DOI: https://doi.org/10.1007/s00521-026-12018-x
تاريخ النشر: 2026-04-01
المؤلف: Valentina Roquemen-Echeverri وآخرون
الموضوع الرئيسي: إدارة مرض السكري والبحث
نظرة عامة
تقدم هذه الدراسة إطارًا جديدًا لمحاكاة ديناميات الجلوكوز لدى الأفراد المصابين بداء السكري من النوع 1 (T1D) باستخدام توائم رقمية لشبكات عصبية (NN) مقيدة فسيولوجيًا. طور المؤلفون نموذجًا لمستوى السكان لشبكة عصبية في فضاء الحالة يتماشى مع المعادلات التفاضلية العادية (ODEs) التي تحكم تنظيم الجلوكوز، مما يضمن كل من القابلية للتفسير والدقة الفسيولوجية. تم التحقق من صحة النموذج مقابل بيانات العالم الحقيقي من دراسة مبادرة ممارسة T1D، مما يدل على أن ملفات تعريف الجلوكوز المحاكية تتطابق عن كثب مع البيانات الملاحظة عبر مقاييس سريرية ذات صلة، مثل الوقت في النطاق (70-180 ملغ/دل) والوقت تحت النطاق (<70 ملغ/دل). يسمح الإطار بدمج البيانات الخاصة بالفرد، مما يلتقط كل من التباين بين الأفراد وداخل الأفراد، ويمكن أن يتضمن عوامل غير نمذجة مثل النوم والنشاط البدني. تشير النتائج إلى أن هذا النهج يعزز بشكل كبير دقة المحاكاة مقارنة بالنماذج التقليدية المعتمدة على ODE، حيث يتكيف ديناميكيًا مع البيانات والظروف الجديدة. من خلال دمج النمذجة المدفوعة بالبيانات مع تكامل شامل للمدخلات، يقدم الإطار حلاً قابلاً للتوسع لاختبار العلاج الشخصي وتحسين الأنسولين في إدارة T1D.
مقدمة
تناقش مقدمة الورقة داء السكري من النوع 1 (T1D)، وهو حالة مزمنة تتميز بمستويات عالية من الجلوكوز بسبب نقص إنتاج الأنسولين من البنكرياس. إدارة T1D الفعالة معقدة، حيث يجب تخصيص العلاج بالأنسولين للاستجابة الفردية التي تتأثر بعوامل مختلفة مثل الوجبات، والتمارين الرياضية، والضغط. أظهرت التطورات الأخيرة في تكنولوجيا السكري، وخاصة أنظمة توصيل الأنسولين الآلي (AID) وأنظمة دعم القرار (DSS)، وعدًا في تحسين التحكم في نسبة السكر في الدم من خلال تعزيز الوقت الذي يقضيه الجلوكوز في النطاق (TIR) وتقليل الوقت فوق النطاق (TAR) والوقت تحت النطاق (TBR).
تسلط الورقة الضوء على التحديات في تطوير نماذج المرضى الافتراضية الدقيقة لـ T1D، والتي تعتبر ضرورية للتحقق من الفعالية والسلامة لأنظمة AID وDSS. تعتمد النماذج الحالية بشكل أساسي على المعادلات التفاضلية العادية (ODE) لمحاكاة ديناميات الجلوكوز ولكن غالبًا ما تفتقر إلى التعديلات الخاصة بالفرد اللازمة للتطبيق العملي في العالم الحقيقي. يقترح المؤلفون نهج نمذجة هجينة جديدة تدمج النماذج الميكانيكية مع تقنيات الذكاء الاصطناعي المدفوعة بالبيانات لإنشاء توائم رقمية قائمة على الشبكات العصبية (NN) مقيدة فسيولوجيًا. يهدف هذا النهج إلى تعزيز دقة توقعات الجلوكوز مع الالتزام بالمبادئ الفسيولوجية، متفوقًا على النماذج التقليدية المعتمدة على ODE في تكرار السيناريوهات الواقعية. تشمل المساهمات الرئيسية نموذج فضاء الحالة NN جديد يمكن تفسيره ويتماشى مع ODEs الأساسية التي تحكم نظام تنظيم الجلوكوز في مرضى T1D.
