Table of Contents
האתגר הקליני של ניהול סוכרת
עבור מיליוני אנשים החיים עם סוכרת, המשימה היומיומית של שמירה על גלוקוז בדם בטווח בטוח נשאר אחריות מתמשכת ותובעית. הלבלב אצל אדם בריא תמיד מרגיש רמות גלוקוז ומשחרר אינסולין במדויק, בזמן אמת מיקרו-צדקים.בסוכרת מסוג 1 וסוכרת מסוג 2 מתקדמת, לולאת משוב טבעי זו שבורה.מטופלים חייבים לחשב באופן ידני מנות אינסולין בהתבסס על מדידות, פחמימות, רמות רבות, ועוד כמה מקומות קוגניטיביים, כל אחד, יש לקבל החלטות רגשיות בלתי רגילות.
ההשלכות של בקרת גלוקוז לא מושלמת מתועדות היטב.היפרגליקמיה Chronic שמניעה סיבוכים מיקרו-וסקולריים כולל רטינופתיה, רשלנות, ונוירופתיה. hypoglycemia חריפה יכול להוביל לבלבול, אובדן התודעה, והתקפים.גם עם הסתמכות עצמית קפדנית, מטופלים רבים מבלים חלקים משמעותיים של היום שלהם מחוץ לטווח הגלוקוז שלהם.
מגבלות של Insulin Therapy
טיפול אינסולין מסורתי בדרך כלל עוקב אחר פרוטוקולים קבועים או מתפתלים בקנה מידה. מטופל יכול להזריק כמות שנקבעה מראש של אינסולין לטווח ארוך פעם או פעמיים ביום ותוספת עם אינסולין מהיר בזמן הארוחה על בסיס יחס אינסולין סטטי אל פחמימות. גישה מובנים זו מספקת בסיס לטיפול, אבל זה לא יכול להתאים את האופי הדינמי והלא צפוי של תנודות גלוקוז יומיומיות.
מגוון עצום ויציבותו של ההסכמה
אפילו בתנאים מבוקרים, רמות הגלוקוז בדם משתנות באופן נרחב בתגובה לגורמים כגון הרכב ארוחות, פעילות גופנית, מתח, מחלה, מחזורים הורמונליים ואינטראקציות תרופות. משטרים סטנדרטיים אינם יכולים לקחת בחשבון את הזמינות הזו. A מנה המייצרת שליטה מצוינת ביום אחד עלולה להוביל hypoglycemia מסוכנת על עוד.מחקר מראה באופן עקבי כי גמישות גליקולארית עצמה ו-mash; עצמאי של גלוקוזגרם; עם סיכון מרכזי של דלקת ריאות.
גורם אנושי בטעויות
מינון אינסולין ידני הוא חד-משמעית-תועלת. Misthinkation של תוכן פחמימות, התעלמות מערכי הגלוקוז, שגיאות תזמון, ושכחה פשוטה לתרום לתוצאות תת-אופטימיות.הרווח הפסיכולוגי של מעקב קבוע יכול להוביל לשחיקה סוכרת, שבו חולים מתפוגגות מניהול עצמי.מערכת שיכולה להיות אוטומטית או באופן אינטליגנטית עם החלטות dosing יש פוטנציאל לא רק כדי לשפר את התוצאות פיזיולוגיות וגם להפחית את הנטלקטים על ידי מטפלים יומיומיים.
מודלים של גלוקוז-איינסולין
בלב של משלוח אינסולין חכם יותר הוא אתגר הנדסי בסיסי: איך לעצב מערכת בקרה עבור תהליך ביולוגי שאינו ליניארי, זמן-שקט, ו ספציפית לחולה.הצעד הראשון הוא פיתוח מודלים מתמטיים שלוכדים את הדינמיקה החיונית של רגולציה גלוקוז.מודלים אלה משמשים כבסיס לתכנון אלגוריתם וסימולציה לפני הפריסה של נבדקים אנושיים.
