🔬 physics

Uncertainty-aware Blood Glucose Prediction from Continuous Glucose Monitoring Data

यह अध्ययन प्रदर्शित करता है कि एविडेंशियल आउटपुट लेयर्स से सुसज्जित ट्रांसफॉर्मर-आधारित न्यूरल नेटवर्क, HUPA-UCM डेटासेट पर मान्य, टाइप 1 मधुमेह के लिए रक्त ग्लूकोज की भविष्यवाणी करने और प्रतिकूल ग्लाइसेमिक घटनाओं की पहचान करने में बेहतर सटीकता और सुव्यवस्थित अनिश्चितता अनुमान प्रदान करके LSTM और GRU मॉडल से बेहतर प्रदर्शन करते हैं।

मूल लेखक: Hai Siong Tan

प्रकाशित 2026-03-06✓ Author reviewed ⓘ

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hai Siong Tan

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप कोहरे से भरी सड़क पर कार चला रहे हैं। आपके पास एक GPS (एक मशीन लर्निंग मॉडल) है जो आपको बता रहा है कि आगे सड़क कहाँ जाती है। लेकिन वह GPS केवल उन पैटर्न के आधार पर अनुमान लगा रहा है जो उसने पहले देखे हैं। कभी-कभी वह सही होता है; कभी-कभी गलत।

एक मानक GPS के साथ समस्या यह है कि वह मानचित्र पर केवल एक रेखा दिखाता है और कहता है, "500 फीट में बाएं मुड़ें," बिना कभी यह स्वीकार किए कि, "हे, मैं इस मोड़ के बारे में वास्तव में निश्चित नहीं हूँ क्योंकि कोहरा घना है।" यदि GPS गलत हुआ, तो आप दुर्घटनाग्रस्त हो सकते हैं।

यह शोध पत्र ब्लड शुगर के लिए एक सुपर-स्मार्ट GPS बनाने के बारे में है जो न केवल एक भविष्यवाणी करता है, बल्कि यह भी बताता है कि उसे उस भविष्यवाणी पर कितना विश्वास है।

यहाँ सरल उपमाओं का उपयोग करके शोध पत्र के मुख्य विचारों का विवरण दिया गया है:

1. लक्ष्य: "शुगर रोलरकोस्टर" की भविष्यवाणी करना

टाइप 1 मधुमेह वाले लोगों को यह जानने की आवश्यकता होती है कि अगले 30 मिनट या एक घंटे में उनका ब्लड शुगर क्या होगा।

बहुत अधिक (हाइपरग्लाइसीमिया): जैसे रोलरकोस्टर बहुत ऊपर चढ़ रहा हो; यह समय के साथ शरीर को नुकसान पहुँचा सकता है।
बहुत कम (हाइपोग्लाइसीमिया): जैसे रोलरकोस्टर अचानक नीचे गिर रहा हो; इसके कारण बेहोशी, दौरे या इससे भी बुरा कुछ हो सकता है।

शोधकर्ताओं ने एक ऐसा AI बनाने की कोशिश की जो रोगी के इतिहास (ग्लूकोज स्तर, इंसुलिन शॉट, खाया गया भोजन और यहाँ तक कि हृदय गति) को देखकर भविष्य की भविष्यवाणी कर सके। लेकिन इससे भी महत्वपूर्ण बात यह है कि वे चाहते थे कि AI कहे, "मैं भविष्यवाणी करता हूँ कि आपका शुगर 100 होगा, लेकिन मैं इसके बारे में केवल 50% निश्चित हूँ क्योंकि आपकी हृदय गति अजीब व्यवहार कर रही है।"

2. तीन "दिमाग" जिनका उन्होंने परीक्षण किया

शोधकर्ताओं ने इन भविष्यवाणियों को करने के लिए तीन अलग-अलग प्रकार के AI "दिमागों" का परीक्षण किया:

LSTM और GRU: इन्हें अनुभवी अकाउंटेंट के रूप में सोचें। वे संख्याओं की एक लंबी सूची (पिछले डेटा) को देखने और पैटर्न खोजने में माहिर हैं। वे अतीत को अच्छी तरह याद रखते हैं लेकिन अचानक आए बदलावों से भ्रमित हो सकते हैं।
ट्रांसफॉर्मर (Transformer): इसे एक अति-सतर्क जासूस के रूप में समझें। यह एक साथ पूरी तस्वीर देख सकता है, यह पहचान सकता है कि पिछला विशिष्ट घटना (जैसे 2 घंटे पहले लिया गया बड़ा भोजन) अभी सबसे महत्वपूर्ण क्यों है। शोध पत्र में पाया गया कि यह "जासूस" इस काम में सबसे अच्छा था।

