Personalización automática de estrategias de control glucémico para pacientes con Diabetes Mellitus tipo 1.

Abstract

El páncreas artificial se ha consolidado como nuevo tratamiento para las personas con diabetes mellitus tipo 1. Esta enfermedad crónica y autoinmune deteriora la regulación glucémica en los pacientes que la padecen y se presenta como un problema de salud pública mundial en crecimiento. En la actualidad diversas pruebas clínicas a nivel mundial han demostrado la validez de los algoritmos de control glucémico. No obstante, nuevos retos se presentan para la concreción de un sistema totalmente automatizado, entre ellos la sintonización automática, la personalización y la eliminación del anuncio de comidas. En el presente trabajo se desarrollan los siguientes temas: Primero, se proponen dos algoritmos de control glucémico con rechazo de perturbaciones de comidas no anunciadas: el primero es una estrategia en paralelo entre un controlador por realimentación y un PID positivo (K+PID); el segundo es un controlador predictivo por zonas con entrada impulsiva (iZMPC). Los algoritmos son validados en un total de 50 pacientes virtuales. Los resultados muestran que ambos controladores logran evitar los casos de hipoglucemia y mantener los niveles de glucosa en la zona de normoglucemia (98, 13% y 95, 01% del tiempo para el iZMPC y el K+PID, respectivamente) ante perturbaciones de comidas no anunciadas. Luego, se propone una metodología para la sintonización automática de controladores glucémicos. Dicha propuesta se basa en un procedimiento de optimización de los parámetros de sintonía haciendo uso del método Nelder-Mead, para maximizar el tiempo de permanencia en normoglucemia. La validación se realiza con 33 pacientes virtuales extraídos del simulador virtual UVa/Padova y con el controlador iZMPC. Los resultados obtenidos muestran un incremento promedio de 17, 21% más de tiempo en normoglucemia, con respecto a la sintonización inicial. Finalmente, se propone un algoritmo de detección y estimación de comidas para la reconstrucción de señales de carbohidratos. El algoritmo propone un esquema de realimentación y un estimador en funciones de transferencia para la detección y estimación de comidas, en base a la señal entregada por el estimador se realiza la reconstrucción de la señal de anuncio de comidas. La validación se realiza por medio de datos recolectados en 30 pacientes virtuales y 5 reales. Los resultados muestran que en promedio el algoritmo presenta una sensibilidad de 98 %, un error de estimación del 14% en la amplitud de la comida y un desfase temporal de 4 min con respecto al inicio real de la comida. (Tomado de la fuente)

Artificial pancreas has established as a new treatment for people with type 1 diabetes mellitus. This chronic and autoimmune illness impairs the glycaemic regulation in patients who suffer it and presents itself as a growing global public health problem. Currently, worldwide clinical trials have demonstrated the validity of glycaemic control algorithms. However, new challenges arise for the realization of a fully automated system, including automatic tuning, personalization and the elimination of meals announcements. In this work the following topics are developed: Firstly, two glycaemic control algorithms with rejection of unannounced meals are proposed: the first is a parallel strategy between a feedback controller and a positive PID controller (K+PID); the second one is a zone model predictive control with impulsive input (iZMPC). The algorithms are validated in a total of 50 virtual patients. The results show that both controllers manage to avoid cases of hypoglycemia and maintain glucose levels in the normoglycemia zone (98,13% and 95,01% of the time for the iZMPC and the K + PID, respectively) in face of disturbances of unannounced meals. Then, a methodology for automatic tuning of glycaemic controllers is proposed. This approach is based on a procedure of optimizing the controller parameters using the Nelder-Mead method to maximize the time spent in normoglycemia. Validation is performed with 33 virtual patients extracted from the UVa/Padova virtual simulator an with the iZMPC controller. Simulation results show an average increase of 17,21% more time in normoglycemia, with respect to the initial tuning. Finally, a meal detection and estimation algorithm is proposed for reconstruction for carbohydrate signals. The algorithm proposes a feedback scheme and an estimator, in transfer functions, for the detection and estimation of meals. Based on the estimator output signal, the reconstruction of the meal announcement signal is performed. Validation is performed using data collected from 30 virtual patients and 5 real patients. The results show that on average the algorithm presents a sensitivity of 98 %, an estimation error of 14% in the meal size, and a time lag of 4 min with respect to the actual meal onset. (Tomado de la fuente)