גישות מודלים השוואתיים
השיעור הנפוץ ביותר של מודלים במחקר הלבלב מלאכותי הוא המודל התאי, המייצג את הגוף כמערך של תאים פיזיולוגיים מקושרים.מודל המזערי ברגמן הקלאסי, שפותח בשנות ה-70, מתאר דינמיקת ניצול גלוקוז-ינסולין באמצעות שלוש משוואות שונות המייצגות ריכוז גלוקוז, ריכוז אינסולין, ופעולת אינסולין במיצב מרוחק.
ניתוח בעיות למטופל-Specific Parameter Identification
תובנה קריטית של מודלים חישוביים היא כי לא קבוצה אחת של פרמטרים פיזיולוגיים חל על כל המטופלים.רגישות אינסולין, יעילות גלוקוז ושיעורי ספיגת אינסולין להשתנות באופן נרחב על פני אנשים ואפילו בתוך אותו אדם לאורך זמן.טכניקות זיהוי מערכת מודרנית להשתמש בערכת ביירסיאן, סבירות מקסימלית, או Kalman סינון כדי להתאים אישית פרמטרים עבור כל מטופל באמצעות נתונים ממוניטורים גלוקוז מתמשך, משאבות אינסולין, ומאכלים זה להשגת רגישות אישית ללא סיכון חיוני עבור גלוקוז חזק.
בסביבה הקרובה של Algorithm Testing
לפני כל אלגוריתם בקרה נבדק בבני אדם, הוא עובר הערכה נרחבת ב-Silico. מינהל המזון והתרופות האמריקני קיבל את אוניברסיטת וירג'יניה / פאדובה סוג 1 סוכרת סימולטור כתחליף לניסויים בבעלי חיים פרה-קליניים. סימולטור זה מכיל אוכלוסייה של חולים וירטואליים עם מאפיינים פיזיולוגיים שונים, המאפשרים לחוקרים לבחון ביצועים תחת מאות תרחישים כולל ארוחות, פעילות גופנית, מניעת אינסולין, שגיאות, וטעויות חישוביות אלה תוך כדי צמצום כלי חישוביים.
למידה ממוחשבת עבור Insulin Titration
למידת מכונות התפתחה כמשלי רב עוצמה להנדסת בקרה קלאסית במערכות של אינסולין.בעוד בקרים המבוססים על מודלים המבוססים על מודלים מתמטיים מפורשים של פיזיולוגיה, אלגוריתמי למידת מכונה יכולים לגלות דפוסים מהנתונים מבלי לדרוש מודל מכניסטי שלם.
זיהוי דפוס ב Glucose Trajectories
צגים רציפה של גלוקוז לייצר זרמי נתונים גבוהים המכילים מידע עשיר על דינמיקת הגלוקוז של הפרט.שיטות למידת מכונה, כולל יערות אקראיים, ⁇ שיפור, ורשתות עצביות חוזרות, יכולים ללמוד לחזות ערכי גלוקוז עתידיים המבוססים על ההיסטוריה האחרונה ותכונות קונטקסטואליות כגון זמן של יום, יום של שבוע, ומינונים אינסולין אחרונים.
Reinforcement Learning for Dosing Optimization
למידה של חיזוק מציעה מסגרת טבעית במיוחד עבור אינסולין dosing. בפרדיגמה זו, סוכן לומד לקבל החלטות ⁇ על ידי אינטראקציה עם הסביבה שלה ולקבל משוב בצורת תגמולים או עונשים. עבור משלוח אינסולין, המדינה היא הנוכחי של המטופל ואת ערכי הגלוקוז האחרונים של המטופל והיסטוריה אינסולין, הפעולה היא המינון אינסולין, ואת הפרס הוא פונקציה של תוצאות גלוקוז.
למידה עמוקה עבור גילוי והערכה
ארוחות לא חד-משמעיות מייצגות את אחד האתגרים הקשים ביותר עבור משלוח אינסולין אוטומטי.עומס פחמימות גדול יכול לגרום גלוקוז לעלות תלולה בתוך דקות, דורש תגובה מהירה אינסולין מודלים למידה עמוק מאומן על אותות ניטור גלוקוז רציף יכול לזהות את תחילת הארוחה בתוך 10 עד 15 דקות, אפילו ללא המטופל לספק כל הודעה מפורשת.מודלים אלה יכולים גם להעריך את התוכן של הארוחה, המאפשר למערכת לספק שילוב של כלי ראיית מחשב, יחד עם מערכת ממוחשבת מתאימה, אשר יכול להביא כלי מחשב.