3. असली सफलता: "अनिश्चितता" (Uncertainty)

यहाँ वास्तविक नवाचार केवल संख्या की भविष्यवाणी करना नहीं है; बल्कि संदेह को मापना है। उन्होंने AI को संदेह व्यक्त करना सिखाने के दो तरीकों का परीक्षण किया:

विधि A: मोंटे कार्लो ड्रॉपआउट (Monte Carlo Dropout - "जुआरी" वाला दृष्टिकोण)
कल्पना कीजिए कि आप एक ही विशेषज्ञ से 100 बार पूछते हैं, "मौसम कैसा रहेगा?" लेकिन हर बार पूछने पर, आप विशेषज्ञ के मूड या चश्मे में थोड़ा सा बदलाव करते हैं। आपको 100 थोड़े अलग उत्तर मिलते हैं। यदि वे सभी सहमत हैं, तो आप आश्वस्त हैं। यदि वे बहुत अधिक असहमत हैं, तो आप जानते हैं कि यह एक जोखिम भरा अनुमान है। "ड्रॉपआउट" यही करता है।
परिणाम: इसने ठीक-ठाक काम किया, लेकिन अक्सर AI अति-आत्मविश्वासी था। वह उत्तरों की एक विस्तृत श्रृंखला देता था लेकिन फिर भी ऐसे व्यवहार करता था जैसे वह सटीक सत्य जानता हो।
विधि B: एविडेंशियल रिग्रेशन (Evidential Regression - "वैज्ञानिक" वाला दृष्टिकोण)
यह एक ऐसे वैज्ञानिक की तरह है जो केवल एक संख्या का अनुमान नहीं लगाता; बल्कि वह संभाव्यता वितरण (probability distribution) की गणना करता है। यह कहने के बजाय कि "यह 100 होगा," वह कहता है, "इसकी संभावना 100 होने की है, लेकिन 20% संभावना है कि यह 80 होगा और 10% संभावना है कि यह 120 होगा।" वह गणितीय रूप से सिद्ध करता है कि वह क्यों अनिश्चित है।
परिणाम: यह विजेता रहा। AI यह समझने में बहुत बेहतर हो गया कि वह कब अनुमान लगा रहा है। जब डेटा अव्यवस्थित था, तो "वैज्ञानिक" AI ने स्वीकार किया, "मुझे नहीं पता," और एक व्यापक सुरक्षा जाल प्रदान किया।

4. "सेफ्टी नेट" विज़ुअलाइज़ेशन

शोध पत्र कुछ शानदार ग्राफ दिखाता है। कल्पना कीजिए कि एक रेखा रोगी के वास्तविक ब्लड शुगर का प्रतिनिधित्व करती है।

पुराना तरीका: AI एक पतली रेखा खींचता है। यदि वास्तविक शुगर रेखा से नीचे गिर जाती है (हाइपोग्लाइसीमिया), तो AI ने आपको चेतावनी नहीं दी।
नया तरीका (एविडेंशियल): AI रेखा के चारों ओर एक मोटी, धुंधली क्लाउड (cloud) बनाता है। भले ही AI की "सर्वश्रेष्ठ अनुमान" वाली रेखा बहुत ऊपर हो, लेकिन धुंधली क्लाउड का निचला हिस्सा खतरे के क्षेत्र में जा सकता है।
- क्यों मायने रखता है: सिस्टम कह सकता है, "मेरा सबसे अच्छा अनुमान सुरक्षित है, लेकिन अनिश्चितता क्लाउड खतरे के क्षेत्र को छू रहा है। बेहतर होगा कि सावधानी बरती जाए और रोगी को चेतावनी दी जाए!"

5. परिणाम: कौन जीता?

