Tecno

La sfida: gestire il cibo fuori orario con il pancreas artificiale

Incorporando pasti non annunciati ed esercizio nell’apprendimento adattivo di modelli personalizzati per sistemi di pancreas artificiale multivariabile.

Nonostante i recenti progressi nella modellizzazione della dinamica glicemica per il diabete mellito di tipo 1, considerare automaticamente i pasti non preannunciati e l’esercizio senza input manuali dell’utente rimane difficile.

In questo lavoro svolto dall’investigatori del Dipartimento di ingegneria chimica e biologica, Illinois Institute of Technology, Chicago, USA. viene proposta una tecnica di identificazione del modello adattativo che incorpora le informazioni sull’esercizio e le stime degli effetti dei pasti non annunciati (snack) ottenuti automaticamente senza l’input dell’utente. Gli effetti dei carboidrati consumati sconosciuti sono stimati utilizzando un algoritmo di filtraggio di Kalman unscented individualizzato che impiega un modello dinamico aumentato di glucosio-insulina e le informazioni sull’esercizio sono acquisite da misurazioni fisiologiche non invasive. Le informazioni aggiuntive sui pasti e sull’esercizio fisico sono incorporate con stime personalizzate della concentrazione di insulina plasmatica e dei dati di misurazione del glucosio in un algoritmo di identificazione del modello adattativo.

L’efficacia dell’algoritmo di modellazione personalizzato e adattivo proposto è dimostrata utilizzando dati clinici che coinvolgono esperimenti a circuito chiuso del sistema del pancreas artificiale, e i risultati dimostrano una modellazione glicemica accurata con l’errore medio quadratico (errore assoluto medio) di 25,50 mg / dL (18,18 mg / dL) per le previsioni in sei fasi (30 minuti in anticipo).

L’approccio presentato è in grado di identificare modelli individualizzati di glucosio-insulina individualizzati che variano nel tempo.

Lo studio è pubblicato sulla rivista scientifica Journal of Diabetes Science and Technology del 31 luglio 2018.