論文の概要: A Physiologically-Constrained Neural Network Digital Twin Framework for Replicating Glucose Dynamics in Type 1 Diabetes

• arxiv url: http://arxiv.org/abs/2508.05705v1
• Date: Thu, 07 Aug 2025 03:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.947186
• Title: A Physiologically-Constrained Neural Network Digital Twin Framework for Replicating Glucose Dynamics in Type 1 Diabetes
• Title（参考訳）: 1型糖尿病におけるグルコース動態の再現のための生理学的拘束型ニューラルネットワークデジタル双生児フレームワーク
• Authors: Valentina Roquemen-Echeverri, Taisa Kushner, Peter G. Jacobs, Clara Mosquera-Lopez,
• Abstract要約: 1型糖尿病(T1D)患者の血糖動態のシミュレーションは、パーソナライズされた治療を開発し、データ駆動型臨床決定を支援するために重要である。 本稿では、T1Dのグルコース動態をシミュレートするために、生理的ニューラルネットワーク(NN)デジタルツインを紹介する。 デジタル双生児の394例中, 血糖値は模擬データと観察データとで同等であった。
• 参考スコア（独自算出の注目度）: 2.1271939534174673
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Simulating glucose dynamics in individuals with type 1 diabetes (T1D) is critical for developing personalized treatments and supporting data-driven clinical decisions. Existing models often miss key physiological aspects and are difficult to individualize. Here, we introduce physiologically-constrained neural network (NN) digital twins to simulate glucose dynamics in T1D. To ensure interpretability and physiological consistency, we first build a population-level NN state-space model aligned with a set of ordinary differential equations (ODEs) describing glucose regulation. This model is formally verified to conform to known T1D dynamics. Digital twins are then created by augmenting the population model with individual-specific models, which include personal data, such as glucose management and contextual information, capturing both inter- and intra-individual variability. We validate our approach using real-world data from the T1D Exercise Initiative study. Two weeks of data per participant were split into 5-hour sequences and simulated glucose profiles were compared to observed ones. Clinically relevant outcomes were used to assess similarity via paired equivalence t-tests with predefined clinical equivalence margins. Across 394 digital twins, glucose outcomes were equivalent between simulated and observed data: time in range (70-180 mg/dL) was 75.1$\pm$21.2% (simulated) vs. 74.4$\pm$15.4% (real; P<0.001); time below range (<70 mg/dL) 2.5$\pm$5.2% vs. 3.0$\pm$3.3% (P=0.022); and time above range (>180 mg/dL) 22.4$\pm$22.0% vs. 22.6$\pm$15.9% (P<0.001). Our framework can incorporate unmodeled factors like sleep and activity while preserving key dynamics. This approach enables personalized in silico testing of treatments, supports insulin optimization, and integrates physics-based and data-driven modeling. Code: https://github.com/mosqueralopez/T1DSim_AI
• Abstract（参考訳）: 1型糖尿病(T1D)患者の血糖動態のシミュレーションは、パーソナライズされた治療を開発し、データ駆動型臨床決定を支援するために重要である。 既存のモデルは、しばしば重要な生理的側面を見逃し、識別するのが困難である。 本稿では,T1Dのグルコース動態をシミュレートする生理的拘束型ニューラルネットワーク(NN)について紹介する。 解釈可能性と生理的整合性を確保するために、グルコース制御を記述する通常の微分方程式(ODE)の集合に整合した人口レベルNN状態空間モデルを構築した。 このモデルは、既知のT1D力学に従うことが正式に証明されている。 デジタル双生児は、グルコース管理や文脈情報などの個人データを含む個別のモデルで人口モデルを増強し、個人間の変動と個人内変動の両方をキャプチャすることによって作られる。 我々は,T1D エクササイズイニシアチブによる実世界のデータを用いて,我々のアプローチを検証する。 被験者1人当たりの2週間のデータを5時間連続に分割し, 模擬グルコースプロファイルを観察結果と比較した。 臨床的に有意な結果は、予め定義された臨床等価マージンを持つペア同値t-testsを用いて類似性を評価するために用いられた。 394人のデジタル双生児の間では、グルコースの結果はシミュレーションデータと観測データの間に等価であった: 時間 (70-180 mg/dL) は 75.1$\pm$21.2% (シミュレーション) 対 74.4$\pm$15.4% (現実; P<0.001) 時間以下の範囲 (<70 mg/dL) 2.5$\pm$5.2% 対 2.5$\pm$3.3% (P=0.022) 上記の範囲 (>180 mg/dL) 22.4$\pm$22.0% 対 22.6$\pm$15.9% (P<0.001) である。 我々のフレームワークは、キーダイナミクスを保ちながら、睡眠や活動のような非モデル化された要素を組み込むことができる。 このアプローチは、治療のシリコテストのパーソナライズを可能にし、インスリン最適化をサポートし、物理ベースのデータ駆動モデリングを統合する。 コード:https://github.com/mosqueralopez/T1DSim_AI

関連論文リスト

• GlyTwin: Digital Twin for Glucose Control in Type 1 Diabetes Through Optimal Behavioral Modifications Using Patient-Centric Counterfactuals [6.102406188211489]
  GlyTwinは、グルコース調節のための最適処理をシミュレートするために、対実的説明を用いた新しいデジタルツインフレームワークである。 GlyTwinは高血糖を予防する行動療法の提案を生成する。 結果は、GlyTwinが最先端のカウンターファクト法を上回り、76.6%が有効で、86%が効果的な介入を生んでいることを示している。
  論文  参考訳（メタデータ） (2025-04-14T03:32:39Z)
• 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)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Explainable machine learning-based prediction model for diabetic nephropathy [1.874014847588016]
  本研究の目的は, 糖尿病性腎症(DN)に対する血清代謝物の影響を解析し, 機械学習を用いてDNの有病率を予測することである。 このデータセットは、2018年4月から2019年4月まで、大連医科大学第二附属病院(SAHDMU)で548人の患者からなる。
  論文  参考訳（メタデータ） (2023-09-27T08:46:57Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)
• GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in Type-1 Diabetes [4.17510581764131]
  GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。 ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
  論文  参考訳（メタデータ） (2020-06-29T11:34:41Z)

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。