GlyTwin：基于患者导向的反事实解释用于1型糖尿病糖浆控制的数字孪生
机器学习
2026-05-25 v2 人工智能
人机交互
摘要
长期和频繁的高血糖暴露会增加神经病、肾病和心血管疾病的风险。现有的连续皮下胰岛素输注(CSII)和连续血糖监测(CGM)技术仅能建模糖浆调节的特定方面，如预测低血糖和 administering 小剂量胰岛素。类似地，当前糖尿病管理中数字孪生方法主要专注于预测血糖对人体行为和胰岛素疗程的反应。结果是，这些技术缺乏提供可指导主动行为干预以实现最佳糖尿病管理的替代治疗情景的能力。为弥合这一差距，我们提出了GlyTwin——一种新型计算框架，通过整合反事实解释来增强数字孪生技术，以模拟糖浆控制的最优行为治疗。GlyTwin通过推荐调整行为选择（如碳水化合物摄入和胰岛素剂量）来生成反事实治疗方案，从而显著减少高血糖事件的发生率和持续时间。此外，GlyTwin将利益相关者偏好纳入其干预生成过程，确保该工具是个人化和以用户为中心的。我们在由50位使用自动胰岛素输送(AID)系统的1型糖尿病患者收集的26天纵向数据构建的AZT1D数据集上评估了GlyTwin。结果表明，GlyTwin在生成反事实解释方面超越了现有方法，有效性达85.8%，在防止高血糖方面有效率达87.3%。
引用
@article{arxiv.2504.09846,
title = {GlyTwin: Digital Twin for Glucose Control in Type 1 Diabetes Through Optimal Behavioral Modifications Using Patient-Centric Counterfactuals},
author = {Asiful Arefeen and Saman Khamesian and Maria Adela Grando and Bithika Thompson and Hassan Ghasemzadeh},
journal= {arXiv preprint arXiv:2504.09846},
year = {2026}
}