ביקורת על Algorithms that Close the Loop
אלגוריתם הבקרה הוא מנוע קבלת ההחלטות של מערכת העברת אינסולין אוטומטית.זה לוקח קלטות מחיישנים ומודלים ופלטים אינסולין פקודות היתוך. כמה שיעורים של אלגוריתמים פותחו, כל אחד עם שינויים מסחריים נפרדים בין ביצועים, עוצמה, מורכבות חישובית.
שליטה מקצועית-Integral-Derivative
בקרים פרוגרציונאליים (PID) הם עמוד עיקרי של בקרת תהליכים תעשייתיים והיו בין האלגוריתמים הראשונים החלים על העברת אינסולין. A PID מחשב אינסולין בהיתוך בהתבסס על טעות גלוקוז הנוכחית (מונח תזמון תזמון), השגיאה המצטברת לאורך זמן (מונח אינטגראלי), ואת שיעור השינוי של גלוקוז (מונחים דרמטיים).
מודל בקרה חיזוי
בקרת מודלים (MPC) הפכה לגישה הדומיננטית במחקר הלבלב מלאכותי מודרני.בקר MPC משתמש במודל של דינמיקת גלוקוז-in לחזות את הטרקוריות גלוקוז עתידיים על פני האופק מתגלגל.בכל שלב, הוא פותר בעיה אופטימיזציה למצוא את האינסולין infusion כי מצמצם תפקוד עלות הן היפרגלימיה והן hypoglycemia.
החלפה ולמידה מבוססת
האופי הסטטי של בקרים קונבנציונליים מגביל את יכולתם להתמודד עם השינויים היומיומיים והשבועיים בפיזיולוגיה של המטופל. .בקרים הסתגלות לעדכן את הפרמטרים המודל או לשלוט ברווחים בזמן אמת בהתבסס על תגובות גלוקוז צפופות.זיהוי מערכתי, העברת estimation האופק, ו Bayesian לעדכן את הבקר כדי לעקוב אחר שינויים ברגישות אינסולין הנגרמת על ידי פעילות גופנית, מחלה, או מחזורים הורמונליים.
אינטגרציה ו-Data Fusion
מערכת העברת אינסולין היא רק טובה כמו המידע שהיא מקבלת.מוניטורים הגלוקוז המשתנים ניהול הסוכרת על ידי מתן קריאה גלוקוז כל חמש דקות, אבל חיישנים אלה יש מגבלות כולל רעש, סחף קלורסה, והתנגשות פיזיולוגית בין גלוקוז בדם לבין גלוקוז בין-דתי.
אותות הכחשת וזיהוי
רעש חושי יכול לגרום אלגוריתמים שליטה לקבל החלטות לא ראויות. Kalman מסננים, העברת מסננים ממוצעים, ותוכנות חלקה יותר של Bayesian להפחית רעש תוך שמירה על תכונות חשובות של אות הגלוקוז. אלגוריתמים זיהוי Fault עבור ההשפלה, ירידה אות ושגיאות calibration. כאשר זוהה, המערכת יכולה לעבור למצב בטוח כי הגבלת אינסולין עד הבעיה נפתרה.
אינטגרציה נתונים רב-ממדית
ניטור גלוקוז לבדו מספק תמונה לא שלמה של מצב המטופל. integrating זרמי נתונים נוספים יכול לשפר באופן משמעותי את יכולת המערכת לצפות ולהגיב לאירועים. קצב הלב, מדגפי קצב הלב, accelerometers, ו חיישנים תגובה גלילבנית העור לספק מידע על פעילות גופנית ולחצים. ניטור ketone רציף יכול לזהות קטוגוזיס סוכרתיבית גמישה זיהוי, וזיהוי יעיל של פעילות מדומה, הדורשת של נתונים מתוחכמות גבוהה של חומרים אלה.