शोधकर्ताओं ने 25 रोगियों के वास्तविक डेटा पर अपने मॉडलों का परीक्षण किया।

विजेता: ट्रांसफॉर्मर मॉडल (जासूस) और एविडेंशियल रिग्रेशन (वैज्ञानिक) का संयोजन।
जीत का कारण:
1. सटीकता (Accuracy): इसने अन्य मॉडलों की तुलना में संख्याओं की बेहतर भविष्यवाणी की।
2. कैलिब्रेशन (Calibration): जब इसने कहा कि यह "अनिश्चित" है, तो यह आमतौर पर सही था। जब इसने कहा कि यह "निश्चित" है, तो यह भी आमतौर पर सही था।
3. सुरक्षा: यह यह पहचानने में बहुत बेहतर था कि कब किसी रोगी का शुगर खतरनाक रूप से कम या अधिक होने वाला है, भले ही सटीक संख्या बताना कठिन हो।

6. "हृदय गति" का ट्विस्ट

उन्होंने यह भी परीक्षण किया कि क्या अतिरिक्त डेटा जोड़ने से मदद मिलती है। उन्होंने ग्लूकोज, इंसुलिन और भोजन का उपयोग किया, लेकिन इसमें चौथा घटक जोड़ा: या तो कदम (steps), कैलोरी, बेसल इंसुलिन, या हृदय गति।

आश्चर्यजनक रूप से, हृदय गति (Heart Rate) जोड़ने से मॉडल थोड़ा बेहतर हो गया।
उपमा: यह एक GPS को यह जानने जैसा है कि आप तेज़ गाड़ी चला रहे हैं (उच्च हृदय गति) बनाम खड़े हुए हैं (कम हृदय गति)। यह AI को शरीर के संदर्भ को बेहतर ढंग से समझने में मदद करता है।

निष्कर्ष

यह शोध पत्र यह सिद्ध करता है कि जीवन-महत्वपूर्ण चिकित्सा AI के लिए, केवल सटीक होना पर्याप्त नहीं है; आपको यह भी पता होना चाहिए कि आप कब गलत हो सकते हैं।

एक "वैज्ञानिक" दृष्टिकोण (एविडेंशियल रिग्रेशन) को एक "जासूस" के दिमाग (ट्रांसफॉर्मर) के भीतर उपयोग करके, उन्होंने एक ऐसा सिस्टम बनाया है जो केवल एक संख्या का अनुमान नहीं लगाता। यह एक कॉन्फिडेंस रेटिंग प्रदान करता है जिस पर डॉक्टर और रोगी भरोसा कर सकते हैं। यदि AI अनिश्चित है, तो यह एक झंडा उठाता है, जिससे सुरक्षित निर्णय लेने में मदद मिलती है और खतरनाक स्वास्थ्य घटनाओं को रोका जा सकता है।

यह एक ऐसे GPS के बीच का अंतर है जो कहता है "बाएं मुड़ें" और एक ऐसे GPS के बीच जो कहता है "बाएं मुड़ें, लेकिन मैं 100% निश्चित नहीं हूँ क्योंकि कोहरा है, इसलिए सावधानी से ड्राइव करें।"

यहाँ हैई सियोंग टैन (Hai Siong Tan) के शोध पत्र "Uncertainty-aware Blood Glucose Prediction from Continuous Glucose Monitoring Data" का विस्तृत तकनीकी सारांश।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र टाइप 1 डायबिटीज (T1D) प्रबंधन के लिए विश्वसनीय, वास्तविक समय (real-time) रक्त ग्लूकोज (BG) भविष्यवाणी प्रणालियों की महत्वपूर्ण आवश्यकता को संबोधित करता है। जबकि मौजूदा मशीन लर्निंग मॉडल भविष्य के ग्लूकोज स्तरों की भविष्यवाणी कर सकते हैं, उनमें अक्सर अनिश्चितता परिमाणीकरण (Uncertainty Quantification - UQ) का अभाव होता है। नैदानिक सेटिंग्स (clinical settings) में, भविष्यवाणी की सटीकता के साथ-साथ उसके विश्वास स्तर (confidence) को जानना भी उतना ही महत्वपूर्ण है, विशेष रूप से हाइपोग्लाइसीमिया (<70 mg/dL) और हाइपरग्लाइसीमिया (>180 mg/dL) जैसी प्रतिकूल ग्लाइसेमिक घटनाओं की पहचान करने के लिए, जो गंभीर जटिलताओं (जैसे कोमा, कीटोएसिडोसिस) का कारण बन सकती हैं।

इस अध्ययन का उद्देश्य है:

