重塑幼兒第一型糖尿病管理的未來
Diabetes AI

重塑幼兒第一型糖尿病管理的未來

2025-12-20

1: 解構數位雙生：重塑幼兒第一型糖尿病管理的未來

說明： 這張封面投影片以心電圖與二進位代碼（0與1）交織的視覺意象，揭示了醫學與資訊工程的結合。主題聚焦於「數位雙生（Digital Twin）」技術如何應用於極具挑戰性的兒科領域，特別是針對 2-6 歲的第一型糖尿病（T1D）幼兒 。 副標題「深入解析虛擬生理模型（VPM）的機制、臨床驗證與未來展望」點出了簡報的核心架構：

  1. 機制：介紹如何利用 FDA 認可的 UVA/Padova 模型架構，建立描述葡萄糖-胰島素代謝的非線性微分方程模型 。

  2. 臨床驗證：報告一項為期 8 週的臨床試驗，驗證演算法驅動的參數調整在改善目標血糖範圍時間（TIR）上的有效性與安全性 。

  3. 展望：探討從參數優化邁向「自適應生物行為控制（ABC）」的人機協同未來 。

Image

2: 一道難解的謎題：為何 2-6 歲是 T1D 管理的「完美風暴」？

說明： 這張投影片分析了 2-6 歲幼兒被視為 T1D 管理中「最困難群體」的四大原因，形成了一場管理的「完美風暴」 ：

  1. 快速生理變化：幼兒的胰島素敏感度會隨著生長發育而快速變動，這意味著固定的胰島素劑量設定很快就會過時 。

  2. 高度變異的活動模式：與成人不同，幼兒的體力活動通常是頻繁、短暫且不一致的爆發（如突然奔跑嬉戲），這導致內源性葡萄糖生成（EGP）極難預測，造成血糖劇烈波動 。

  3. 溝通障礙：幼兒語言與認知能力尚在發展，無法準確表達「我頭暈」或「我不舒服」等高/低血糖的初期症狀，導致照護者往往錯失早期干預的時機 。

  4. 飲食挑戰：幼兒經常挑食或進食量不穩定，使得計算碳水化合物攝取量（Carb Counting）變得極不精確，進而影響胰島素劑量的計算 。

Image

3: 屏幕另一端的憂慮：照護者的沉重負擔

說明： 視覺上呈現了一位在深夜焦慮查看手機（CGM 數據）的母親。

這張圖強調了技術背後的人性痛點： 父母對低血糖的深切恐懼 由於幼兒無法在夜間表達低血糖症狀，父母往往採取「防禦性」的治療策略，例如故意讓血糖維持在較高水平，或減少夜間基礎胰島素劑量 。這種心理壓力導致了保守的給藥策略，雖然避免了低血糖，卻直接限制了「目標血糖範圍時間（TIR）」的達成，使得血糖控制長期處於次優狀態 。這也是技術創新必須解決的核心痛點——不僅要控制血糖，還要減輕照護者的心理負擔。

Image

4: 現有技術的瓶頸：當「黃金標準」遇上極端變異性

說明： 目前 T1D 治療的黃金標準是「自動化胰島素輸送（AID）系統」，如 Control-IQ 技術 。然而，這張漏斗圖指出了其限制： AID 系統雖然有自動演算法（一級控制），但其運作基礎仍高度依賴於預設的個性化參數，主要是：

基礎胰島素速率（Basal Rates） 胰島素-碳水化合物比率（I:C Ratio） 校正因子（Correction Factors） 對於生理狀態穩定的成人，這些參數可能只需偶爾調整。但對於 2-6 歲幼兒，其生理參數變化極快，導致這些預設參數經常「失準」。當基礎參數不準確時，AID 系統的自動調節能力也會受限，這就是現有技術在兒科應用上的關鍵瓶頸 。

Image

5: 虛擬對策：為每個孩子打造一個專屬的虛擬生理模型 (VPM)

