基于数学建模和机器学习的个性化糖尿病管理混合数字孪生框架

《Diagnostics》：Hybrid Digital Twin Framework for Personalized Diabetes Management Using Mathematical Modelling and Machine Learning

　　

背景/目的：糖尿病（Diabetes mellitus）是一种慢性代谢性疾病，其特征是由于胰岛素分泌缺陷、胰岛素作用缺陷或两者兼有而导致的血糖调节受损。生理和生活方式因素因人而异，通用医学并不适用于所有患者。在这种情况下，针对每个个体的个性化医疗变得成本高昂。有效管理连续血糖水平并给予准确的胰岛素剂量具有挑战性。为克服这一问题，本研究提出了一种基于数字孪生（DT）的胰岛素剂量模拟器，结合个体代谢系统。方法：采用多种机器学习技术、生理学数学模型和基于概率的风险评估来预测患者特异性葡萄糖-胰岛素的动态变化。将碳水化合物摄入、睡眠模式、药物和体力活动等参数纳入该模型，以捕捉日常生活中的真实变化。对于葡萄糖-胰岛素相互作用，使用Bergman最小模型（BMM）；对于一天中的时间变异性，使用昼夜节律胰岛素敏感性模型；对于预测代谢风险（包括高血糖风险），使用贝叶斯风险估计（BRE）。为了提高透明度并解释模型预测，采用了可解释人工智能（XAI）方法。结果：模拟结果表明，与传统方法相比，血糖预测准确性提高，低血糖风险检测增强，胰岛素给药策略得到优化。结论：总体而言，所提出的数字孪生模型利用最新技术提供了一种可扩展的解决方案，利用BMM和BRE为个性化糖尿病管理和临床医生决策支持提供了"处方分析框架"（Prescriptive Analytical Framework）。

研究背景与问题：糖尿病（Diabetes mellitus）是全球最常见的慢性疾病之一，影响全球数百万人，且在未来几十年疾病负担预计将大幅增加。维持血糖在安全生理范围内对于预防从急性并发症到器官长期损伤等一系列问题至关重要，通常需要持续监测并结合胰岛素治疗。影响血糖调节的因素众多且相互交织，包括睡眠时长、膳食碳水化合物摄入量、体力活动水平、心理压力、药物依从性和昼夜节律等。传统治疗策略依赖于基于通用指南的胰岛素剂量建议和间歇性血糖测量，往往无法解释生活方式差异效应和患者间变异性。通用医学无法适用于所有患者，而针对每个个体的个性化医疗成本高昂。数字孪生（DT，Digital Twin，通过实时数据持续更新的物理系统虚拟表征）概念源于近年计算科学的进步，在医疗保健领域可用于模拟患者生理反应并预测不同治疗策略的结果。

研究目标与意义：本研究的主要目标是设计一种集成机器学习预测、可解释人工智能（XAI）和生理建模的胰岛素剂量模拟器DT模型，为患者特异性糖尿病管理提供决策支持，并模拟个性化葡萄糖-胰岛素动态。该研究发表于《Diagnostics》。模拟结果表明，与传统方法相比，该框架在血糖预测准确性、低血糖风险检测增强和胰岛素给药策略优化方面均有显著改善。

关键技术方法：研究人员整合了多种数学与人工智能技术：采用Bergman最小模型（BMM，描述葡萄糖-胰岛素相互作用的生理模型）和Hovorka非线性模型模拟代谢调节；采用昼夜节律胰岛素敏感性模型表征时间依赖性代谢变异性；采用贝叶斯风险估计（BRE）进行高血糖和低血糖风险的概率评估；采用长短期记忆（LSTM）网络捕捉时间序列依赖关系；采用SHAP（Shapley加性解释）方法实现模型可解释性；并采用特征值分析和Lyapunov稳定性判据验证系统稳定性。数据来源于201名志愿者的物理采集数据集，使用经临床验证参考