基于决策质量评估1型糖尿病数字孪生

arXiv:2610.30577v1 公告类型：新投稿 摘要：1型糖尿病（T1D）数字孪生（DT）无需实际尝试不同的胰岛素治疗方案，即可预测个体血糖对这些方案的反应。对于每种治疗方案，可以计算预测血糖轨迹的下游统计指标（如血糖风险），以指导临床决策。然而，DT的质量通常以其预测血糖轨迹的准确性来衡量，这可能无法反映其所支持的下游治疗决策的质量。在本研究中，我们直接根据下游治疗方案排序的决策质量来评估DT，即DT预测的血糖轨迹能否用于对候选治疗方案进行排序，并使排序结果与基于真实患者反应得到的排序一致。我们提出了一套评估流程，涵盖来自FDA认可的UVA/Padova模型的30名虚拟患者，并为每名患者模拟了21种不同的基础-餐时胰岛素治疗方案。对于每名患者，先使用一种治疗方案下的数据拟合DT，再由其生成其余20种治疗方案下的血糖轨迹。结果表明，预测准确性与决策质量并不一致。一个对平均患者进行建模、从未使用个体血糖数据的基线方法，在全部六种方法中预测准确性最低（RMSE：63.6 mg/dL），但其治疗方案排序的平均Spearman相关系数却位居第二（0.766）；相比之下，一个血糖预测误差几乎减半的黑箱神经网络（RMSE：32.9 mg/dL），其排序表现并不优于对这20种治疗方案进行随机排序（Spearman相关系数为0.049）。因此，仅依据预测准确性选择DT，可能会优先选中一个治疗推荐表现仅相当于随机水平的模型。决策质量必须直接评估，而不能假定其会随预测准确性提高而改善。