先拟合个体模型，再重放同一时间窗
一种胰岛素策略是否可能改善血糖，可以先在计算模型中比较。意大利帕多瓦大学（University of Padova）团队开发 ReplayBG，将已采集的胰岛素、用餐及连续血糖监测资料用于回顾性场景测试。
第一步建立个体化的非线性生理模型，包括皮下胰岛素吸收、口服葡萄糖吸收及葡萄糖—胰岛素动力学。模型输出为组织间质葡萄糖，与连续监测记录对应。
团队固定部分群体参数，以贝叶斯方法识别 8 个个体参数。第二步保留同一个体模型，在相同时间窗内改变胰岛素或用餐输入，模拟原本可能出现的另一条血糖轨迹。
100 名虚拟成人提供可以直接比较的参考轨迹
性能验证使用 UVA/Padova 的 1 型糖尿病模拟器产生 100 名虚拟成人资料。先在单餐基线条件中识别 ReplayBG 模型，再由参考模拟器及 ReplayBG 分别计算修改输入后的轨迹，比较两者差异。
实验包括餐时胰岛素、餐量、基础输注速率，以及额外用餐和胰岛素输入的 5 类场景。这样的设计可以保持其他条件相同，直接获得计算基准中的对照结果。
评价使用平均绝对相对差异（mean absolute relative difference，MARD）及均方根误差，并与 Net-Effect 方法比较。研究用 10% 的 MARD 作为参考阈值；这项阈值用于本篇轨迹吻合检查。
大部分扰动表现较好，极端变化暴露模型边界
餐时胰岛素扰动条件中，ReplayBG 的中位 MARD 为 1.14% 至 6.13%，低于预设阈值。不过在最强的输入增加条件下，少数虚拟个体仍有超过 10% 的误差。
餐量或基础输注改变较大时，误差会升高。作者指出，完全移除用餐输入或大幅增加基础输注等极端条件，会超出本模型表现较好的范围。
ReplayBG 在本篇多种场景中较 Net-Effect 更准确，但后者计算更快。原作者也保留了另一种可能：在尚未评价、更复杂的真实场景中，Net-Effect 可能表现相当或更好。
真实数据的两个案例展示用途，尚无替代治疗实测对照
真实资料部分选取 1 位代表患者的两个 6 小时单餐时间窗，分别含餐后高血糖或低血糖事件。ReplayBG 先拟合原始记录，再模拟另一种算法改变输入后的可能结果。
两条示范轨迹都提示，有机会减少相应事件。模型同时给出模拟轨迹的变化范围，其宽度受到参数后验不确定性的影响；曲线吻合和替代治疗预测分别展示。
两段资料来自回顾性记录，患者在本研究中未实际接受模型预测的替代治疗。
模型结构、输入质量和单餐假设共同限定适用性
作者承认，验证数据与 ReplayBG 的生理结构存在相似性，可能有模型匹配偏差。与更复杂模拟器比较仍有意义，独立临床人群的验证仍待完成。
用餐量和胰岛素记录是否正确，会影响参数识别和重放结果。该论文版本还依赖单餐时间窗与起始稳态假设；运动、多餐、多日及更复杂波动需要后续扩展。
作者将 ReplayBG 定位为临床试验前初步评价新策略与算法的工具。