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

📄 arXiv: 2505.14477v1 📥 PDF

作者: Maria Panagiotou, Lorenzo Brigato, Vivien Streit, Amanda Hayoz, Stephan Proennecke, Stavros Athanasopoulos, Mikkel T. Olsen, Elizabeth J. den Brok, Cecilie H. Svensson, Konstantinos Makrilakis, Maria Xatzipsalti, Andriani Vazeou, Peter R. Mertens, Ulrik Pedersen-Bjergaard, Bastiaan E. de Galan, Stavroula Mougiakakou

分类: cs.LG

发布日期: 2025-05-20

DOI: 10.1109/ACCESS.2025.3600738

💡 一句话要点

提出自适应基础-波动剂量建议系统以优化糖尿病患者胰岛素调整

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 胰岛素调整 强化学习 个性化医疗 糖尿病管理 血糖控制 自我监测 基础-波动剂量建议

📋 核心要点

  1. 现有的胰岛素调整方法在应对1型和长期2型糖尿病患者的个体化需求时存在不足，导致血糖控制效果不理想。
  2. 本研究提出了自适应基础-波动剂量建议系统（ABBA），利用强化学习为患者提供个性化的胰岛素治疗建议，旨在提高血糖控制的时间范围。
  3. 实验结果表明，ABBA在模拟测试中显著提高了血糖控制的时间范围，并减少了低于和高于目标范围的时间，相较于传统方法表现更佳。

📝 摘要（中文）

尽管胰岛素制剂和技术有了显著进展，但对大多数1型糖尿病（T1D）和长期2型糖尿病（T2D）患者而言，胰岛素调整仍然是一个持续的挑战。本研究提出了基于强化学习的自适应基础-波动剂量建议系统（ABBA），旨在为进行自我监测血糖测量和多次每日胰岛素注射的T1D和T2D患者提供个性化的胰岛素治疗建议。通过与标准基础-波动剂量顾问（BBA）进行比较，ABBA在提高血糖控制的时间范围（TIR）方面表现出显著优势。模拟实验显示，ABBA显著改善了TIR，并减少了低于和高于范围的时间。ABBA的性能在两个月内持续改善，而BBA仅有微小变化。该个性化胰岛素调整方法有潜力进一步优化血糖控制，支持T1D和T2D患者的日常自我管理。

🔬 方法详解

问题定义：本研究旨在解决1型和长期2型糖尿病患者在胰岛素调整中的个性化需求不足的问题。现有的标准基础-波动剂量顾问（BBA）在提供个性化建议时效果有限，导致患者的血糖控制不理想。

核心思路：论文提出的自适应基础-波动剂量建议系统（ABBA）基于强化学习，通过分析患者的血糖监测数据，动态调整胰岛素剂量，以实现更好的血糖控制效果。该方法的设计旨在提高个体化治疗的精准度和有效性。

技术框架：ABBA的整体架构包括数据收集模块、强化学习算法模块和决策支持模块。数据收集模块负责获取患者的血糖监测数据，强化学习算法模块则通过历史数据训练模型，最后决策支持模块根据模型输出个性化的胰岛素剂量建议。

关键创新：ABBA的主要创新在于其基于强化学习的个性化调整机制，相较于传统的BBA，ABBA能够根据患者的实时数据动态优化胰岛素剂量，从而显著提高血糖控制的时间范围。

关键设计：在技术细节方面，ABBA使用了特定的损失函数来优化血糖控制目标，并设计了适应性的网络结构，以便更好地处理患者的个性化数据。

📊 实验亮点

实验结果显示，ABBA在模拟测试中显著提高了血糖控制的时间范围（TIR），相比于标准基础-波动剂量顾问（BBA），TIR的提升幅度显著，并且ABBA在两个月内持续改善其性能，而BBA仅有微小变化。

🎯 应用场景

该研究的潜在应用领域包括糖尿病管理和个性化医疗。ABBA系统能够为1型和2型糖尿病患者提供更为精准的胰岛素调整建议，从而优化血糖控制，提升患者的生活质量。未来，ABBA有望在临床试验中验证其有效性，并推广至更广泛的患者群体。

📄 摘要（原文）

Despite recent advances in insulin preparations and technology, adjusting insulin remains an ongoing challenge for the majority of people with type 1 diabetes (T1D) and longstanding type 2 diabetes (T2D). In this study, we propose the Adaptive Basal-Bolus Advisor (ABBA), a personalised insulin treatment recommendation approach based on reinforcement learning for individuals with T1D and T2D, performing self-monitoring blood glucose measurements and multiple daily insulin injection therapy. We developed and evaluated the ability of ABBA to achieve better time-in-range (TIR) for individuals with T1D and T2D, compared to a standard basal-bolus advisor (BBA). The in-silico test was performed using an FDA-accepted population, including 101 simulated adults with T1D and 101 with T2D. An in-silico evaluation shows that ABBA significantly improved TIR and significantly reduced both times below- and above-range, compared to BBA. ABBA's performance continued to improve over two months, whereas BBA exhibited only modest changes. This personalised method for adjusting insulin has the potential to further optimise glycaemic control and support people with T1D and T2D in their daily self-management. Our results warrant ABBA to be trialed for the first time in humans.