說明： 這張投影片定義了醫療領域的「數位雙生」。在 T1D 管理中，數位雙生並非外觀上的 3D 虛擬人，而是一個虛擬生理模型（Virtual Physiological Model, VPM） 。

左側（現實世界）：真實的兒童，提供瘋狂的生物分型數據，包括連續血糖監測（CGM）、胰島素泵記錄和飲食數據 。

右側（虛擬世界）：透過數據映射生成的 VPM。這個模型是一組數學方程，專門用於描述該名兒童獨特的「葡萄糖-胰島素代謝」動力學 。 這標誌著從「通用治療」向「極致個性化」的轉變。

Image

6: 「孿生程序」(Twinning Procedure)：從數據到模型的個性化之旅

說明： 解釋建立 VPM 的三個步驟，稱為「孿生程序」 ：

  1. Step 1 數據輸入 (Data Input)：收集患者的回溯數據（CGM、胰島素、飲食）。

  2. Step 2 參數估計 (Parameter Estimation)：這是核心算法。利用 FDA 認可的模型架構（如 UVA/Padova），透過演算法校準模型中的十數個特異性生理參數（例如： 胰島素敏感性常數、葡萄糖吸收率）。

  3. Step 3 生成個人化 VPM (Personalized VPM)：產出一個能精確模仿該名兒童代謝反應的數位模型。這是後續進行高精度參數調整的基礎 。

Image

7: 二級優化架構：超越即時反應的策略性校調

說明： 這張圖展示了數位雙生如何與現有的胰島素泵系統結合，形成雙層架構：

一級控制（下層，灰色區）：這是標準的 AID 系統（如 Control-IQ），負責即時反應 (Real-time Control)，根據當下的 CGM 數值微調胰島素 。

二級優化（上層，雲端區）：這是數位雙生發揮作用的地方。它在雲端進行離線模擬 (Offline Optimization)。利用 VPM 運行成千上萬次的「假設情境」，找到最佳化的固定參數（如新的基礎率設定），然後將這些「優化後的參數」下放到一級控制系統中。 這種架構確保了即使在通訊中斷時，泵本身（一級控制）仍能安全運作，而數位雙生則定期提供更高層次的戰略指導。

Image

8: 深入 VPM 引擎：模擬人體的計算內分泌學

說明： 解構 VPM 的內部運作機制，基於 UVA/Padova 模型 。 圖示展示了模型將人體劃分為不同的隔室（Compartments）：

腸道 (Gut)：模擬碳水化合物消化與葡萄糖吸收。 血漿 (Plasma)：模擬葡萄糖與胰島素在血液中的濃度。 組織間液 (Interstitial Fluid)：胰島素實際發揮作用的地方。 皮下組織 (Subcutaneous Tissue)：胰島素注入與吸收的地方。 核心技術在於使用非線性耦合微分方程來計算物質在這些隔室間的動態流動，而非簡單的線性預測。

Image

9: 解析：微分方程背後的生理意義

說明： 這張投影片將複雜的數學方程可視化，展示了組織間液中胰島素作用 () 的變化率方程：

** (紅色圈)：這是關鍵的個人化參數，代表胰島素敏感性**相關的速率常數。這正是「孿生程序」需要為每個孩子精確校準的數值。幼兒的 變異極大，是參數優化的重點 。

** 與 **：分別代表當前的皮下胰島素水平與基礎胰島素水平。 這個方程說明了，唯有準確校準了 ，演算法才能計算出正確的胰島素劑量來抵消血糖波動。

Image

10: 「假設情境」沙箱：在虛擬世界中安全測試，在現實世界中精準應用

說明： 介紹數位雙生作為「沙箱 (Sandbox)」的功能。 在將參數應用到孩子身上之前，演算法會在 VPM 中模擬各種極端情境：

高碳水化合物大餐（生日蛋糕）：測試 I:C 比率是否足夠？ 夜間睡眠：測試基礎率是否會導致清晨低血糖？ 劇烈運動：模擬踢球後的血糖驟降。 這種大規模的離線模擬允許系統預測不同參數設定的潛在後果（如低血糖風險），從而選擇最安全的一組參數。這解決了臨床上「不敢亂調參數」的安全顧慮 。

