論文の概要: PMB-NN: Physiological-Model-Based Neural Network for Glucose Forecasting in Type 1 Diabetes

• arxiv url: http://arxiv.org/abs/2610.15456v2
• Date: Thu, 15 Oct 2026 12:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:32.925385
• Title: PMB-NN: Physiological-Model-Based Neural Network for Glucose Forecasting in Type 1 Diabetes
• Title（参考訳）: PMB-NN:1型糖尿病患者の血糖予測のための生理モデルに基づくニューラルネットワーク
• Abstract要約: 生理モデルに基づくニューラルネットワーク(PMB--NN)をグルコース予測に適用した。 AZT1D患者25名から連続血糖モニタリング,ポンプ,食事記録を6～8週に分けた。 3回の変動で高血糖の精度は改善したが,MAE全体の変化は認められず,3回の検査では方向性の妥当性が低下した。
• 参考スコア（独自算出の注目度）: 3.0220509283348247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate, physiologically consistent glucose forecasts could help people with type 1 diabetes respond to impending excursions. We applied our physiological-model-based neural network (PMB--NN) framework to glucose forecasting. A temporal convolutional network (TCN) used 180 min of history, constrained during training by a personalized four-parameter physiological model. The main PMB--NN combined forecast and neural--physiological agreement losses; a three-term variant additionally fitted physiological predictions to measured glucose. Data comprised 6--8 weeks of continuous glucose monitoring, pump, and meal records from 25 AZT1D participants. Person-specific models used chronological 70/10/20 train/validation/test splits and 30-, 60-, and 120-min horizons. Median mean absolute errors were 16.24, 25.00, and 30.20 mg/dL with basal insulin records and 15.38, 24.21, and 31.79 mg/dL before these records became available. In the latter setting, PMB--NN had the lowest median error at 30 and 60 min; it outperformed the physiological model alone in all six settings. In input-increase tests, glucose predictions changed in the expected direction for 85\% of correction boluses and 100\% of carbohydrate rescues, versus 57\% for active insulin and 56\% for active carbohydrates. Most standalone physiological fits showed locally distinguishable parameter effects, with glucose-related coefficients more stable under resampling than insulin- or carbohydrate-related coefficients. The three-term variant improved hyperglycaemia accuracy with basal records, but did not significantly change overall MAE and reduced directional plausibility in three tests. PMB--NN combines personalized forecasting with an explicit physiological model, allowing assessment of predictive accuracy, physiological response behavior, and participant-specific coefficients.
• Abstract（参考訳）: 正確な、生理学的に一貫性のあるグルコース予測は、1型糖尿病の患者が差し迫った遠足に反応するのに役立ちます。 生理モデルに基づくニューラルネットワーク(PMB--NN)をグルコース予測に適用した。 時間的畳み込みネットワーク(TCN)は180分間の履歴を使用し、個人化された4パラメータの生理学的モデルによってトレーニング中に制限された。 主要なPMB-NNは、予測と神経生理学的合意の損失を組み合わせ、測定されたブドウ糖に生理的予測を付加した3段階の変種である。 AZT1D患者25名から連続血糖モニタリング,ポンプ,食事記録を6～8週に分けた。 個人固有のモデルでは、70/10/20列車/バリデーション/テストスプリットと30-、60-、120-min水平線が使用された。 絶対誤差は16.24, 25.00, 30.20mg/dL, 15.38, 24.21, 31.79mg/dLであった。 後者では, PMB-NNが30分と60分が最も低い値を示した。 インプット・インクリメント試験では, 糖の予測値が85%, 炭水化物100%, 活性インスリン57%, 活性炭水化物56%と期待方向に変化した。 ほとんどのスタンドアロンの生理的適合は、インスリンまたは炭水化物関連係数よりも再サンプリング下でグルコース関連係数が安定である、局所的に識別可能なパラメータ効果を示した。 この3日間の変異は、基礎記録による高血糖の精度を向上させたが、全体のMAEは著しく変化せず、3回の検査では方向性の妥当性が低下した。 PMB--NNは、パーソナライズされた予測と明示的な生理学的モデルを組み合わせることで、予測精度、生理的応答挙動、および参加者固有の係数を評価することができる。

関連論文リスト

• Using Machine Learning to Investigate Predictors of Fasting Blood Glucose: Insights into Circadian Timing and Age Interactions [0.0]
  糖の欠乏は代謝障害や2型糖尿病に大きく寄与する。 本研究では, 代謝, ホルモン, ライフスタイル, 人口動態, 栄養, 概日変動を用いて, ログトランスフォーメーションによる血糖値の予測を行う機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-09-26T09:01:27Z)
• PhysioSeq2Seq: A Hybrid Physiological Digital Twin and Sequence-to-Sequence LSTM for Long-Horizon Glucose Forecasting in Type 1 Diabetes [5.419429818864184]
  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。
  論文  参考訳（メタデータ） (2026-05-16T07:50:00Z)
• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• 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)
• 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)
• 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)
• Deep Learning-Based Hypoglycemia Classification Across Multiple Prediction Horizons [0.4671908141423216]
  本研究では,単一分類モデルにおいて,短時間(最大2時間)と長期(最大24時間)の予測地平線(PH)を統合し,意思決定支援を強化する。 ResNet と LSTM モデルをグルコース濃度,インスリン投与量,加速度データに基づいて訓練した。 その結果,9つのクラスを分類する際のLSTMモデルの優位性を示した。
  論文  参考訳（メタデータ） (2025-03-25T10:24:27Z)
• 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)
• Stacked LSTM Based Deep Recurrent Neural Network with Kalman Smoothing for Blood Glucose Prediction [4.040272012640556]
  本研究では,長期長期記憶(LSTM)に基づく深部再発ニューラルネットワーク(RNN)モデルを用いた血糖値予測手法を提案する。 6人の異なる患者の8週間のデータを含むOttoT1DMデータセットでは、平均RMSEは6.45と17.24mg/dlを30分60分予測水平線(PH)で達成している。 以上の結果から,t1d糖尿病管理のための人工膵およびインスリン注入システムの性能向上を期待できる,より信頼性の高いbg予測が可能と考えられた。
  論文  参考訳（メタデータ） (2021-01-18T02:31:38Z)
• 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。