SimT2D A Behavioural-Physiological Simulator for Type 2 Diabetes Glucose Traces. A Stochastic Framework for Interpretable Data Generation
Author
Bugajski, Tanja Kortsen
Term
4. semester
Education
Publication year
2026
Abstract
This thesis presents SimT2D, a simulator that generates artificial but realistic continuous glucose monitoring (CGM) data for adults living with type 2 diabetes. The goal is to mimic how glucose typically fluctuates in everyday life, so that researchers can test methods even when real clinical CGM data are scarce or unavailable. SimT2D combines several key components: differences between individuals (for example different usual glucose levels), a slowly changing baseline glucose level, clearly defined events (such as meals, snacks, random spikes and dips, and nocturnal low‑glucose episodes), the body’s own regulatory responses that counteract extreme swings, and a model of the CGM sensor itself. The simulator is implemented in the Julia programming language and is designed to be both interpretable and stochastic, making it a flexible testbed for evaluating CGM preprocessing, summary metrics, and modelling approaches. The first part of the thesis develops and documents the SimT2D generative model. This includes how virtual subject profiles are sampled, how the slowly moving baseline evolves over time, how different types of events affect glucose, how regulatory mechanisms limit extremes, and how CGM sensor measurements are simulated. A reference configuration is calibrated to represent a population of adults with type 2 diabetes and moderate glucose control. Using this configuration, the simulator generates multi‑day virtual cohorts at 1‑minute internal resolution, with CGM data exported every 5 minutes. The main paper evaluates the resulting synthetic cohorts using standard CGM metrics, such as mean glucose, time in range (TIR), time above range (TAR), time below range (TBR), coefficient of variation (%CV), and a measure of large swings (MAGE). It also examines the behaviour of extreme low and high values and compares the results with external CGM datasets from people with type 2 diabetes. These analyses show that SimT2D produces clinically plausible glucose exposure with realistic control of both hypoglycaemia and hyperglycaemia. The Supplement provides full mathematical specifications, parameter tables, rules for event generation, and extended diagnostic plots illustrating the behaviour of the simulator. It also includes implementation details and assessments of stability across independently generated virtual cohorts. The proof addendum offers additional technical justifications and derivations for selected modelling choices, including the construction of the bounded baseline drift and the autoregulatory operator. Together, the main paper, Supplement, and proof addendum establish SimT2D as a reproducible and interpretable framework for generating synthetic CGM datasets, suitable for method development, sensitivity analyses, and pre‑clinical evaluation of CGM‑based algorithms in type 2 diabetes.
Denne afhandling præsenterer SimT2D, en simulator som kan skabe kunstige, men realistiske, målinger fra kontinuerlig glukosemonitorering (CGM) hos voksne med type 2‑diabetes. Formålet er at efterligne, hvordan blodsukkeret typisk svinger i hverdagen, så forskere kan teste metoder, også når de ikke har adgang til virkelige kliniske data. SimT2D kombinerer flere elementer: forskelle mellem personer (for eksempel forskellige typiske blodsukkerniveauer), en langsomt skiftende grundlinje for blodsukkeret, tydeligt definerede hændelser (som måltider, snacks, tilfældige stigninger og fald samt natlige perioder med lavt blodsukker), kroppens egen regulering, som modvirker ekstreme udsving, og en model af selve CGM‑sensoren, der måler blodsukkeret. Simulatoren er implementeret i programmeringssproget Julia og er bygget til at være både fortolkelig og tilfældig (stokastisk), så man kan afprøve forskellige metoder til at forbehandle data, beregne nøgletal og bygge modeller. I afhandlingens første del udvikles og beskrives selve SimT2D‑modellen. Det omfatter, hvordan virtuelle personprofiler udvælges, hvordan den langsomme grundlinje udvikler sig over tid, hvordan forskellige typer hændelser påvirker blodsukkeret, hvordan reguleringsmekanismer begrænser ekstreme udsving, og hvordan CGM‑sensorens målinger simuleres. En standardopsætning kalibreres til at repræsentere en gruppe voksne med type 2‑diabetes med moderat blodsukkerkontrol. Med denne opsætning genereres virtuelle forløb over flere døgn med 1‑minuts intern opløsning og CGM‑data, der eksporteres hvert 5. minut. Hovedartiklen vurderer de syntetiske data ved hjælp af almindeligt anvendte CGM‑mål, såsom gennemsnitligt glukoseniveau, tid i målområdet (TIR), tid over området (TAR), tid under området (TBR), variationsgrad (%CV) og et mål for større udsving (MAGE). Derudover analyseres fordelingen af ekstremt lave og høje værdier og sammenlignes med eksterne datasæt fra personer med type 2‑diabetes. Resultaterne viser, at SimT2D kan skabe datasæt med klinisk realistiske blodsukkerprofiler, hvor både lave og høje værdier er kontrolleret. Suppliktet indeholder de fulde matematiske beskrivelser, tabeller over modelparametre, regler for, hvordan hændelser genereres, samt udvidede diagnostiske grafer, der viser, hvordan simulatoren opfører sig. Der gives også tekniske detaljer om implementeringen og undersøgelser af, hvor stabil modellen er på tværs af uafhængige virtuelle grupper. Bevis‑appendikset giver yderligere tekniske begrundelser og udledninger for udvalgte modelvalg, blandt andet for konstruktionen af den begrænsede grundlinie‑drift og den regulerende operatør. Samlet set etablerer hovedartikel, Supplikt og bevis‑appendiks SimT2D som en reproducerbar og gennemsigtig ramme til at generere syntetiske CGM‑datasæt, der kan bruges til metodeudvikling, følsomhedsanalyser og præ‑klinisk afprøvning af algoritmer baseret på CGM‑data hos personer med type 2‑diabetes.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords