論文の概要: Evaluating Type-1 Diabetes Digital Twins by Decision Quality

• arxiv url: http://arxiv.org/abs/2610.30577v1
• Date: Thu, 22 Oct 2026 01:14:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.181213
• Title: Evaluating Type-1 Diabetes Digital Twins by Decision Quality
• Title（参考訳）: 意思決定品質による1型糖尿病のディジタル双生児の評価
• Abstract要約: 1型糖尿病(T1D)のためのデジタルツイン(DT)は、個々の血糖値が実際に試すことなく異なるインスリン治療にどのように反応するかを予測することができる。 それぞれの治療について、血糖リスクなどの予測されたグルコーストラジェクトリの下流統計を計算し、臨床上の決定を導くことができる。 DTの品質は通常、予測されたグルコース軌跡の精度によって測定される。
• 参考スコア（独自算出の注目度）: 5.719776823170318
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A digital twin (DT) for type 1 diabetes (T1D) can predict how an individual's blood glucose will respond to different insulin treatments without actually trying them. For each treatment, downstream statistics of predicted glucose trajectories, such as glycemic risk, can be computed to guide clinical decisions. However, the quality of DTs is usually measured by the accuracy of their predicted glucose trajectories, which may not reflect the quality of the downstream treatment decisions they inform. In this work, we directly evaluate DTs by this decision quality on downstream treatment ranking, i.e., whether a DT predicts glucose trajectories that can be used to rank candidate treatments as the real patient would. We present an evaluation protocol over 30 virtual patients from the FDA-accepted UVA/Padova model, each simulated under 21 different basal-bolus treatments. For each patient, a DT is fitted under one treatment and then produces glucose trajectories for the remaining 20 treatments. Our results show that prediction accuracy and decision quality disagree. A baseline that models the average patient, never seeing the individual's glucose data, has the lowest prediction accuracy of all six methods (RMSE: 63.6 mg/dL) but ranks treatments with the second-highest mean Spearman (0.766), while a black-box neural network that predicts glucose nearly twice as accurately (RMSE: 32.9 mg/dL) ranks them no better than a random ordering of the 20 treatments (0.049 Spearman). Therefore, selecting a DT based on prediction accuracy alone can prefer one that recommends treatments at chance, and decision quality must be evaluated directly rather than assumed to follow from prediction accuracy.
• Abstract（参考訳）: 1型糖尿病(T1D)のためのデジタルツイン(DT)は、個々の血糖値が実際に試すことなく異なるインスリン治療にどのように反応するかを予測することができる。 それぞれの治療について、血糖リスクなどの予測されたグルコーストラジェクトリの下流統計を計算し、臨床上の決定を導くことができる。 しかしながら、DTsの品質は通常、予測されたグルコース軌跡の精度によって測定される。 本研究は, 下流治療ランキングにおいて, この判定品質によりDTを直接評価するものである。すなわち, DTが真の患者として候補治療のランク付けに使用できるグルコーストラジェクトリを予測できるかどうかである。 FDA が承認した UVA/Padova モデルを用いて,21 種類のベーサル・ボール治療下での仮想的評価プロトコルを提案する。 各患者は、DTを1つの治療の下に装着し、残りの20の治療のためにグルコーストラジェクトリーを生成する。 その結果,予測精度と判定品質は一致しないことがわかった。 平均的な患者がグルコースデータを見ないベースラインは、6つの方法(RMSE: 63.6 mg/dL)の最も低い予測精度を持つが、第2位の平均Spearman (0.766) で治療をランク付けする一方、グルコースをほぼ2倍正確に予測するブラックボックスニューラルネットワーク(RMSE: 32.9 mg/dL)では、20の治療法(0.049 Spearman)のランダムな順序よりは劣る。 したがって、予測精度のみに基づいてDTを選択する場合、偶然に治療を推奨するものが好まれる。

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)
• 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)
• 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)
• A Large Sensor Foundation Model Pretrained on Continuous Glucose Monitor Data for Diabetes Management [3.8195320624847833]
  CGM-LSMはトランスフォーマーデコーダをベースとしたLarge Sensor Model (LSM) で, 糖尿病, 年齢, 性別の異なる患者から160万のCGMレコードを事前訓練した。 CGMデータに埋め込まれた潜伏知識を学習するために, 患者をグルコース時間ステップのシーケンスとしてモデル化し, 2時間水平線での血糖値の予測に応用する。 従来の方法と比較して、CGM-LSMは予測精度とロバスト性を大幅に改善し、1時間水平線予測におけるルート平均2乗誤差を48.51%削減し、保持された患者群間で一貫したゼロショット予測性能を向上した。
  論文  参考訳（メタデータ） (2024-12-12T21:35:13Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A novel solution of deep learning for enhanced support vector machine for predicting the onset of type 2 diabetes [32.25039205521283]
  本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。 提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
  論文  参考訳（メタデータ） (2022-08-05T18:15:40Z)
• Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks [38.27767684024691]
  シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。 提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
  論文  参考訳（メタデータ） (2021-09-11T21:09:50Z)
• 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)
• 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)
• 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。