Image

11: 臨床驗證：在最具挑戰性的群體中測試數位雙生

說明： 列出該技術的臨床試驗設計細節 ：

參與者：2-6 歲的第一型糖尿病兒童（最難控制的群體）。 設備：Tandem t:slim X2 胰島素泵（搭載 Control-IQ）。 時長：8 週。 核心干預：由 VPM 演算法驅動的、針對泵的個性化參數調整（每兩週一次）。 主要目標：改善目標血糖範圍時間（TIR, 70-180 mg/dL）。

Image

12: 試驗成果：證實安全且有效

說明： 展示試驗的關鍵數據：

儀表板數據：從基線的 56% TIR 提升至優化後的 85% TIR（註：投影片視覺顯示 85%，報告文字確認有顯著改善及安全性驗證）。

有效性 (Effectiveness)：相較於自身基線，兒童的血糖控制獲得顯著改善 。

安全性 (Safety)：最重要的是，優化過程被證明是安全的。VPM 成功預測並避免了因參數調整可能導致的低血糖風險，這對於幼兒群體至關重要 。

Image

13: 方法學省思：單臂試驗的關鍵局限性

說明： 對研究設計進行批判性思考。本次試驗採用單臂試驗 (Single-arm Study) 設計，即所有人都接受干預，沒有對照組。

限制：缺乏主動對照組（如另一組單純使用 Control-IQ 而不進行數位雙生優化）。 問題*：我們無法確定血糖改善（TIR 提升）是完全來自數位雙生演算法，還是部分因為換上了先進的 Control-IQ 系統本身？ 結論：雖然證明了安全性與可行性，但要科學地證明其「優於」黃金標準，未來必須進行隨機對照試驗 (RCT)。

Image

14: 設定性能標竿：數位雙生必須超越的目標

說明： 設定未來的競爭門檻。圖表比較了三種狀態的 TIR：

  1. 標準照護 (MDI/Pump)：約 56.7% 。

  2. 黃金標準 AID (Control-IQ)：在 Brener et al., 2022 的 RCT 研究中達到 69.3% 。

  3. 數位雙生優化：必須證明能顯著超越 69.3%。 這張圖強調，未來的 RCT 試驗必須證明數位雙生能帶來的邊際效益 (Incremental Efficacy)，而不僅僅是改善低基線。

Image

15: 協同進化：從參數優化邁向自適應生物行為控制 (ABC)

說明： 介紹技術演進的下一階段：ABC (Adaptive Biobehavioral Control) 。 圖示展現了大腦（人類）、齒輪（機械/演算法）與晶片（系統）的結合。

概念：單靠機器優化參數，TIR 往往會在 70-75% 遇到瓶頸。ABC 技術旨在透過結合「機器適應」與「患者（照護者）行為適應」來突破這一限制，實現人機協同適應 (Human-Machine Co-adaptation)。

Image

16: ABC 系統架構：兩大模組的協同作用

說明： 介紹 ABC 系統的兩個核心組件 ：

  1. 生理適應模組 (PAM - Physiological Adaptation Module)：
  • 基於 Digital VPM。
  • 功能：機器適應。持續追蹤代謝變化，自動調整 AID 系統參數。
  1. 行為適應模組 (BAM - Behavioral Adaptation Module)：
  • 基於 Web 資訊工具 (WST)。
  • 功能：人類適應。提供資訊反饋（如 TIR 趨勢），並提供模擬工具，賦能照護者做出更好的治療決策。 兩者形成一個閉環，機器優化參數，人類優化行為。

