Человек с диабетом 1 типа ведёт машину в густом тумане и видит только на несколько метров вперёд. Уровень сахара в крови может резко упасть или взлететь, а инсулиновая помпа должна реагировать заранее. Прогноз на четыре часа — это попытка разглядеть поворот дороги сквозь пелену.
Обычные нейросети предсказывают шаг за шагом, как водитель, который каждую секунду уточняет маршрут по предыдущей команде. Ошибка накапливается, и через пару часов прогноз «уплывает» вниз — сеть систематически занижает показатели. Физиологическая модель опирается на уравнения работы организма, но это усреднённый портрет: она не учитывает, что у каждого свой обмен веществ.
Новый подход PhysioSeq2Seq работает как опытный штурман. Сначала он за три часа наблюдений находит в базе цифрового близнеца, чьи показатели сахара совпадают с текущими данными пациента. Затем берёт 10 внутренних переменных этого близнеца — например, сколько глюкозы в крови и тканях, как быстро она расходуется — и передаёт их нейросети. Та, в свою очередь, выдаёт прогноз сразу на 48 шагов вперёд, не оглядываясь на собственные предыдущие ответы. Это как проложить весь маршрут до цели одной операцией, а не пересчитывать его каждый метр.
Такой «гибрид» не даёт прогнозу уйти в отрыв от реальности: физиология держит его в разумных границах, а машинное обучение подстраивается под конкретного человека. В итоге система помогает инсулиновой помпе работать на опережение — как если бы туман рассеялся, и водитель увидел не только капот, но и весь поворот.
как её написали авторы, на английском 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.
Уровень сахара 39,28 мг/дл — это примерно две чайные ложки глюкозы, растворённые во всей крови взрослого человека.