Design and <i>In Silico</i> Evaluation of an Exercise Decision Support System Using Digital Twin Models
Notice bibliographique
Résumé
Background: Managing glucose levels during exercise is challenging for individuals with type 1 diabetes (T1D) since multiple factors including activity type, duration, intensity and other factors must be considered. Current decision support tools lack personalized recommendations and fail to distinguish between aerobic and resistance exercise. We propose an exercise-aware decision support system (exDSS) that uses digital twins to deliver personalized recommendations to help people with T1D maintain safe glucose levels (70-180 mg/dL) and avoid low glucose (<70 mg/dL) during and after exercise. Methods: We evaluated exDSS using various exercise and meal scenarios recorded from a large, free-living study of aerobic and resistance exercise. The model inputs were heart rate, insulin, and meal data. Glucose responses were simulated during and after 30-minute exercise sessions (676 aerobic, 631 resistance) from 247 participants. Glucose outcomes were compared when participants followed exDSS recommendations, clinical guidelines, or did not modify behavior (no intervention). Results: exDSS significantly improved mean time in range for aerobic (80.2% to 92.3%, P < .0001) and resistance (72.3% to 87.3%, P < .0001) exercises compared with no intervention, and versus clinical guidelines (aerobic: 82.2%, P < .0001; resistance: 80.3%, P < .0001). exDSS reduced time spent in low glucose for both exercise types compared with no intervention (aerobic: 15.1% to 5.1%, P < .0001; resistance: 18.2% to 6.6%, P < .0001) and was comparable with following clinical guidelines (aerobic: 4.5%, resistance: 8.1%, P = N.S.). Conclusions: The exDSS tool significantly improved glucose outcomes during and after exercise versus following clinical guidelines and no intervention providing motivation for clinical evaluation of the exDSS system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».