ऐसे न्यूरल नेटवर्क मॉडल विकसित करना जो न केवल BG की भविष्यवाणी करें बल्कि कैलिब्रेटेड अनिश्चितता अनुमान (calibrated uncertainty estimates) भी प्रदान करें।
दो प्राथमिक UQ पद्धतियों की तुलना करना: मोंटे कार्लो (MC) ड्रॉपआउट और डीप एविडेंशियल रिग्रेशन (DER)।
इन मॉडलों का मूल्यांकन नैदानिक रूप से प्रेरित मेट्रिक्स का उपयोग करके करना, विशेष रूप से डायबिटीज टेक्नोलॉजी सोसाइटी (DTS) एरर ग्रिड (एक 2024 अपडेट) और मीन एब्सोल्यूट रिलेटिव डिफरेंस (MARD)।

2. कार्यप्रणाली (Methodology)

2.1 डेटासेट (Dataset)

मॉडलों को HUPA-UCM डेटासेट पर सत्यापित किया गया था, जिसमें कम से कम 2 सप्ताह के दौरान 25 T1D रोगियों से एकत्र किया गया वास्तविक दुनिया का डेटा शामिल है।

इनपुट: 3-घंटे की स्लाइडिंग विंडो (5-मिनट के अंतराल पर 36 टाइम स्टेप्स) पर 4-फीचर सीक्वेंस। फीचर्स में शामिल थे:
1. ब्लड ग्लूकोज (CGM)
2. बोलस इंसुलिन (Bolus Insulin)
3. कार्बोहाइड्रेट सेवन (Carbohydrate Intake)
4. इनमें से एक: हार्ट रेट, स्टेप्स, कैलोरी, या बेसल इंसुलिन।
आउटपुट: 30-मिनट ( $h_L=6$ ) और 60-मिनट ( $h_L=12$ ) क्षितिज (horizons) के लिए भविष्यवाणियाँ।

2.2 मॉडल आर्किटेक्चर (Model Architectures)

तीन प्रकार के सीक्वेंस मॉडल्स को लागू किया गया:

LSTM: यूनिडायरेक्शनल, सिंगल-लेयर (हिडन साइज 128)।
GRU: बाइडायरेक्शनल, 3-लेयर टेम्पोरल अटेंशन मैकेनिज्म के साथ।
Transformer: 2 लेयर्स, 4 अटेंशन हेड्स और GELU एक्टिवेशन के साथ एक कॉज़ल एनकोडर (Causal Encoder)।

बेसलाइन: बेयसियन रिज रिग्रेशन (Bayesian Ridge Regression)।

2.3 अनिश्चितता परिमाणीकरण तकनीकें (Uncertainty Quantification Techniques)

अध्ययन में मॉडल्स के आउटपुट लेयर्स में UQ को एकीकृत किया गया:

मोंटे कार्लो (MC) ड्रॉपआउट: अनुमान (inference) के दौरान लागू मानक ड्रॉपआउट, जो कई स्टोकेस्टिक भविष्यवाणियों को उत्पन्न करता है, जिससे वेरिएंस का अनुभवजन्य (empirical) अनुमान लगाया जाता है।
डीप एविडेंशियल रिग्रेशन (DER):
- एक एकल मान की भविष्यवाणी करने के बजाय, मॉडल चार पैरामीटर ( $\alpha, \beta, \nu, \gamma$ ) आउटपुट करता है जो एक नॉर्मल-इनवर्स-गामा (NIG) प्रायर (prior) का प्रतिनिधित्व करते हैं।
- यह मॉडल को एक स्टूडेंट टी-डिस्ट्रीब्यूशन (Student's t-distribution) आउटपुट करने की अनुमति देता है, जो एलेयटोरिक अनिश्चितता (डेटा शोर/noise) को एपिस्टेमिक अनिश्चितता (मॉडल की अज्ञानता) से अलग करता है।
- लॉस फंक्शन: मॉडल्स को टी-डिस्ट्रीब्यूशन से प्राप्त नेगेटिव लॉग-लाइक्लीलीहुड लॉस ( $L_{data}$ ) का उपयोग करके प्रशिक्षित किया गया था, जिसे एक नवीन इन्फॉर्मेशन-थ्योरेटिक रेगुलराइज़र ( $L_{KL}$ ) के साथ बढ़ाया गया। यह रेगुलराइज़र, कुलबैक-लीब्लर डाइवर्जेंस (Kullback-Leibler divergence) पर आधारित है, जो मॉडल को उच्च-त्रुटि वाली भविष्यवाणियों पर कम अनिश्चितता दिखाने के लिए दंडित करता है, जिससे मॉडल तब अधिक अनिश्चितता व्यक्त करने के लिए मजबूर होता है जब उसके गलत होने की संभावना अधिक होती है।