Image

17: 數位雙生的雙重角色：賦能機器與賦能人類

說明： 闡述數位雙生在 ABC 架構中的具體功能 ：

作為 PAM 的引擎：實現機器自動化。利用最新數據，每兩週對代謝參數進行再校準，確保系統跟上兒童快速變化的生理需求。

作為 WST 的工具：實現人類決策支持。作為 Web 模擬工具 (WST)，它允許父母在安全的虛擬沙箱中測試治療決策（例如：「如果我今晚把基礎率調低 10%，會發生什麼？」）。這能克服父母對低血糖的恐懼，建立對系統的信任 。

Image

18: 核心貢獻：數位雙生帶來的三大價值

說明： 總結數位雙生技術對 T1D 管理的貢獻 ：

  1. 極致個人化 (Personalization)：透過「孿生程序」，為每個代謝高度變異的幼兒創建獨一無二的模型，實現前所未有的參數精準度。
  2. 決策安全性 (Safety)：提供虛擬沙箱環境，用於離線測試和驗證參數，最大化地降低高風險兒科群體的臨床風險。
  3. 未來潛力 (Potential)：它不僅是優化工具，更是未來 ABC 人機協同系統的核心引擎，為突破現有 AID 技術瓶頸（如 75% TIR 天花板）奠定基礎。

Image

19: 從概念到臨床：實現廣泛應用的路線圖

說明： 展示技術發展的階段性目標 ：

  1. 概念驗證 (已完成)：本次 8 週單臂試驗成功證明了技術的安全性和可行性。
  2. 嚴謹驗證 (下一步關鍵)：必須過渡到隨機對照試驗 (RCT)，將數位雙生優化組與黃金標準 AID 治療組直接比較，以量化其真實的邊際效益。
  3. 臨床整合：最終目標是將經過驗證的數位雙生技術完全整合到 ABC 系統中，作為新一代的標準照護方案推向市場。

Image

20: 結論：數位雙生的分鐘進化

說明： 結語頁面，視覺上真實兒童與數位化身無縫融合。 總結全文：數位雙生不僅僅是一個參數優化工具，它是實現兒科 T1D 精準個性化護理 (Precision Medicine) 的戰略平台。透過無縫整合（Seamless Integration）與實時連結（Real-time Connection），它讓治療方案能隨著孩子的成長而動態演進，真正實現了「以人為本」的科技醫療 。

參考文獻：

Slide 1: 解構數位雙生

  • [1] Lan YY, Kovinthapillai R, Kędzia A, Niechciał E. Age-based challenges to type 1 diabetes management in the pediatric population. Frontiers in Pediatrics. 2024;12:1434276.
  • [7] Interactive Artificial Pancreas Better Controls Type 1 Diabetes Using Digital Twins, Study Finds. UVA Health Newsroom. 2024.
  • [2] Monaghan M, Helgeson V, Wiebe D. Young Children with Type 1 Diabetes: Challenges, Research, and Future Directions. Current Diabetes Reports. 2015;15(8):58.

Slide 3: 屏幕另一端的憂慮

  • [2] Monaghan M, Helgeson V, Wiebe D. Young Children with Type 1 Diabetes: Challenges, Research, and Future Directions. Current Diabetes Reports. 2015;15(8):58.
  • [3] Ng SM, et al. Benefits and Challenges of Current Closed-Loop Technologies in Children and Young People With Type 1 Diabetes. Therapeutic Advances in Endocrinology and Metabolism. 2020;11:2042018820922852. (Cited as PMC8119627).

Slide 4: 現有技術的瓶頸

  • [4] Digital Twin Technology Enhances Blood Sugar Control in Type 1 Diabetes. Diabetes Research News. (Referencing Kovatchev BP et al. or similar recent studies).
  • [5] Interactive Artificial Pancreas Better Controls Type 1 Diabetes Using Digital Twins, Study Finds. UVA Health Newsroom. 2024.
  • [6] Xames D Md, Topcu TG. Digital Twins in Type 1 Diabetes: A Systematic Review. IEEE Access. 2024;12:4099-4126.

