Physics-Informed Neural Network for the identification of Digital Twins in Type 1 Diabetes

Type 1 diabetes mellitus (T1D) requires lifelong insulin therapy and generates large amounts of data through continuous glucose monitoring and wearable devices, enabling the development of personalized digital twins (DTs). A DT is a virtual representation of a patient that reproduces individual glucose-insulin dynamics to support personalized therapy optimization. A crucial step for the creation of accurate and reliable DT is the twinning procedure, which is the identification of patient-specific parameters from CGM, carbohydrate and insulin information. Physics-Informed Neural Networks (PINNs) have emerged as a powerful tool to improve the twinning procedure. This work aims to leverage PINNs for the identification of a DT in T1D using a simplified glucose-insulin model. In particular, the study evaluates the ability of PINNs to estimate key patient-specific parameters and analyzes the impact of training hyperparameters on identification performance.

Il diabete mellito di tipo 1 (T1D) richiede una terapia insulinica per tutta la vita e genera grandi quantità di dati attraverso i sistemi di monitoraggio continuo del glucosio (CGM) e i dispositivi indossabili, rendendo possibile lo sviluppo di gemelli digitali (Digital Twins, DT) personalizzati. Un DT è una rappresentazione virtuale del paziente che riproduce le dinamiche individuali glucosio-insulina per supportare l'ottimizzazione personalizzata della terapia. Un passaggio cruciale per la realizzazione di DT accurati e affidabili è la procedura di "twinning", ovvero l'identificazione dei parametri specifici del paziente a partire dai dati di CGM, dall'assunzione di carboidrati e dalla somministrazione di insulina. Le Physics-Informed Neural Networks (PINNs) si sono affermate come uno strumento promettente per migliorare questa procedura di identificazione. Questo lavoro si propone di sfruttare le PINNs per l'identificazione di un DT nel diabete di tipo 1 utilizzando un modello semplificato della dinamica glucosio-insulina. In particolare, lo studio valuta la capacità delle PINNs di stimare i principali parametri specifici del paziente e analizza l'impatto degli iperparametri di addestramento sulle prestazioni dell'identificazione.