T1DM患者における血糖値予測のための深層生理学的モデル

Deep Physiological Model for Blood Glucose Prediction in T1DM Patients.

• Mario Munoz-Organero

抄録

1型糖尿病(T1DM)患者にとって、時間通りに対応し、低血糖や高血糖のエピソードを回避するためには、近い将来の血糖値を正確に予測することが非常に重要です。血糖値の正確な予測は、人工膵臓のようなグルコース調節システムにおける制御アルゴリズムの基礎となります。入力信号および使用される基礎となるモデルに特殊性を持たせた血糖値の予測を提供するために、すでに多くの研究が行われています。これらのモデルは、グルコースの生理学的・代謝モデルのチューニングに基づくものと、機械学習技術に基づくグルコースの進化パターンの学習に基づくものの2つに大別される。本稿では、T1DM患者の血糖値予測の現状をレビューし、生理学的血糖値法の代謝挙動を模倣するために、深層機械学習モデルを分解した新しいハイブリッドモデルを提案、実装、検証、比較する。生理的モデルにおける炭水化物とインスリン吸収の微分方程式は、Long Short-Term Memory (LSTM)セルを用いて実装されたリカレントニューラルネットワーク(RNN)を用いてモデル化されている。その結果、Root Mean Square Error (RMSE)値は模擬患者で5mg/dL以下、実患者で10mg/dL以下であった。

Accurate estimations for the near future levels of blood glucose are crucial for Type 1 Diabetes Mellitus (T1DM) patients in order to be able to react on time and avoid hypo and hyper-glycemic episodes. Accurate predictions for blood glucose are the base for control algorithms in glucose regulating systems such as the artificial pancreas. Numerous research studies have already been conducted in order to provide predictions for blood glucose levels with particularities in the input signals and underlying models used. These models can be categorized into two major families: those based on tuning glucose physiological-metabolic models and those based on learning glucose evolution patterns based on machine learning techniques. This paper reviews the state of the art in blood glucose predictions for T1DM patients and proposes, implements, validates and compares a new hybrid model that decomposes a deep machine learning model in order to mimic the metabolic behavior of physiological blood glucose methods. The differential equations for carbohydrate and insulin absorption in physiological models are modeled using a Recurrent Neural Network (RNN) implemented using Long Short-Term Memory (LSTM) cells. The results show Root Mean Square Error (RMSE) values under 5 mg/dL for simulated patients and under 10 mg/dL for real patients.