الطرق
في هذا القسم، يحدد المؤلفون منهجية من ثلاث خطوات لتطوير توائم رقمية لشبكات عصبية (NN) مقيدة فسيولوجيًا تهدف إلى محاكاة ديناميات الجلوكوز والأنسولين لدى الأفراد المصابين بداء السكري من النوع 1. تتضمن الخطوة الأولى إنشاء نموذج فضاء حالة لشبكة عصبية على مستوى السكان يلتقط الديناميات العامة لتفاعلات الجلوكوز والأنسولين. تركز الخطوة الثانية على تخصيص هذا النموذج للمرضى الأفراد، مما يضمن أن التوأم الرقمي يعكس بدقة الخصائص الفسيولوجية الفريدة لكل شخص. أخيرًا، تقيم الخطوة الثالثة دقة المحاكاة للنماذج المخصصة.
يتم تمثيل الإطار لبناء هذه التوائم الرقمية بصريًا في الشكل 1، الذي يوضح دمج نموذج فضاء الحالة لشبكة عصبية على مستوى السكان مع شبكة عصبية فردية قابلة للتكيف تأخذ في الاعتبار الديناميات المتبقية. تشمل المتغيرات الرئيسية في النموذج $X(t)$، التي تمثل حالات النظام؛ $HR(t)$، التي تشير إلى معدل ضربات القلب؛ و $y_{sim}(t)$، التي تشير إلى مستوى الجلوكوز المحاكى في الوقت $t$. يهدف هذا النهج المنظم إلى تعزيز دقة محاكاة ديناميات الجلوكوز، مما يحسن استراتيجيات الإدارة لداء السكري من النوع 1.
النتائج
تشير النتائج إلى أن نموذج مستوى السكان \( T_{1DSim}^{P}NN \) يتماشى عن كثب مع نموذج المعادلة التفاضلية العادية (ODE) \( T_{1DSim}^{P}ODE \)، كما يتضح من مقاييس الخطأ المتشابهة بشكل كبير عبر نتائج الجلوكوز المختلفة عند اختباره على مجموعة بيانات محجوزة. على وجه التحديد، أظهرت استجابة الأنسولين الكلية (TIR)، والاستجابة النشطة الكلية (TAR)، واستجابة الجرعة الكلية (TBR)، ومؤشر الجلوكوز المنخفض (LBGI)، ومؤشر الجلوكوز المرتفع (HBGI)، ومتوسط قيم الجلوكوز (MG) اختلافات طفيفة، جميعها بقيم \( P \) أقل من 0.001، مما يؤكد قوة نهج الشبكة العصبية (NN).
كشفت التحليلات الإضافية للشبكات الفرعية أنه بينما كانت بعض الشبكات متوافقة تمامًا، أظهرت أخرى أخطاء حرجة طفيفة، حيث كانت أقصى خطأ لشبكة فرعية واحدة فقط \( 2 \times 10^{-2} \) ملغ/دل. تم إنشاء ما مجموعه 394 توأم رقمي لشبكات عصبية مقيدة فسيولوجيًا، مما يظهر دقة متفوقة في نتائج محاكاة الجلوكوز مقارنة بالتوائم المعتمدة على ODE عبر مقاييس متعددة. من الجدير بالذكر أن النماذج المعتمدة على NN أنتجت نتائج جلوكوز تتطابق عن كثب مع بيانات العالم الحقيقي، مع اختلافات في مقاييس مثل TIR وMG كانت غير ذات دلالة إحصائية. عزز دمج المتغيرات المدخلة الشاملة بشكل كبير دقة المحاكاة، لا سيما في السيناريوهات التي تتضمن النشاط البدني والوجبات، مما يبرز إمكانيات التوائم الرقمية المعتمدة على NN لإدارة الجلوكوز الشخصية.
