Una persona con diabetes tipo 1 conduce un coche en medio de una niebla espesa y solo ve unos metros por delante. El nivel de azúcar en sangre puede caer o dispararse de repente, y la bomba de insulina debe reaccionar con antelación. Predecir con cuatro horas de margen es como intentar vislumbrar la curva de la carretera a través de la bruma.
Las redes neuronales convencionales predicen paso a paso, como un conductor que cada segundo recalcula la ruta según la orden anterior. El error se acumula y, al cabo de un par de horas, la predicción se desvía hacia abajo: la red subestima sistemáticamente los valores. El modelo fisiológico se basa en las ecuaciones del funcionamiento del cuerpo, pero es un retrato promedio: no tiene en cuenta que cada persona tiene un metabolismo distinto.
El nuevo enfoque PhysioSeq2Seq funciona como un navegante experto. Primero, durante tres horas de observación, encuentra en la base de datos un gemelo digital cuyos niveles de azúcar coinciden con los datos actuales del paciente. Luego toma 10 variables internas de ese gemelo —por ejemplo, cuánta glucosa hay en la sangre y en los tejidos, o con qué rapidez se consume— y se las pasa a la red neuronal. Esta, a su vez, genera la predicción directamente para 48 pasos hacia adelante, sin mirar sus propias respuestas anteriores. Es como trazar todo el recorrido hasta el destino de una sola vez, en lugar de recalcularlo metro a metro.
Este "híbrido" evita que la predicción se aleje de la realidad: la fisiología la mantiene dentro de límites razonables, y el aprendizaje automático se adapta a cada persona. En definitiva, el sistema ayuda a que la bomba de insulina actúe con antelación, como si la niebla se disipara y el conductor viera no solo el capó, sino toda la curva.
tal como lo escribieron los autores, en inglés arXiv:2605.16860
Accurate long-horizon glucose forecasting is critical for automated insulin delivery systems, which help people with type 1 diabetes (T1D) manage their glucose and avoid dangerous hypoglycemia. However, standard recursive long short-term memory (LSTM) networks suffer from systematic negative bias at longer horizons due to error compounding, while purely mechanistic ordinary differential equation (ODE) models fail to generalize across individuals when parameterized at the population level. We propose PhysioSeq2Seq, a hybrid architecture that combines patient-specific physiological modeling with a sequence-to-sequence (Seq2Seq) LSTM. For each glucose segment, twin matching searches a population of 300 parameterized digital twins to identify the best-fitting physiological match from a 3-hour continuous glucose monitoring (CGM) history. The 10 internal ODE state variables of the matched twin are injected as exogenous covariates into both the encoder and decoder of the Seq2Seq LSTM. This simultaneous 48-step prediction strategy eliminates recursive error compounding, while the ODE features provide a physics-grounded constraint that bounds long-horizon drift within physiologically plausible ranges. PhysioSeq2Seq was trained on CGM and insulin data from 348 participants in the Type 1 Diabetes Exercise Initiative (T1DEXI) dataset and evaluated on 74 held-out participants. At the 240-minute horizon, PhysioSeq2Seq achieves a mean absolute error of 39.28 mg/dL and a mean error of -10.62 mg/dL, reducing bias by 13.89 mg/dL over the recursive LSTM and reducing mean absolute error by 28.62 mg/dL over the ODE-based digital twin. These results show that eliminating architectural feedback and injecting patient-matched physiological states is an effective and clinically meaningful strategy for long-horizon glucose forecasting in T1D.
Un nivel de azúcar de 39,28 mg/dl equivale aproximadamente a dos cucharaditas de glucosa disueltas en toda la sangre de un adulto.