Sucre sous contrôle : le modèle avec jumeau numérique express

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.