PhysioSeq2Seq: A Hybrid Physiological Digital Twin and Sequence-to-Sequence LSTM for Long-Horizon Glucose Forecasting in Type 1 Diabetes

작성자

Haebom

카테고리

Empty

저자

Phat Tran, Neville Mehta, Clara Mosquera-Lopez, Robert H. Dodier, Lizhong Chen, Peter G. Jacobs

💡 개요

본 연구는 제1형 당뇨병 환자의 장기적인 혈당 예측 정확도를 높이기 위해 환자별 생리학적 디지털 트윈과 시퀀스-투-시퀀스(Seq2Seq) LSTM을 결합한 하이브리드 모델인 PhysioSeq2Seq를 제안합니다. 제안된 방법은 3시간의 연속 혈당 모니터링(CGM) 데이터를 기반으로 최적의 환자별 생리학적 모델을 매칭하고, 이 모델의 내부 상태 변수를 Seq2Seq LSTM의 인코더와 디코더에 주입하여 재귀적 오차 누적을 제거합니다. 이를 통해 240분 예측 시점에서 기존 LSTM 대비 편향을 13.89 mg/dL, ODE 기반 디지털 트윈 대비 평균 절대 오차를 28.62 mg/dL 감소시키는 성과를 달성했습니다.

🔑 시사점 및 한계

•

환자별 생리학적 정보를 활용하여 기존의 재귀적 LSTM 모델의 장기 예측 오류 누적 문제를 효과적으로 해결할 수 있습니다.

•

물리 기반 제약 조건(ODE 모델)을 통합함으로써 장기 예측 시 발생하는 드리프트 현상을 생리학적으로 타당한 범위 내로 제한할 수 있습니다.

•

제안된 PhysioSeq2Seq 모델은 제1형 당뇨병 환자의 혈당 예측 정확도를 크게 향상시켜 자동 인슐린 투여 시스템의 안전성과 효율성을 높이는 데 기여할 수 있습니다.

•

제안된 모델의 성능은 훈련 및 평가 데이터셋의 특성에 따라 달라질 수 있으며, 다양한 인종, 생활 습관, 질병 진행 단계의 환자를 대상으로 한 추가적인 검증이 필요합니다.

PDF 보기

Made with Slashpage