Learning Absorption Rates in Glucose-Insulin Dynamics from Meal Covariates

要約

タイトル：食事因子からのグルコース・インスリン動態における吸収速度の学習

要約：
– 伝統的なグルコース・インスリン動態モデルは、研究室の実験結果にあわせて選ばれたヒューリスティックなパラメータ設定に依存しているため、日常生活のグルコース動態を記述できない。
– 失敗の原因の1つは、食事後のグルコース吸収速度の記述にある。食事のマクロ栄養素の量は、吸収プロファイルに微妙な影響を与え、機械的にモデル化することが難しい。
– 本論文では、グルコース・インスリンデータと食事共変量からマクロ栄養素の影響を学習することを提案する。
– マクロ栄養情報と食事時間の情報を与えられた場合、ニューラルネットワークを使用して個人のグルコース吸収速度を予測する。
– 我々は、このニューラルレート関数をグルコース動態の微分方程式の制御関数として使用し、エンドツーエンドトレーニングを可能にする。
– シミュレートされたデータで、我々のアプローチは、ヒューリスティックなパラメータ設定よりも優れた予測能力を発揮し、真の吸収速度を近似することができた。
– 我々の研究は、画像などのより高次元の共変量を持つ食事イベントにも容易に一般化され、個々人の日常生活に合わせたグルコース動態モデルを作成することができる。

要約(オリジナル)

Traditional models of glucose-insulin dynamics rely on heuristic parameterizations chosen to fit observations within a laboratory setting. However, these models cannot describe glucose dynamics in daily life. One source of failure is in their descriptions of glucose absorption rates after meal events. A meal’s macronutritional content has nuanced effects on the absorption profile, which is difficult to model mechanistically. In this paper, we propose to learn the effects of macronutrition content from glucose-insulin data and meal covariates. Given macronutrition information and meal times, we use a neural network to predict an individual’s glucose absorption rate. We use this neural rate function as the control function in a differential equation of glucose dynamics, enabling end-to-end training. On simulated data, our approach is able to closely approximate true absorption rates, resulting in better forecast than heuristic parameterizations, despite only observing glucose, insulin, and macronutritional information. Our work readily generalizes to meal events with higher-dimensional covariates, such as images, setting the stage for glucose dynamics models that are personalized to each individual’s daily life.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI