本研究提出GlucoLens模型，通过饮食和身体活动预测餐后血糖变化，平均预测准确率为74%。该模型提供个性化建议，帮助用户调整生活方式，降低高血糖风险。

本研究提出了一种新的机器学习方法GLIMMER，旨在提高1型糖尿病管理中的血糖预测精度。通过修改损失函数，该模型使血糖预测的RMSE和MAE分别提升了23%和31%。

该文综述了基于图神经网络与机器学习的血糖预测研究，涵盖图注意力内存模型、联邦学习、IGNNet、GraphRL、可解释语法演化、BrainNNExplainer及混合变分自编码器等方法，用于1型和2型糖尿病患者的血糖预测与脑网络分析，在准确性、可解释性和个体化表征方面取得进展。

该文介绍了一种新的基于卷积的组合治疗 - 反应曲线模型，用于评估生理反应和学习组成部分的单独效果和联合效果。该方法提高了对血糖预测的准确性，并能解释碳水化合物和脂肪对总体血糖反应的不同效果。