首页/论文/2007.11880

arXiv 2007.118802020-07-23stat.MLcs.LG

使用强化学习为自我监测的I型糖尿病患者提供常见的推注顾问

Challenging common bolus advisor for self-monitoring type-I diabetes patients using Reinforcement Learning

Air Liquide R&D（液化空气集团研发部）；CMAP, Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院应用数学中心）；XPop, Inria Saclay（法国国家信息与自动化研究所萨克雷中心）

Frédéric Logé, Erwan Le Pennec, Habiboulaye Amadou-Boubacar

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

自我监测的糖尿病患者必须在每餐前决定他们应该服用多少胰岛素。存在标准的推注顾问，但从未被证明在任何意义上是最佳的。我们对这一规则提出了挑战，将强化学习技术应用于T1 DM模拟的数据，T1 DM是由Kovatchev等人开发的FDA批准的模拟器，用于模拟葡萄糖-胰岛素相互作用。结果表明，最佳大剂量规则与标准大剂量顾问有很大不同，如果遵循，实际上可以避免低血糖发作。

英文摘要：

Patients with diabetes who are self-monitoring have to decide right before each meal how much insulin they should take. A standard bolus advisor exists, but has never actually been proven to be optimal in any sense. We challenged this rule applying Reinforcement Learning techniques on data simulated with T1DM, an FDA-approved simulator developed by Kovatchev et al. modeling the gluco-insulin interaction. Results show that the optimal bolus rule is fairly different from the standard bolus advisor, and if followed can actually avoid hypoglycemia episodes.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

采用多智能体强化学习（RL）方法的1型糖尿病（T1D）患者基础-餐时胰岛素顾问

Basal-Bolus Advisor for Type 1 Diabetes (T1D) Patients Using Multi-Agent Reinforcement Learning (RL) Methodology

University of Houston（休斯顿大学）

本研究提出一种多智能体强化学习基础-餐时胰岛素顾问，用于1型糖尿病患者的个性化血糖控制，经多场景验证，其在控糖效果、不良事件预防和胰岛素用量优化上均优于传统疗法。

2023-07-17cs.AIcs.CEcs.LG

基于强化学习的双模式自适应基础-大剂量顾问

A dual mode adaptive basal-bolus advisor based on reinforcement learning

University of Bern（伯尔尼大学）；Debiotech S.A.（Debiotech股份公司）；St. Mary's University（圣玛丽大学）；Insel Gruppe AG（Insel集团股份公司）

本研究提出基于强化学习的自适应基础-大剂量算法（ABBA），支持SMBG和CGM双模式输入，在100名成人计算机模拟中验证了其能实现个性化胰岛素优化与血糖控制，且不受监测技术类型影响。

2019-01-07cs.LGcs.SYeess.SY

基于深度强化学习的1型糖尿病双激素闭环给药系统

A Dual-Hormone Closed-Loop Delivery System for Type 1 Diabetes Using Deep Reinforcement Learning

Imperial College London（帝国理工学院）

我们提出了一种通过利用深度强化学习（RL）为1型糖尿病（T1 D）患者提供双激素的策略。具体而言，双扩张递归神经网络（RNN）用于学习激素递送策略，通过Q学习的变体进行训练，其输入是葡萄糖和膳食碳水化合物的原始数据，输出是双激素（胰岛素和胰高血糖素）递送。在没有葡萄糖-胰岛素代谢的先验知识的情况下，我们在UVA/Padova模拟器上运行该方法。通过数百天的自我游戏，得到一个广义模型，然后采用重要性抽样来定制模型以供个人使用。在\emph{In-silico}中，所提出的策略在给予标准推注的情况下实现了针对成人的目标范围内的葡萄糖时间（TIR）$93\%$和针对青少年的$83\%$，显著优于先前的方法。结果表明，深度RL在为T1 D患者建立个性化激素递送策略方面是有效的。

2019-10-09cs.LGq-bio.QM

基于强化学习的个性化胰岛素调整：对接受强化胰岛素治疗的糖尿病患者进行的计算机模拟验证

Personalised Insulin Adjustment with Reinforcement Learning: An In-Silico Validation for People with Diabetes on Intensive Insulin Treatment

ARTORG Center, University of Bern, Bern, Switzerland；Graduate School for Cellular；Biomedical Sciences, University of Bern, Switzerland；Diabetes Center, National；Kapodistrian University of Athens, Athens, Greece；Department of Endocrinology；Nephrology, Nordsjællands Hospital, Hillerød, Denmark；CARIM School for Cardiovascular Diseases, Maastricht University, Maastricht, The Netherlands；P \& A Kyriakou’ Children’s Hospital, Athens, Greece；Department of Kidney；Department of Clinical Medicine, Faculty of Health；Medical Sciences, University of Copenhagen, Copenhagen, Denmark；Department of Internal Medicine, Maastricht University Medical Centre+, Maastricht, The Netherlands；Department of Internal Medicine, Radboud University Medical Centre, Nijmegen, The Netherlands