Slide 5: 虛擬對策：VPM

  • [7] Interactive Artificial Pancreas Better Controls Type 1 Diabetes Using Digital Twins, Study Finds. UVA Health Newsroom. 2024.

Slide 6: 「孿生程序」 (Twinning Procedure)

  • [12] Visentin R, Campos-Náñez E, Schiavon M, et al. The UVA/Padova Type 1 Diabetes Simulator Goes From Single Meal to Single Day. Journal of Diabetes Science and Technology. 2018;12(2):273-281.
  • [15] Ozaslan B, Deshpande S, Doyle FJ III, Dassau E. Zone-MPC Automated Insulin Delivery Algorithm Tuned for Pregnancy Complicated by Type 1 Diabetes. Frontiers in Endocrinology. 2022;13:768639.

Slide 7: 二級優化架構

  • [16] Liu Y, Zhang Y, Zhou X. Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation. arXiv preprint arXiv:2511.12417. 2025.
  • [20] Lopez-Palau NE, Naranjo-Meneses P, Szendroedi J, Eils R, Kallenberger SM. Reinforcement learning optimization of automated insulin delivery in type 1 and type 2 diabetes mellitus. medRxiv. 2025. (Preprint).

Slide 8: 深入 VPM 引擎

  • [12] Visentin R, Campos-Náñez E, Schiavon M, et al. The UVA/Padova Type 1 Diabetes Simulator Goes From Single Meal to Single Day. Journal of Diabetes Science and Technology. 2018;12(2):273-281.
  • [17] Maas AH, et al. A Physiology-Based Model Describing Heterogeneity in Glucose Metabolism: The Core of the Eindhoven Diabetes Education Simulator (E-DES). Journal of Diabetes Science and Technology. 2015;9(2):282-292.
  • [18] Dalla Man C, Micheletto F, Lv D, Breton M, Kovatchev BP, Cobelli C. The UVA/PADOVA Type 1 Diabetes Simulator: New Features. Journal of Diabetes Science and Technology. 2014;8(1):26-34.

Slide 9: 白板解析：微分方程

  • [13] ClinicalTrials.gov. Adaptive Biobehavioral Control (ABC) in a Closed-Loop System. Identifier: NCT05610111.
  • [19] Haidar A. Automated Insulin Delivery Algorithms. In: Diabetes Digital Health. (Cited as PMC article, likely referring to review in Endocrine Reviews or similar).

Slide 10: 「假設情境」沙箱

  • [8] Digital Twin Technology. Center for Diabetes Technology, University of Virginia School of Medicine. (Website/Webpage).
  • [14] Prendin F, Facchinetti A, Cappon G. Data Augmentation Via Digital Twins to Develop Personalized Deep Learning Glucose Prediction Algorithms for Type 1 Diabetes in Poor Data Context. IEEE Transactions on Biomedical Engineering. 2025. (doi: 10.1109/TBME.2025.3635264).

Slide 11: 臨床驗證

  • [1] Lan YY, Kovinthapillai R, Kędzia A, Niechciał E. Age-based challenges to type 1 diabetes management in the pediatric population. Frontiers in Pediatrics. 2024;12:1434276.
  • [13] ClinicalTrials.gov. Adaptive Biobehavioral Control (ABC) in a Closed-Loop System. Identifier: NCT05610111.

Slide 12: 試驗成果

  • [1] Lan YY, Kovinthapillai R, Kędzia A, Niechciał E. Age-based challenges to type 1 diabetes management in the pediatric population. Frontiers in Pediatrics. 2024;12:1434276.
  • [4] Digital Twin Technology Enhances Blood Sugar Control in Type 1 Diabetes. Diabetes Research News.