المناقشة
في قسم المناقشة من ورقة البحث، يحدد المؤلفون منهجين رئيسيين: التحقق الرسمي من الديناميات والتوائم الرقمية. يتضمن الأول التحقق من أن كل شبكة فرعية من نموذج مستوى السكان تعيد بدقة تكرار ديناميات نموذج ميكانيكي مقسم، مما يضمن التناسق الفسيولوجي. يركز الأخير على إنشاء توائم رقمية من خلال دمج النماذج على مستوى السكان مع البيانات على مستوى الأفراد، مما يعزز توقعات ديناميات الجلوكوز من خلال التعديلات في الوقت الفعلي بناءً على التباين الفردي. يستخدم هذا النهج المتبقيات من معدلات تغير الجلوكوز، مما يضمن الاستقلال عن الوقت المنقضي في المحاكاة.
استخدم المؤلفون كل من مجموعات البيانات المحاكية والبيانات الواقعية، وخاصة من دراسة مبادرة ممارسة T1D (T1DEXI)، لتطوير والتحقق من توائمهم الرقمية لشبكات عصبية مقيدة فسيولوجيًا. نموذج مستوى السكان، T1DSim P NN، هو نموذج فضاء حالة لشبكة عصبية بُعده 10 يلتقط العلاقات الزمنية المعقدة ويلتزم بالديناميات الفسيولوجية المعروفة من خلال مجموعة من المعادلات التفاضلية العادية (ODEs). تم تدريب النموذج باستخدام مجموعة بيانات متنوعة تم إنشاؤها من سيناريوهات مختلفة للوجبات وجرعات الأنسولين، مما يضمن تمثيلًا قويًا لديناميات إدارة الجلوكوز. تضمنت عملية التدريب تقليل دالة خسارة توازن بين الملاءمة والتناسق، مع عقوبات محددة للأحداث السريرية المهمة من حيث مستويات الجلوكوز، مما يعزز قابلية تطبيق النموذج في السيناريوهات الواقعية.
DOI: https://doi.org/10.1007/s00521-026-12018-x
Publication Date: 2026-04-01
Author(s): Valentina Roquemen-Echeverri et al.
Primary Topic: Diabetes Management and Research
Overview
This research introduces a novel framework for simulating glucose dynamics in individuals with type 1 diabetes (T1D) using physiologically-constrained neural network (NN) digital twins. The authors developed a population-level NN state-space model that aligns with ordinary differential equations (ODEs) governing glucose regulation, ensuring both interpretability and physiological accuracy. The model was validated against real-world data from the T1D Exercise Initiative study, demonstrating that simulated glucose profiles closely matched observed data across various clinically relevant metrics, such as time in range (70-180 mg/dL) and time below range (<70 mg/dL). The framework allows for the integration of individual-specific data, capturing both inter- and intra-individual variability, and can incorporate unmodeled factors like sleep and physical activity. The results indicate that this approach significantly enhances simulation accuracy compared to traditional ODE-based models, as it adapts dynamically to new data and conditions. By combining data-driven modeling with comprehensive input integration, the framework offers a scalable solution for personalized treatment testing and insulin optimization in T1D management.
Introduction
The introduction of the paper discusses Type 1 Diabetes (T1D), a chronic condition marked by high glucose levels due to insufficient insulin production by the pancreas. Effective management of T1D is complex, as insulin therapy must be tailored to individual responses influenced by various factors such as meals, exercise, and stress. Recent advancements in diabetes technology, particularly automated insulin delivery (AID) systems and decision support systems (DSS), have shown promise in improving glycemic control by enhancing glucose time in range (TIR) and reducing time above range (TAR) and time below range (TBR).