本文提出基于强化学习的个性化胰岛素调整方法ABBA，在FDA认可的T1D和T2D模拟人群中验证其相比标准BBA能显著改善目标范围内时间并减少高低血糖时间，支持开展人体试验。

2025-05-20cs.LG

基于模型的强化学习用于1型糖尿病血糖控制

Model-Based Reinforcement Learning for Type 1Diabetes Blood Glucose Control

University of Bristol（布里斯托尔大学）；The Open University（开放大学）；Cardiff University（卡迪夫大学）

在本文中，我们研究了使用基于模型的强化学习来帮助1型糖尿病患者做出胰岛素剂量决策。所提出的架构由多个回声状态网络预测血糖水平结合模型预测控制器进行规划。回声状态网络是一种递归神经网络，它允许我们以在线方式学习时间序列数据输入中的长期依赖关系。此外，我们解决了一个更强大的控制不确定性的量化。在这里，我们使用回声状态网络的集合来捕获模型（认知）的不确定性。我们使用FDA批准的UVa/Padova 1型糖尿病模拟器对该方法进行了评估，并将结果与基线算法（如基础-大剂量控制器和深度Q学习）进行了比较。结果表明，对于测试的大多数虚拟1型糖尿病患者简档，基于基于模型的强化学习算法可以与基线算法一样或更好地执行。

2020-10-13cs.LG

GUIDE：用于1型糖尿病行为动作支持的强化学习

GUIDE: Reinforcement Learning for Behavioral Action Support in Type 1 Diabetes

College of Health Solutions, Arizona State University（亚利桑那州立大学健康解决方案学院）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；School for Engineering of Matter Transport and Energy, Arizona State University（亚利桑那州立大学物质传输与能源工程学院）；Institute for Foundation of Machine Learning, The University of Texas at Austin（德克萨斯大学奥斯汀分校机器学习基础研究所）；Sony AI（索尼人工智能）

GUIDE通过强化学习框架为1型糖尿病患者提供行为建议，结合实时血糖数据和离线在线算法，提升血糖控制效果，实现85.49%的时间在目标范围内。

2026-10-06cs.LG

更多相关论文收起更多论文

使用深度强化学习控制1型糖尿病患者的基础血糖：计算机验证

Basal Glucose Control in Type 1 Diabetes using Deep Reinforcement Learning: An In Silico Validation

Imperial College London（伦敦帝国学院）；University College London（伦敦大学学院）

1型糖尿病（T1 D）患者需要定期外源性输注胰岛素，以将其血糖浓度维持在治疗上足够的目标范围内。尽管人工胰腺和连续葡萄糖监测已被证明在实现闭环控制方面是有效的，但由于葡萄糖动力学的高度复杂性和技术上的限制，仍然存在重大挑战。在这项工作中，我们提出了一种新的用于单激素（胰岛素）和双激素（胰岛素和胰高血糖素）传递的深度强化学习模型。特别是，交付策略是通过双Q学习与扩张的递归神经网络开发的。出于设计和测试目的，采用FDA认可的UVA/Padova 1型模拟器。首先，我们进行了长期的广义训练，以获得人口模型。然后，这个模型是个性化的一个小的数据集的特定主题的数据。计算机模拟结果表明，与使用低葡萄糖胰岛素混悬液的标准基础-餐时胰岛素治疗相比，单激素和双激素给药策略可实现良好的血糖控制。具体而言，在成人队列（n=10）中，目标范围[70，180] mg/dL内的时间百分比从77.6%改善至80.9%（单激素对照组）和$85.6\%$（双激素对照组）。在青少年队列（n=10）中，目标范围内的时间百分比从55.5%提高到65.9%，单激素控制，双激素控制为78.8%。在所有情况下，观察到低血糖症显著减少。这些结果表明，使用深度强化学习是T1 D闭环葡萄糖控制的可行方法。

2020-05-18cs.LGeess.SPq-bio.QM

面向1型糖尿病患者更安全血糖控制的离线强化学习

Offline Reinforcement Learning for Safer Blood Glucose Control in People with Type 1 Diabetes

University of Bristol（布里斯托大学）；University Hospital Southampton（南安普顿大学医院）

本研究针对在线强化学习用于1型糖尿病血糖控制存在学习不稳定、易选不安全动作的问题，评估了三种离线强化学习算法，在仅用在线RL十分之一以下训练样本的情况下，显著提升了血糖处于健康范围的时长且未增加低血糖事件，还能应对多种复杂控制场景。

2023-05-05cs.AIcs.LG