Une personne atteinte de diabète de type 1 conduit une voiture dans un épais brouillard et ne voit que quelques mètres devant elle. Le taux de sucre dans le sang peut chuter ou grimper brusquement, et la pompe à insuline doit réagir à l'avance. Une prévision à quatre heures, c'est tenter d'apercevoir le virage de la route à travers la brume.
Les réseaux de neurones classiques prédisent pas à pas, comme un conducteur qui recalcule son itinéraire à chaque seconde en fonction de la commande précédente. L'erreur s'accumule, et au bout de quelques heures, la prévision « dérive » vers le bas — le réseau sous-estime systématiquement les valeurs. Le modèle physiologique s'appuie sur des équations décrivant le fonctionnement de l'organisme, mais c'est un portrait moyen : il ne tient pas compte du fait que chaque personne a son propre métabolisme.
La nouvelle approche PhysioSeq2Seq fonctionne comme un navigateur expérimenté. D'abord, sur la base de trois heures d'observations, il trouve dans la base un jumeau numérique dont les valeurs de sucre correspondent aux données actuelles du patient. Ensuite, il extrait 10 variables internes de ce jumeau — par exemple, la quantité de glucose dans le sang et les tissus, la vitesse à laquelle il est consommé — et les transmet au réseau de neurones. Celui-ci, à son tour, produit une prévision directement sur 48 pas en avant, sans se référer à ses propres réponses précédentes. C'est comme tracer tout l'itinéraire jusqu'à la destination en une seule opération, plutôt que de le recalculer à chaque mètre.
Cet « hybride » empêche la prévision de s'éloigner de la réalité : la physiologie la maintient dans des limites raisonnables, et l'apprentissage automatique s'adapte à la personne. Au final, le système aide la pompe à insuline à agir par anticipation — comme si le brouillard se dissipait et que le conducteur voyait non seulement le capot, mais aussi tout le virage.
tel que rédigé par les auteurs, en anglais 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 taux de sucre de 39,28 mg/dL correspond à environ deux cuillères à café de glucose dissoutes dans tout le sang d'un adulte.