Az 1-es típusú cukorbetegségben szenvedők vércukorszintjének pontos előrejelzése hatalmas kihívás, mivel a test működése folyamatosan változik, és számtalan bizonytalan tényező – például a stressz, az anyagcsere napi ingadozása vagy a fizikai aktivitás – befolyásolja azt.

A kutatók egy hierarchikus Bayes-modellt (egy valószínűségszámításon alapuló összetett matematikai rendszert) hoztak létre, amely 500 darab 24 órás adatsort dolgozott fel 10 különböző betegtől, figyelembe véve a napi inzulinadagolást, az étkezéseket, a pulzusszámot és a fizikai aktivitást is.

Az új matematikai módszerrel a valós vércukorszint és a számítógép által becsült érték közötti átlagos eltérés mindössze 12,44 mg/dL volt, ami rendkívül pontos egyezést jelent a valós betegek és a szimulált adatok között.

A kutatás legfőbb újdonsága, hogy képes a fiziológiai bizonytalanságokat és a napi ingadozásokat is hitelesen szimulálni, így a jövőben ezek a számítógépes modellek, vagyis a betegek virtuális másolatai (digitális ikrei) segíthetnek az automatikus vércukorszabályozó rendszerek fejlesztésében és a kezelések biztonságosabb tesztelésében.

Kulcsszavak

1-es típusú cukorbetegség, matematikai modellezés, digitális iker, vércukorszint előrejelzés, virtuális beteg, okoseszközök az egészségügyben.

További részletek

Siket, Mate, Levente Kovacs, and Gyorgy Eigner. „Stochastic virtual population in type 1 diabetes.” PLoS One 21, no. 2 (2026): e0341034. https://doi.org/10.1371/journal.pone.0341034.

Abstract Accurate, reliable, and efficient estimation of blood glucose dynamics from real-world data is challenging due to the time-varying nature, high uncertainty, and nonlinear interplay of complex processes. In this study, we propose and investigate a stochastic representation of a virtual population by fitting a hierarchical Bayesian model. In total, we use 500 24h-long sequences, 50 from each of the 10 patients with type 1 diabetes on multiple daily injection therapy. We model uncertainty on multiple levels, in physiology and in self-reported events, and take into account intra- and inter-day variability, and the effect of physical activity as well. The root-mean-square error between the glucose measurements and the mean of the posterior predictive distribution using the fitted low-rank multivariate normal guide is 12.44 mg/dL. We show that the posterior distributions can be used to simulate realistic intra-, and interday variability in terms of the investigated patient cohort.

Keywords type 1 diabetes, stochastic modeling, virtual population, Bayesian model, blood glucose dynamics, digital twin

Az eredeti közlemény elérhető az alábbi linkre kattintva https://doi.org/10.1371/journal.pone.0341034