Slide 13: 方法學省思

  • [22] Lindkvist EB, Laugesen C, Reenberg AT, et al. Performance of a dual-hormone closed-loop system versus insulin-only closed-loop system in adolescents with type 1 diabetes: A single-blind, randomized, controlled, crossover trial. Frontiers in Endocrinology. 2023;14:1073388.
  • [23] Colmegna P, McFadden R, Fabris C, et al. Adaptive Biobehavioral Control: A Pilot Analysis of Human-Machine Coadaptation in Type 1 Diabetes. Diabetes Technology & Therapeutics. 2024.

Slide 14: 設定性能標竿

  • [11] Wadwa RP, Reed ZW, Buckingham BA, et al. Trial of Hybrid Closed-Loop Control in Young Children with Type 1 Diabetes. New England Journal of Medicine. 2023;388:991-1001. (Note: Slide text "Brener et al., 2022" is a typo; the data 69.3% TIR corresponds to the Wadwa et al. PEDAP trial).

Slide 15: 協同進化：ABC 技術

  • [9] Breton MD, Buckingham B, Deboer M, et al. 277-OR: AID-Driven TIR Improvements in Young MDI Children with T1D Are Indistinguishable from Their Pump-Using Peers—A PEDAP Subanalysis. Diabetes. 2023;72(Supplement_1).
  • [24] Colmegna P, McFadden R, Fabris C, et al. Adaptive Biobehavioral Control: A Pilot Analysis of Human-Machine Coadaptation in Type 1 Diabetes. Diabetes Technology & Therapeutics. 2024.

Slide 16: ABC 系統架構

  • [14] Prendin F, Facchinetti A, Cappon G. Data Augmentation Via Digital Twins to Develop Personalized Deep Learning Glucose Prediction Algorithms for Type 1 Diabetes in Poor Data Context. IEEE Transactions on Biomedical Engineering. 2025.
  • [24] Colmegna P, McFadden R, Fabris C, et al. Adaptive Biobehavioral Control: A Pilot Analysis of Human-Machine Coadaptation in Type 1 Diabetes. Diabetes Technology & Therapeutics. 2024.

Slide 17: 數位雙生的雙重角色

  • [8] Digital Twin Technology. Center for Diabetes Technology, University of Virginia School of Medicine.
  • [9] Breton MD, Buckingham B, Deboer M, et al. 277-OR: AID-Driven TIR Improvements in Young MDI Children with T1D Are Indistinguishable from Their Pump-Using Peers—A PEDAP Subanalysis. Diabetes. 2023;72(Supplement_1).

Slide 18: 核心貢獻

  • [5] Interactive Artificial Pancreas Better Controls Type 1 Diabetes Using Digital Twins, Study Finds. UVA Health Newsroom. 2024.
  • [15] Ozaslan B, Deshpande S, Doyle FJ III, Dassau E. Zone-MPC Automated Insulin Delivery Algorithm Tuned for Pregnancy Complicated by Type 1 Diabetes. Frontiers in Endocrinology. 2022;13:768639.

Slide 19: 從概念到臨床

  • [11] Wadwa RP, Reed ZW, Buckingham BA, et al. Trial of Hybrid Closed-Loop Control in Young Children with Type 1 Diabetes. New England Journal of Medicine. 2023;388:991-1001.
  • [22] Lindkvist EB, Laugesen C, Reenberg AT, et al. Performance of a dual-hormone closed-loop system versus insulin-only closed-loop system in adolescents with type 1 diabetes: A single-blind, randomized, controlled, crossover trial. Frontiers in Endocrinology. 2023;14:1073388.

Slide 20: 結論

  • [15] Ozaslan B, Deshpande S, Doyle FJ III, Dassau E. Zone-MPC Automated Insulin Delivery Algorithm Tuned for Pregnancy Complicated by Type 1 Diabetes. Frontiers in Endocrinology. 2022;13:768639.