2.4 मूल्यांकन मेट्रिक्स (Evaluation Metrics)

सटीकता (Accuracy):
- DTS एरर ग्रिड ज़ोन A सटीकता: "नो-रिस्क" ज़ोन (नैदानिक रूप से सुरक्षित) में आने वाली भविष्यवाणियों का प्रतिशत।
- MARD: मीन एब्सोल्यूट रिलेटिव डिफरेंस।
प्रतिकूल घटना का पता लगाना (Adverse Event Detection): हाइपो- और हाइपरग्लाइसीमिया के लिए सेंसिटिविटी, प्रिसिजन और ब्रायर स्कोर (Brier Scores)।
अनिश्चितता अंशांकन (Uncertainty Calibration):
- स्पियरमैन कोरिलेशन ( $\rho$ ): अनिश्चितता अनुमानों और भविष्यवाणी त्रुटियों के बीच सहसंबंध।
- स्पियरमैन कोरिलेशन ( $\rho_z$ ): अनिश्चितता और DTS नैदानिक जोखिम क्षेत्रों के बीच सहसंबंध।
- मीन कैलिब्रेशन एरर (MCE): एम्पीरिकल कवरेज प्रोबेबिलिटी (ECP) और नॉमिनल कवरेज प्रोबेबिलिटी (NCP) के बीच विचलन।

3. मुख्य योगदान (Key Contributions)

BG भविष्यवाणी में उन्नत UQ का एकीकरण: यह शोध पत्र व्यवस्थित रूप से LSTM, GRU और Transformer आर्किटेक्चर के माध्यम से MC Dropout और Deep Evidential Regression की तुलना करता है, जो इस विशिष्ट डोमेन में एक दुर्लभ तुलना है।
नवीन रेगुलराइजेशन: लेखक एविडेंशियल रिग्रेशन के लिए एक परिष्कृत इन्फॉर्मेशन-थ्योरेटिक रेगुलराइज़र ( $L_{KL}$ ) को लागू और मान्य करते हैं, जो पिछले रेगुलराइज़र की तुलना में बेहतर प्रदर्शन करता है क्योंकि यह अनिश्चितता को भविष्यवाणी त्रुटियों के साथ बेहतर ढंग से संरेखित करता है।
नैदानिक रूप से उन्मुख मूल्यांकन: यह अध्ययन पहले अध्ययनों में से एक है जो 2024 DTS एरर ग्रिड (जो पुराने 1987 क्लार्क एरर ग्रिड का स्थान लेता है) का उपयोग करता है और MARD को एक प्राथमिक मेट्रिक के रूप में महत्व देता है, जो तकनीकी प्रदर्शन को वर्तमान नैदानिक सहमति के साथ संरेखित करता है।
व्यापक इनपुट विश्लेषण: अध्ययन विभिन्न शारीरिक इनपुट्स (हार्ट रेट बनाम स्टेप्स बनाम कैलोरी बनाम बेसल इंसुलिन) का भविष्यवाणी सटीकता और अनिश्चितता पर प्रभाव की जांच करता है।

4. मुख्य परिणाम (Key Results)