תוצאות קליניות וראיות אמיתיות בעולם
המעבר מטיפוסי מחקר ועד מערכות חד-אפ היברידיות זמינות מסחרית כבר מהיר.מערכות כגון מדטרוניקה מיניMed 670G, Tandem Control-IQ, ואת Omnipod 5 קיבלו אישור רגולטורי ומשמשות כיום עשרות אלפי חולים.
שיפורים בזמן-in-Range
המדד העיקרי להערכת מערכות סגורות הוא זמן-טווח, המוגדר בדרך כלל כאחוז של גלוקוז הזמן נשאר בין 70 ל-180 מיליגרם ל deciliter. Meta-analyes of Clinical Experiments מראה כי מערכות היברידיות סגורות סגורות להגדיל את זמן-טווח על ידי 10 עד 15 נקודות בהשוואה לטיפול במשאבה מתוחה, המייצגות כ-2.5 עד 3.5 שעות נוספות ליום בטווח זה, הן יעילות יותר, ללא שיפור משמעותי של אינסולין.
צמצם את בודן על חולים ומטפלים
מעבר לשיפורים המטבוליים, משתמשים מדווחים באופן עקבי על מצוקה סוכרתית ושיפור איכות החיים.המערכת מטפלת בהתאמות שגרתיות רבות באופן אוטומטי, ומאפשרים למטופלים להתמקד בהיבטים אחרים של החיים.עבור הורים לילדים עם סוכרת מסוג 1, היכולת לפקח מרחוק על רמות הגלוקוז ולקבל התראות מספקת שלום של המוח.ההפחתה ב hypoglycemia nocturnal, מקור של חרדה מסוימת, היא אחת היתרונות המוערכים ביותר של מערכות חישוביות תחת רמה זו של נוחות וניהולית שיכולה להיות עם נוחות ידנית עם נוחות.
אתגרים במשלוחי אינסולין Computational Insulin
למרות התקדמות מרשימה, כמה אתגרים יסודיים נותרו לפני משלוח אינסולין אוטונומי מלא הופך למציאות.כתובת אתגרים אלה דורשת המשך החדשנות בשיטות חישוביות ועיצוב מערכת.
בעיית Lag
הפיגור הפיזיולוגי בין גלוקוז בדם לבין גלוקוז בין-דתי הוא בערך 5 עד 15 דקות, ועיבוד החיישן מציג עיכוב נוסף.האג הזה אומר כי עד שהמערכת מזהה שינוי גלוקוז, המצב הפיזיולוגי הבסיסי כבר השתנה. אלגוריתמים חיזוי יכולים לפצות חלקית על ידי חיזוי ערכי גלוקוז עתידיים, אבל דיוק מתפוגג עם אופקים ארוכים יותר.
אינסולין Pharmacokinetics
אינסולין מהיר הנוכחי של פעילות גופנית יש התחלה של 10 עד 20 דקות ומשך של 3 עד 5 שעות. זה איטי יחסית תרופות רוקחוניות איטיות יחסית כמה מהר המערכת יכולה להגיב גלוקוז עולה ויוצר סיכון של ערימות אינסולין, שבו מספר מנות מצטברות. Ultra-rapid אינסולין עם פרופילים מהירים יותר הם בפיתוח, אבל הם מציגים את האתגרים שלהם עבור מודלים של התאמה מדויקת כי הם צריכים באופן מדויק של אינסולין קליטה מהירה יותר.
בטיחות ואיומים בטוחים
כל מערכת אוטונומית המספקת תרופה עם פוטנציאל לגרום נזק חייב לכלול שכבות מרובות של בטיחות. חיישנים רדונדנטים, בדיקה בין אלגוריתמים שונים, ומגבלות שמרניות על העברת אינסולין הם כולם הכרחיים.האתגר הוא עיצוב מנגנוני בטיחות אלה כך שהם לא לבצע ביצועים מגבילים יתר.מערכת שהיא שמרנית מדי לא יכולה לספק תועלת משמעותית על טיפול סטנדרטי.
