論文の概要: PhysioSeq2Seq: A Hybrid Physiological Digital Twin and Sequence-to-Sequence LSTM for Long-Horizon Glucose Forecasting in Type 1 Diabetes

• arxiv url: http://arxiv.org/abs/2605.16860v1
• Date: Sat, 16 May 2026 07:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.340039
• Title: PhysioSeq2Seq: A Hybrid Physiological Digital Twin and Sequence-to-Sequence LSTM for Long-Horizon Glucose Forecasting in Type 1 Diabetes
• Title（参考訳）: PhysioSeq2Seq:1型糖尿病における長期血糖予測のためのハイブリッド生理的デジタルツインとシーケンス・ツー・シーケンスLSTM
• Authors: Phat Tran, Neville Mehta, Clara Mosquera-Lopez, Robert H. Dodier, Lizhong Chen, Peter G. Jacobs,
• Abstract要約: 患者固有の生理モデルとシークエンス・ツー・シークエンス(Seq2Seq)LSTMを組み合わせたハイブリッドアーキテクチャであるPhyloSeq2Seqを提案する。 それぞれのグルコースセグメントについて、ツインマッチングは300のパラメータ化されたデジタルツインの集団を探索し、最も適した生理的マッチを特定する。 240分の地平線では、PhyloSeq2Seqの平均絶対誤差は39.28mg/dL、平均誤差は10.62mg/dLとなる。
• 参考スコア（独自算出の注目度）: 5.419429818864184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate long-horizon glucose forecasting is critical for automated insulin delivery systems, which help people with type 1 diabetes (T1D) manage their glucose and avoid dangerous hypoglycemia. However, standard recursive long short-term memory (LSTM) networks suffer from systematic negative bias at longer horizons due to error compounding, while purely mechanistic ordinary differential equation (ODE) models fail to generalize across individuals when parameterized at the population level. We propose PhysioSeq2Seq, a hybrid architecture that combines patient-specific physiological modeling with a sequence-to-sequence (Seq2Seq) LSTM. For each glucose segment, twin matching searches a population of 300 parameterized digital twins to identify the best-fitting physiological match from a 3-hour continuous glucose monitoring (CGM) history. The 10 internal ODE state variables of the matched twin are injected as exogenous covariates into both the encoder and decoder of the Seq2Seq LSTM. This simultaneous 48-step prediction strategy eliminates recursive error compounding, while the ODE features provide a physics-grounded constraint that bounds long-horizon drift within physiologically plausible ranges. PhysioSeq2Seq was trained on CGM and insulin data from 348 participants in the Type 1 Diabetes Exercise Initiative (T1DEXI) dataset and evaluated on 74 held-out participants. At the 240-minute horizon, PhysioSeq2Seq achieves a mean absolute error of 39.28 mg/dL and a mean error of -10.62 mg/dL, reducing bias by 13.89 mg/dL over the recursive LSTM and reducing mean absolute error by 28.62 mg/dL over the ODE-based digital twin. These results show that eliminating architectural feedback and injecting patient-matched physiological states is an effective and clinically meaningful strategy for long-horizon glucose forecasting in T1D.
• Abstract（参考訳）: 1型糖尿病(T1D)患者が血糖値を管理し、危険な低血糖を避けるのに役立つ。 しかし、標準再帰的長期記憶(LSTM)ネットワークは、誤差の混成による長い水平線における体系的な負のバイアスに悩まされる一方、純粋に機械的常微分方程式(ODE)モデルは、集団レベルでパラメータ化されると個人間で一般化することができない。 患者固有の生理モデルとシークエンス・ツー・シークエンス(Seq2Seq)LSTMを組み合わせたハイブリッドアーキテクチャであるPhyloSeq2Seqを提案する。 それぞれのグルコースセグメントについて、ツインマッチングは300のパラメータ化されたデジタルツインの集団を探索し、3時間連続グルコースモニタリング(CGM)履歴から最も適した生理的マッチを特定する。 一致した双子の10の内部ODE状態変数は、Seq2Seq LSTMのエンコーダとデコーダの両方に外因性共変体として注入される。 この48ステップの同時予測戦略は再帰的誤差の複合を排除し、ODEの特徴は物理場に拘束された制約を与え、生理学的に妥当な範囲で長い水平のドリフトを拘束する。 PhysioSeq2Seqは1型糖尿病運動イニシアチブ(T1DEXI)データセットの348名からCGMおよびインスリンデータをトレーニングし、74名を対象に評価した。 240分間の地平線で、PhyloSeq2Seqは平均絶対誤差39.28mg/dL、平均誤差10.62mg/dLを達成し、再帰的LSTM上の偏差13.89mg/dLを減少させ、平均絶対誤差28.62mg/dLをODEベースのデジタル双対上で減少させる。 これらの結果から,T1Dの長期血糖予測には,建築的フィードバックを排除し,患者に適合した生理状態を注入することが有効かつ臨床的に意義があることが示唆された。

関連論文リスト

• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  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。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• A Physiologically-Constrained Neural Network Digital Twin Framework for Replicating Glucose Dynamics in Type 1 Diabetes [2.1271939534174673]
  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。
  論文  参考訳（メタデータ） (2025-08-07T03:46:06Z)
• 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)
• Type 1 Diabetes Management using GLIMMER: Glucose Level Indicator Model with Modified Error Rate [6.102406188211489]
  本稿では,血糖値を予測する機械学習モデルであるGLIMMERを紹介する。 GLIMMERはグルコース値を正常および異常な範囲に分類し、新しいカスタム損失関数を用いる。 これらの結果は、RMSEが23%改善し、MAEが31%改善したことを示している。
  論文  参考訳（メタデータ） (2025-02-20T01:26:00Z)
• 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)
• 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)
• 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)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。