論文の概要: A Real-Time Digital Twin for Type 1 Diabetes using Simulation-Based Inference

• arxiv url: http://arxiv.org/abs/2507.01740v1
• Date: Wed, 02 Jul 2025 14:21:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.282953
• Title: A Real-Time Digital Twin for Type 1 Diabetes using Simulation-Based Inference
• Title（参考訳）: シミュレーションに基づく1型糖尿病のリアルタイムディジタルツイン
• Authors: Trung-Dung Hoang, Alceu Bissoto, Vihangkumar V. Naik, Tim Flühmann, Artemii Shlychkov, José Garcia-Tirado, Lisa M. Koch,
• Abstract要約: 信頼性の高いデジタル双生児を実現するためには、生理モデルの正確なパラメータ推定が不可欠である。 マルコフ・チェイン・モンテカルロに基づく伝統的な手法は高次元パラメータ空間と競合する。 本稿では,ニューラルネットワークによる後部推定に基づくシミュレーションに基づく推論手法を提案する。
• 参考スコア（独自算出の注目度）: 3.2635882733592734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately estimating parameters of physiological models is essential to achieving reliable digital twins. For Type 1 Diabetes, this is particularly challenging due to the complexity of glucose-insulin interactions. Traditional methods based on Markov Chain Monte Carlo struggle with high-dimensional parameter spaces and fit parameters from scratch at inference time, making them slow and computationally expensive. In this study, we propose a Simulation-Based Inference approach based on Neural Posterior Estimation to efficiently capture the complex relationships between meal intake, insulin, and glucose level, providing faster, amortized inference. Our experiments demonstrate that SBI not only outperforms traditional methods in parameter estimation but also generalizes better to unseen conditions, offering real-time posterior inference with reliable uncertainty quantification.
• Abstract（参考訳）: 信頼性の高いデジタル双生児を実現するためには、生理モデルの正確なパラメータ推定が不可欠である。 1型糖尿病では、グルコースとインスリンの相互作用が複雑になるため、これは特に困難である。 マルコフ・チェイン・モンテカルロに基づく伝統的な手法は、高次元のパラメータ空間に苦労し、推論時にスクラッチからパラメータに収まる。 本研究では, 食事摂取量, インスリン量, グルコース量との複雑な関係を効率的に把握し, より高速で償却された推論を実現するためのシミュレーションベース推論手法を提案する。 実験により,SBIはパラメータ推定において従来の手法より優れるだけでなく,不確かさの定量化が可能な実時間後部推論を提供することにより,未確認条件に優れることを示した。

関連論文リスト

• On Minimax Estimation of Parameters in Softmax-Contaminated Mixture of Experts [66.39976432286905]
  ゲーティングおよびプロンプトパラメータの最大極大推定器の収束率について検討する。 事前学習したモデルと重なり合う知識を取得すると,これらのパラメータの推定可能性が損なわれることがわかった。
  論文  参考訳（メタデータ） (2025-05-24T01:30:46Z)
• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [45.560812800359685]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
  われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。 ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。 モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
  論文  参考訳（メタデータ） (2025-04-30T16:10:20Z)
• Integrating Biological-Informed Recurrent Neural Networks for Glucose-Insulin Dynamics Modeling [1.2256664621079256]
  本研究では,これらの制約に対処するためのBIRNN(Biological-Informed Recurrent Neural Network)フレームワークを提案する。 このフレームワークは商用のUVA/Padovaシミュレータを用いて検証され、グルコース予測精度および未測定状態の再構成において従来の線形モデルよりも優れている。 その結果, パーソナライズされたグルコース調節のためのBIRNNの可能性と, APシステムにおける今後の適応制御戦略が示された。
  論文  参考訳（メタデータ） (2025-03-24T21:26:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Comparative Analysis of LSTM Neural Networks and Traditional Machine Learning Models for Predicting Diabetes Patient Readmission [0.0]
  本研究はDiabetes 130-US Hospitalsデータセットを用いて,各種機械学習モデルによる寛解患者の分析と予測を行う。 LightGBMは、XGBoostが首位だったのに対して、従来のモデルとしてはベストだった。 本研究は,予測医療モデリングにおいて,モデル選択,検証,解釈可能性が重要なステップであることを示す。
  論文  参考訳（メタデータ） (2024-06-28T15:06:22Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI [37.358265461543716]
  薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。 提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。 実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
  論文  参考訳（メタデータ） (2023-06-07T11:10:10Z)
• Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control [0.0]
  本研究では,1型糖尿病患者のインスリン摂取量決定を支援するためのモデルベース強化学習について検討した。 提案アーキテクチャは、複数のEcho State Networksで構成され、計画のためのモデル予測コントローラと組み合わせて血糖値を予測する。
  論文  参考訳（メタデータ） (2020-10-13T10:17:30Z)
• Interpreting Deep Glucose Predictive Models for Diabetic People Using RETAIN [4.692400531340393]
  糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。 2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
  論文  参考訳（メタデータ） (2020-09-08T13:20:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。