The paper highlights the challenges in developing accurate virtual patient models for T1D, which are essential for the efficacy and safety validation of AID and DSS. Existing models primarily rely on ordinary differential equations (ODE) to simulate glucose dynamics but often lack the individual-specific adjustments necessary for real-world applicability. The authors propose a novel hybrid modeling approach that integrates mechanistic models with data-driven artificial intelligence (AI) techniques to create physiologically-constrained neural network (NN)-based digital twins. This approach aims to enhance the accuracy of glucose predictions while adhering to physiological principles, outperforming traditional ODE-based models in replicating real-world scenarios. Key contributions include a novel NN state-space model that is interpretable and consistent with the underlying ODEs governing the glucoregulatory system in T1D patients.
Methods
In this section, the authors outline a three-step methodology for developing physiologically-constrained neural network (NN) digital twins aimed at simulating glucose-insulin dynamics in individuals with type 1 diabetes. The first step involves creating a population-level NN state-space model that captures the general dynamics of glucose and insulin interactions. The second step focuses on personalizing this model for individual patients, ensuring that the digital twin accurately reflects the unique physiological characteristics of each person. Finally, the third step assesses the simulation accuracy of the personalized models.
The framework for constructing these digital twins is visually represented in Figure 1, which illustrates the integration of the population-level NN state-space model with an adaptive individual-level NN that accounts for residual dynamics. Key variables in the model include $X(t)$, representing the system’s states; $HR(t)$, denoting heart rate; and $y_{sim}(t)$, which indicates the simulated glucose level at time $t$. This structured approach aims to enhance the precision of glucose dynamics simulations, thereby improving management strategies for type 1 diabetes.
Results
The results indicate that the population-level model \( T_{1DSim}^{P}NN \) closely aligns with the ordinary differential equation (ODE) model \( T_{1DSim}^{P}ODE \), as evidenced by significantly similar error metrics across various glucose-related outcomes when tested on a hold-out dataset. Specifically, the total insulin response (TIR), total active response (TAR), total bolus response (TBR), low blood glucose index (LBGI), high blood glucose index (HBGI), and mean glucose (MG) values showed minimal differences, all with \( P \)-values less than 0.001, confirming the robustness of the neural network (NN) approach.
Further analysis of the sub-networks revealed that while some were fully conformant, others exhibited minor critical errors, with the maximum error for one sub-network being only \( 2 \times 10^{-2} \) mg/dL. A total of 394 physiologically-constrained NN digital twins were created, demonstrating superior accuracy in glucose simulation outcomes compared to ODE-based twins across multiple metrics. Notably, the NN-based models produced glucose outcomes that closely matched real-world data, with differences in metrics such as TIR and MG being statistically insignificant. The incorporation of comprehensive input variables significantly enhanced the accuracy of simulations, particularly in scenarios involving physical activity and meals, underscoring the potential of NN-based digital twins for personalized glucose management.
Discussion
In the discussion section of the research paper, the authors outline two key methodologies: Formal Verification of Dynamics and Digital Twins. The former involves verifying that each sub-network of the population-level model accurately replicates the dynamics of a compartmentalized mechanistic model, ensuring physiological consistency. The latter focuses on creating digital twins by integrating population-level models with individual-level data, enhancing predictions of glucose dynamics through real-time adjustments based on individual variability. This approach utilizes residuals from glucose change rates, ensuring independence from elapsed simulation time.
The authors employed both simulated and real-world datasets, particularly from the T1D exercise initiative (T1DEXI) study, to develop and validate their physiologically-constrained neural network (NN) digital twins. The population-level model, T1DSim P NN, is a 10-dimensional NN state-space model that captures complex temporal relationships and adheres to known physiological dynamics through a set of ordinary differential equations (ODEs). The model was trained using a diverse dataset generated from various meal and insulin dosing scenarios, ensuring robust representation of glucose management dynamics. The training process involved minimizing a loss function that balances fit and consistency, with specific penalties for clinically significant glucose events, thereby enhancing the model’s applicability in real-world scenarios.