Noninvasive Glukosemonitoring per Wearable: Machine Learning zeigt hohe Genauigkeit
Von KI ausgewählt und zusammengefasst
Worum es geht
Machine-Learning-Modell zur Vorhersage von Gewebeglukose aus tragbaren Sensoren (Empatica EmbracePlus, Fitbit Sense 2) bei gesunden Personen und solchen mit Übergewicht; prospektive Validierung über zwei Wochen mit invasivem Referenzmonitor.
Ergebnis
Long-Short-Term-Memory-Netzwerk erreichte Root-Mean-Square-Error von 21,04 mg/dL; 98,3% der Vorhersagen in den klinisch akzeptablen Zonen A und B der Clarke-Fehleranalyse. Mit Smartwatch allein: RMSE 23,49 mg/dL. Ansatz zeigt praktisches Potenzial für mobile Prävention metabolischer Erkrankungen.
Übertragbarkeit auf Deutschland
Deutsche Studienteilnehmer, vergleichbare Dokumentationspflichten in Wearable-gestützter mHealth.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.