כיוונים עתידיים בטיפול סוכרת
המסלול של טכנולוגיית העברת אינסולין מצביע על מערכות אוטונומיות ומותאמות אישית יותר ויותר.כמה כיוונים מתעוררים מבטיחים להרחיב את היכולות של המערכות הנוכחיות ולענות על מגבלותיהם.
מערכות B-Hormonal ו- Multi-Hormonal
אינסולין לבד לא יכול לשכפל באופן מלא את הפונקציה של pancreas בריא. תוספת של glucagon, אשר מעלה גלוקוז בדם, מאפשר מערכת דו-hormonal למנוע באופן פעיל לטפל hypoglycemia. אלגוריתמים Computational עבור מערכות דו-ורמוניות חייב לתאם שני הורמונים מנוגדים עם תרופות רוקחנות שונות תוך הימנעות מפענוח של glucagon קליני של מערכות דו-רמונליות הראו רמות נמוכות יותר של גלוקוז ריקיקניות או ירידה של גלוקוז.
מערכות אישיות והתאמה
העתיד של העברת אינסולין נמצא בהתאמה אישית ברמה האישית.מודלים של למידת מכונות מאומן על הנתונים ההיסטוריים של כל מטופל יכול ללכוד את הדפוסים הייחודיים של תגובה גליקולמית, פעילות וסגנון חיים.מודלים מותאמים אישית אלה יכולים להיות מעודכנים ברציפות כל עוד נתונים חדשים מצטברים, המאפשרים למערכת להסתגל לשינויים ברגישות אינסולין, וריאציות עונתיות ומגמות לטווח ארוך.
שילוב עם מערכת בריאות דיגיטלית
משלוח אינסולין אינו קיים בבידוד.טיפול בסוכרת מקיף דורש שילוב עם רשומות בריאות אלקטרוניות, פלטפורמות טלאיות, מעקב תזונתי ותמיכה בריאותית התנהגותית.פלטפורמות Computational המחברות רכיבים אלה יכול לספק תצוגה מאוחדת של בריאות המטופל ומאפשרות התערבות מתואמת. לדוגמה, מטופל חווה hypoglycemia תכופה עשוי להיות מעוות באופן אוטומטי עבור ייעוץ בתחום הבריאות, והערות השיחה יכול להודיע לעדכונים של אינסולין ואלגוריתם אפשרי, אך הם תוצאות אפשריות עבור סיבוכים אפשריים עבור סיבוכים.
לקראת עתיד אחראי יותר
תובנות Computational הופכות את העברת האינסולין ממשימה ידנית, תגובתית לתהליך אוטומטי, חיזוי והתאמה אישית.שילוב של ניטור גלוקוז מתמשך, אלגוריתמי בקרה מתקדמים, למידת מכונה, ושילוב נתונים רב-ממדי כבר יצר מערכות שמשפרות באופן משמעותי את השליטה בגלוקוז תוך צמצום הנטל על מטופלים.כל דור של טכנולוגיה מתקרב ליעד של מערכת אוטונומית מלאה שיכולה לשמור על רמות גלוקוז נורמליות בטווח רחב של מצבים אמיתיים.
הדרך קדימה דורשת שיתוף פעולה מתמשך בין דיסציפלינות. אנדוקרינולוגים להביא הבנה עמוקה של פיזיולוגיה של סוכרת, מהנדסי בקרה תורמים שיטות קפדניות לתכנון מערכת מערכת סגורה-לופ, מדעני נתונים מפתחים מודלים חיזוי הדינמיקה של גלוקוז, וחוקרים התנהגותיים להבטיח כי מערכות הן ניתנות להשגה ומקובלות על ידי מטופלים.גישה בין-תחומית זו, המוצבת בשיטות חישוביות ומאומתת באמצעות ראיות קליניות, מציעה את הדרך הטובה ביותר אל מערכות העברת אינסולין שאינן רק חכמות יותר, אלא גם הן חיות עם ניסיון רב יותר עם סוכרת.