論文の概要: Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation

• arxiv url: http://arxiv.org/abs/2511.12417v1
• Date: Sun, 16 Nov 2025 02:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.076644
• Title: Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation
• Title（参考訳）: 血糖調節のためのニューラル差分予測と安全な強化学習の統合
• Authors: Yushen Liu, Yanfu Zhang, Xugui Zhou,
• Abstract要約: TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
• 参考スコア（独自算出の注目度）: 51.12307713554633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated insulin delivery for Type 1 Diabetes must balance glucose control and safety under uncertain meals and physiological variability. While reinforcement learning (RL) enables adaptive personalization, existing approaches struggle to simultaneously guarantee safety, leaving a gap in achieving both personalized and risk-aware glucose control, such as overdosing before meals or stacking corrections. To bridge this gap, we propose TSODE, a safety-aware controller that integrates Thompson Sampling RL with a Neural Ordinary Differential Equation (NeuralODE) forecaster to address this challenge. Specifically, the NeuralODE predicts short-term glucose trajectories conditioned on proposed insulin doses, while a conformal calibration layer quantifies predictive uncertainty to reject or scale risky actions. In the FDA-approved UVa/Padova simulator (adult cohort), TSODE achieved 87.9% time-in-range with less than 10% time below 70 mg/dL, outperforming relevant baselines. These results demonstrate that integrating adaptive RL with calibrated NeuralODE forecasting enables interpretable, safe, and robust glucose regulation.
• Abstract（参考訳）: 1型糖尿病のインスリン自動デリバリーは、不確実な食事と生理的変動の下で、グルコースのコントロールと安全性のバランスをとる必要がある。 強化学習(RL)は適応的なパーソナライズを可能にする一方で、既存のアプローチでは、食事前の過剰摂取や補正の積み重ねなど、パーソナライズされた、リスクに配慮したグルコースコントロールの両面でのギャップを埋めながら、安全性の同時確保に苦慮している。 このギャップを埋めるために,Thompson Smpling RLとNeuralODE(NeuralODE)予測器を統合した安全対応コントローラTSODEを提案する。 特に、NeuralODEは、提案されたインスリン投与量で条件付けられた短期的なグルコーストラジェクトリを予測し、コンフォメーションキャリブレーション層は、リスク行動の拒絶またはスケールの予測不確実性を定量化する。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイム・イン・レンジを達成し、70mg/dL以下で10%のタイムを達成し、関連するベースラインを上回った。 これらの結果から,適応RLとキャリブレーションされたニューラルノード予測を統合することで,グルコースの解釈,安全性,ロバストな制御が可能であることが示唆された。

関連論文リスト

• 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)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• FedGlu: A personalized federated learning-based glucose forecasting algorithm for improved performance in glycemic excursion regions [4.073768455373616]
  連続グルコースモニタリング(Continuous glucose monitoring, CGM)デバイスは、血糖値のリアルタイムモニタリングと、血糖値の変動に対するタイムリーな警告を提供する。 低血糖や高血糖のような希少な出来事は、その頻度が低いために依然として困難である。 本稿では,血糖除去領域の性能を著しく向上させる新しいHH損失関数を提案する。
  論文  参考訳（メタデータ） (2024-08-25T19:51:27Z)
• 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)
• Blood Glucose Control Via Pre-trained Counterfactual Invertible Neural Networks [3.7217371773133325]
  対実的可逆ニューラルネットワーク(CINN)に基づくイントロスペクティブ強化学習(RL)を提案する。 事前学習したCINNをRLエージェントのフリーズイントロスペクティブブロックとして使用し、フォワード予測と反ファクト推論を統合してポリシー更新を誘導する。 本稿では,BG予測における事前学習CINNの精度と一般化能力を実験的に検証した。
  論文  参考訳（メタデータ） (2024-05-23T01:34:59Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。