1型糖尿病におけるインスリンボーラス計算の開発：実世界データ、デジタルツイン、機械学習に基づくフレームワーク

科学分野:

• 生物医学工学
• 計算生物学
• 内分泌学

背景:

• 正確な食時インスリンボーラス（MIB）投与は、1型糖尿病（T1D）の管理と血糖変動の防止に不可欠です。
• 従来のMIB処方には、リアルタイムの連続グルコースモニタリング（CGM）データが統合されていないという限界があります。
• 既存のCGM統合方法は、経験則またはin-silicoモデルに依存することが多く、実世界での適用性を妨げています。

研究 の 目的:

• 機械学習（ML）、デジタルツイン（DT）、および実世界データを組み合わせたフレームワークを調査し、T1DのMIB投与アルゴリズムを強化すること。
• 従来のin-silicoアプローチを超える、改良されたMIB投与戦略を評価、調整、開発すること。
• 実世界患者データを使用してMIB処方を洗練するためにDTを活用すること。

主な方法:

• T1DのDTであるReplayBGを使用して、30人の被験者からの実世界データで公開された線形MLモデルを評価しました。
• パフォーマンスを向上させるために、実世界データセットを使用して線形MLモデルを再較正しました。
• DTシミュレーションを介して、完全に実データで訓練およびテストされた非線形勾配ブースティングモデル（XGBoost、LightGBM）。

主要な成果:

• DT強化モデルは、元のin-silicoモデルと比較して血糖コントロールの改善を示しました。
• 再較正された線形および非線形モデルは、インレンジ時間を大幅に増加させ（LightGBMで最大80.6％）、レンジ外時間を短縮しました。
• 低血糖および高血糖に関連するリスク指標は、著しい改善を示しました。

結論:

• 実世界データを利用したDTベースのフレームワークは、T1DのMIB計算機を効果的に洗練および開発します。
• このアプローチは、元のin-silicoモデルを超えるパフォーマンス向上を達成します。
• DTは、MIB処方の開発、検証、および拡張を容易にし、T1D管理のための実用的なMLベースのソリューションを可能にします。