡萄糖监测（CGM）的AI工具的公平性。该基准包含12个不同人口统计学层面的300名患者，揭示了亚组之间的预测准确性存在显著差异，而这些差异通常被群体级验证指标所掩盖。即使在总体表现稳定的情况下，亚组级别的预测误差也存在很大差异，在测试的33个模型中，1型糖尿病患者的误差率高于2型糖尿病患者。这表明目前的验证方法不足以确保数字健康领域AI的公平表现，凸显了…
-
《007：黄金眼》历时五年项目成功反编译，支持模组和移植
一位忠实爱好者已成功反编译了任天堂64原版的《007：黄金眼》，该项目耗时五年完成。这一重大成就已在GitHub上达到100%完成，为这款有影响力的游戏带来了广泛的修改和移植到其他平台的潜力。虽然PC版移植已在开发中，但项目负责人建议避免快速的AI驱动移植，并建议专注于人类开发和优化的版本。
-
新框架RARE改进MoE语言模型引导
研究人员开发了RARE，一个用于引导专家混合（MoE）语言模型的新框架，该框架将表示引导与专家路由解耦。这种方法将行为扰动投影到路由器矩阵的零空间，从而缓解了表示工程与MoE架构之间的结构不匹配引起的问题。研究表明，RARE在有害性引导、真实性和事实编辑方面均有改进，同时保持了模型的准确性。另外一项研究调查了双语MoE模型，发现虽然顺序语言暴露可以实现稳定、语言平衡的路由，但非课程基线表现出更强的总体语言专业化。
-
专家警告：GLP-1药物存在骨骼和肌肉流失的隐藏风险
GLP-1药物虽然在减肥和改善心血管健康方面效果显著，但存在导致显著肌肉和骨密度流失的隐藏风险。这会增加骨折的风险，特别是对于已经容易骨密度下降的老年人和绝经期女性。专家建议，服用GLP-1药物的患者应与医生密切合作，制定全面的治疗计划，包括力量训练、摄入足够的钙、维生素D和镁的均衡营养，以减轻这些次要影响并保持长期的肌肉骨骼健康。
-
饮用咖啡与降低肝脏和心脏病风险相关
最新研究表明，适量饮用咖啡（定义为每天最多五杯）与肝脏和心血管系统有显著的健康益处。一项大型英国生物银行研究发现， regular coffee drinkers 患肝硬化、肝癌和肝病死亡的风险较低，即使在较低的饮用量下也观察到了益处。此外，美国心脏协会的一项审查表明，适量饮用咖啡对大多数成年人是安全的，并且可能与降低心脏病、中风和2型糖尿病的风险相关，而不会增加心律失常的可能性。
-
机器学习模型在预测2型糖尿病风险方面存在偏见
一项发表在arXiv上的新研究评估了用于预测2型糖尿病风险的机器学习模型，发现虽然模型在内部表现良好，但当应用于真实人群时，其有效性会显著下降。研究强调存在严重的偏见，与年轻或体重正常的个体相比，老年人和肥胖个体在预测准确性和校准方面表现更差。该分析使用XGBoost和SHAP进行可解释性分析，确定年龄、BMI和体育活动是关键风险因素，强调了公平性感知部署策略的必要性。
-
LLM框架MOSAIC评估临床记录中的疾病严重程度 · 跟踪3个来源
研究人员开发了MOSAIC，一个新颖的两阶段代理LLM框架，用于从电子健康记录（EHR）中评估疾病严重程度。该系统以2型糖尿病为概念验证进行了测试，展示了LLM综合临床证据和推理复杂EHR数据的能力，超越了传统的基于规则的方法。MOSAIC框架显示出死亡风险的显著分离和并发症的负梯度，表明其在生成临床上有意义的严重程度表型方面的潜力。
-
新的RARE框架改进了冗余文档语料库的RAG评估
