Zielsetzung
Ziel dieses Projekts ist es, ein verbessertes und personalisiertes Management von Typ-1-Diabetes zu unterstützen, indem ein digitaler Zwilling entwickelt wird, der die einzelne Patientin oder den einzelnen Patienten, die klinische Vorgeschichte, Echtzeit-Sensordaten sowie den sich im Zeitverlauf verändernden Kontext repräsentiert. Das Projekt konzentriert sich auf die Kombination aus patientenspezifischen Daten, prozessbasierter Modellierung und datengetriebener Personalisierung, um individualisierte Vorhersagen und Entscheidungsprozesse zu unterstützen und einen bidirektionalen Informationsfluss zwischen dem virtuellen Modell und der Patientin oder dem Patienten zu ermöglichen.
Beschreibung
In chronischen Erkrankungen hängen Therapieentscheidungen häufig vom patientenspezifischen Kontext ab. Allgemeine klinische Leitlinien bilden zwar eine wichtige Grundlage, erfassen jedoch nicht die individuelle Variabilität, die den Krankheitsbeginn, den Einfluss der Therapie sowie die alltäglichen Entscheidungsprozesse beeinflusst. Dadurch ist das Interesse an personalisierten Schwellenwerten, Therapieanpassungen und patientenspezifischen Modellen statt standardisierter Einheitsansätze gestiegen. Digitale Zwillinge können diese Entwicklung unterstützen, indem sie eine einzelne Patientin oder einen einzelnen Patienten sowie den jeweiligen Kontext über die Zeit hinweg repräsentieren. Dies ist insbesondere für Typ-1-Diabetes relevant, da physiologische Parameter durch Wohlbefinden, eingenommene Nahrung, Lebensstil und tägliche Routinen beeinflusst werden.
In diesem Projekt klassifizieren wir Patientenrepräsentationen auf drei Ebenen: Datenrepräsentation, Prozessrepräsentation und datengetriebene Repräsentation. Die erste Ebene ist die Datenrepräsentation der Patientin oder des Patienten. Sie integriert semantische, kontextuelle, historische und Echtzeit-Sensordaten in einem strukturierten, maschinenlesbaren Format, um effizientes Inferenz- und Modelltraining zu unterstützen. Die zweite Ebene ist die Prozessrepräsentation, die mathematische, mechanistische und biochemische Prozesse im Zusammenhang mit dem Glukosestoffwechsel modelliert. Diese Repräsentation erfordert eine Individualisierung für Typ-1-Diabetes sowie für unterschiedliche Altersbereiche. Die dritte Ebene ist die datengetriebene Repräsentation, die aus Personalisierungsmodulen besteht, die Entscheidungen und Vorhersagen auf Grundlage der Patientendaten und der Umgebung aus der Datenrepräsentationsebene individualisieren.
Aktueller Forschungsstand
Für die Datenrepräsentation erweitert diese Studie DiaData um eine graphbasierte semantische Version, die durch eine klinisch präzise, standardisierte Ontologie für das Management von Typ-1-Diabetes unterstützt wird und den FAIR-Prinzipien entspricht. Die Datenrepräsentation unterstützt sowohl prozessbasierte als auch datengetriebene Ansätze, indem sie AI-ready Daten bereitstellt und eine kontinuierliche Anpassung an den aktuellen Zustand und die Umgebung der Patientin oder des Patienten ermöglicht. Die Prozessrepräsentation wird mithilfe mathematischer und biochemischer Funktionen modelliert. Für die datengetriebenen Module konzentriert sich das Projekt auf die kurzfristige Vorhersage des Auftretens von Hypoglykämien als primären Anwendungsfall.
Zukünftige Arbeiten
Diese Repräsentationen können als redundante Ebenen oder komplementäre Module genutzt werden, um Stabilität, Leistungsfähigkeit und Zuverlässigkeit zu verbessern und gleichzeitig eine kontinuierliche Anpassung an den aktuellen Zustand und die Umgebung der Patientin oder des Patienten zu ermöglichen. Ziel dieses Projekts ist es, neurosymbolische KI zu untersuchen, um die Schnittstelle zwischen Daten-, Prozess- und datengetriebener Repräsentation zu erforschen [1].
Referenzen
[1] Cinar B, van den Boom L, Maleshkova M. Enhanced diabetes management with digital twins: A scoping review (preprint). JMIR Preprints. Published online 26 February 2026. doi:10.2196/preprints.91729
Letzte Änderung: 6. August 2026