4.1 मॉडल प्रदर्शन

सर्वश्रेष्ठ आर्किटेक्चर: एविडेंशियल रिग्रेशन के साथ ट्रांसफार्मर-आधारित मॉडल (TEM) ने लगातार अन्य सभी कॉन्फ़िगरेशन को पछाड़ दिया।
सटीकता: TEM ने उच्चतम ज़ोन A सटीकता (जैसे, 30-मिनट क्षितिज के लिए ~96.8%) और सबसे कम MARD (जैसे, 30-मिनट क्षितिज के लिए 4.14%) प्राप्त की।
अनिश्चितता अंशांकन:
- सहसंबंध: एविडेंशियल मॉडल्स ने MC Dropout मॉडल्स ( $\rho \approx 0.15$ ) की तुलना में त्रुटि के साथ काफी उच्च स्पियरमैन कोरिलेशन ( $\rho \approx 0.68$ ) दिखाया।
- नैदानिक जोखिम: एविडेंशियल मॉडल्स ने अनिश्चितता अनुमानों और नैदानिक जोखिम क्षेत्रों के बीच एक मजबूत सहसंबंध ( $\rho_z \approx 0.34$ ) प्रदर्शित किया, जिसका अर्थ है कि मॉडल ने सही ढंग से पहचाना कि कब कोई भविष्यवाणी नैदानिक रूप से जोखिम भरी थी।
- कैलिब्रेशन: TEM मॉडल्स ने अच्छी तरह से कैलिब्रेटेड कॉन्फिडेंस इंटरवल (ECP, NCP के करीब) बनाए। इसके विपरीत, MC Dropout मॉडल्स ओवर-कॉन्फिडेंट (अनिश्चितता को कम आंकने वाले) थे, और रिज रिग्रेशन अंडर-कॉन्फिडेंट था।

4.2 प्रतिकूल घटना का पता लगाना

सेंसिटिविटी: हाइपोग्लाइसीमिया डिटेक्शन के लिए एविडेंशियल मॉडल्स ने उच्च संवेदनशीलता (~0.88–0.94) प्राप्त की, जो गंभीर लो (lows) को रोकने के लिए महत्वपूर्ण है।
ट्रेड-ऑफ: हालांकि संवेदनशीलता उच्च थी, लेकिन प्रिसिजन कम थी (संभावित अलर्ट की प्रकृति के कारण), लेकिन ब्रायर स्कोर (संभावित सटीकता का एक समग्र माप) एविडेंशियल मॉडल्स के लिए सबसे कम था, जो बेहतर समग्र संभावabilistic प्रदर्शन का संकेत देता है।

4.3 इनपुट फीचर्स

हार्ट रेट: हार्ट रेट को चौथे फीचर के रूप में उपयोग करने वाले मॉडल्स ने स्टेप्स, कैलोरी या बेसल इंसुलिन की तुलना में आम तौर पर थोड़ा बेहतर MARD और ब्रायर स्कोर दिया, हालांकि अंतर अक्सर सांख्यिकीय रूप से मामूली थे।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य यह सिद्ध करता है कि डीप एविडेंशियल रिग्रेशन (Deep Evidential Regression), पारंपरिक MC Dropout की तुलना में अनिश्चितता-जागरूक ब्लड ग्लूकोज भविष्यवाणी के लिए एक बेहतर ढांचा है। मुख्य निष्कर्ष यह है कि अनिश्चितता अनुमान केवल सांख्यिकीय आर्टिफैक्ट नहीं हैं बल्कि नैदानिक रूप से कार्रवाई योग्य (clinically actionable) हैं:

TEM मॉडल में अनिश्चितता का परिमाण भविष्यवाणी त्रुटियों और नैदानिक जोखिम के साथ महत्वपूर्ण रूप से सहसंबंधित है।
यह अनुकूली नैदानिक निर्णय लेने (adaptive clinical decision-making) की अनुमति देता है: यदि मॉडल एक ग्लूकोज स्तर की भविष्यवाणी करता है जो एक थ्रेशोल्ड के करीब है लेकिन उच्च अनिश्चितता के साथ है, तो एक चिकित्सक या स्वचालित प्रणाली उस भविष्यवाणी को "जोखिम भरा" मानकर अलर्ट या मैनुअल सत्यापन ट्रिगर कर सकती है, भले ही पॉइंट एस्टीमेट सुरक्षित लग रहा हो।

अध्ययन निष्कर्ष निकालता है कि एविडेंशियल रिग्रेशन के माध्यम से सिद्धांतित अनिश्चितता परिमाणीकरण को एकीकृत करना विश्वसनीय AI सिस्टम बनाता है जो केवल पॉइंट प्रेडिक्शन से आगे बढ़कर, जोखिम-जागरूक पूर्वानुमान (risk-aware forecasting) करने में सक्षम हैं। प्रस्तावित ट्रांसफार्मर-एविडेंशियल फ्रेमवर्क को अगली पीढ़ी के मधुमेह प्रबंधन प्रणालियों के लिए एक आशाजनक उम्मीदवार के रूप में पहचाना गया है।