研究人员开发了RARE，一个新颖的框架，旨在更准确地评估检索增强生成（RAG）系统，特别是在高度相似和冗余文档的领域。传统基准测试常常无法捕捉到这些系统在金融、法律和专利分析等现实世界场景中因信息重叠而导致的性能下降。RARE通过将文档分解为原子事实以精确跟踪冗余，并采用CRRF增强的数据生成方法来提高基准测试的可靠性来解决这个问题。在专业语料库上的初步应用揭示了检索器性能中先前未被发现的显著鲁棒性差距。
-
新研究利用单细胞RNA测序绘制人脂肪细胞发育图谱
研究人员利用单细胞RNA测序技术绘制了人脂肪组织中脂肪细胞的发育路径图。该研究识别出15个不同的细胞簇和7个过渡状态，揭示了动态的分化过程。研究发现，关键信号通路，特别是胰岛素样生长因子（IGF）和成纤维细胞生长因子（FGF），在整个分化过程中均活跃，并表现出不同脂肪库的特异性差异，这为代谢性疾病提供了潜在的治疗靶点。
-
新的T2D-Bench框架评估LLM在2型糖尿病方面的准确性
研究人员开发了T2D-Bench，一个旨在评估大型语言模型（LLM）在2型糖尿病管理方面的准确性和循证推理能力的新评估框架。该框架利用一个多层知识图谱，整合了临床指南和生活方式因素，以检查LLM输出是否符合证据要求。初步测试表明，当前的LLM，如GPT-4o-mini和GPT-4o，在相当大比例的案例中未能通过这些循证检查，凸显了此类严格评估方法对于确保可靠临床建议的必要性。
-
AI模型优化2型糖尿病随访间隔，降低成本
研究人员开发了一种情境马尔可夫决策过程（CMDP）模型，用于优化2型糖尿病（T2D）患者的随访间隔，超越了美国糖尿病协会的固定指南。通过分析超过22,000名患者的电子健康记录，该模型识别出两个不同的风险亚群。CMDP推导出的策略建议采用自适应随访计划，建议间隔时间从1个月（针对未测量实验室检查）到6-12个月（针对持续的血糖控制），高风险患者的随访间隔更短。与固定间隔基准相比，这种方法显著降低了预期的累积成本。
-
提出新的连续个人健康基础设施架构
一篇新研究论文提出了个人护理效用（PCU），这是一个旨在临床环境之外提供连续健康基础设施的架构框架。PCU 旨在将个人健康数据组织成有意义的生命事件，估算健康状态，并通过一个将临床决策逻辑与行为策略和自然语言表达分离的系统进行指导路由。这种方法允许大型语言模型协助推理和沟通，同时确保关键的临床决策仍然基于证据，并以2型糖尿病管理作为初步实例。
-
LLM框架利用可穿戴传感器数据提升糖尿病护理水平
研究人员开发了GlyLLM，一个利用大型语言模型（LLMs）的创新框架，用于改善2型糖尿病患者的个性化血糖评估。该方法将连续血糖监测器等可穿戴传感器的数据与结构化元数据相结合，超越了传统的机器学习方法。实验表明，GlyLLM在葡萄糖预测准确性方面提高了13.66%，在糖尿病分类性能方面提高了13.08%。
-
《大金刚64》将于6月4日登陆Nintendo Switch Online
任天堂宣布，《大金刚64》将于2026年6月4日起在Nintendo Switch Online + Expansion Pack服务上线。这款经典的N64平台游戏最初于1999年发布，一直是任天堂经典游戏库中备受期待的加入。游戏拥有多个可玩角色，并侧重于在大型3D关卡中收集物品，尽管其结构和操控性可能存在争议。
-
人工智能模型利用生物标志物和视网膜扫描预测糖尿病并发症
研究人员开发了新的机器学习框架来预测2型糖尿病患者的多器官功能障碍。一项研究利用常规实验室生物标志物和梯度提升模型，通过识别高血糖、肾功能损害、血脂异常和炎症作为关键风险因素，实现了近乎完美的区分（AUC = 1.000）。另一项独立的试点研究在视网膜图像上采用了可解释的多任务深度学习，揭示了视网膜血管编码与全身性异常相关的信号，特别是微血管损伤，尽管预测性能因任务而异。