تکامل انسولین خودکار

برای بیش از یک قرن، مدیریت دیابت نوع 1 خواستار هوشیاری در زمان گرد است: اندازه گیری های مکرر انگشت، محاسبات دوز دستی انسولین، و ترس از ابتلا به هیپولوپیا یا هیپرگلیسمی، معرفی دقیق مانیتورهای گلوکز مداوم (CGMs) و پمپ های انسولین به طور چشمگیری بهبود کنترل روزانه، اما تغییر واقعی با پانکراس مصنوعی وارد شده است - یک سیستم مدیریت بسته است که هیچ الگوریتم دقیق تحویل داده را در این دستگاه پردازش دقیق انسولین ارائه نمی دهد.

یک پانکوم مصنوعی چیست؟

یک پانکراس مصنوعی تنها یک ایمپلنت نیست، بلکه یک سیستم است که عملکرد گلوکز را در حدود 75٪ از یک پانکراس سالم از طریق سه جزء یکپارچه تقلید می کند: CGM که گلوکز بین حلقه را هر 1 تا 5 دقیقه اندازه گیری می کند، یک پمپ انسولین که به طور کامل سیستم کنترل سریع انسولین را تأیید می کند، و یک الگوریتم کنترل است که تصمیم می گیرد چه زمانی و چه مقدار انسولین برای ارائه الگوریتم تایید شده است - هنوز هم به طور کامل به طور دقیق است.

نقش حیاتی ماشین آلات انسولین خودکار

ماشین حساب های خودکار انسولین بسیار بیشتر از دوز ساده است، آنها موتورهای تصمیم گیری پیچیده هستند که باید متغیرهای پویا چندگانه را در زمان واقعی ادغام کنند، بر خلاف ماشین حساب های قدیمی بولوس که در پمپ های مستقل یافت می شوند - که به صورت دستی وارد گلوکز خون و برآورد کربوهیدرات می شوند - ماشین حساب های خودکار در سیستم های پانکراس مصنوعی از داده های روند CGM، انسولین (IOB)، هنگامی که اعلان هسته غذایی و یا توابع بالقوه آن ها شامل:

  • پیش بینی مسیر گلوکز با استفاده از مدل های ریاضی مانند کنترلگلیسمی (PID) یا کنترل پیش بینی مدل (MPC) ، PID تحویل انسولین را متناسب با تفاوت بین فعلی و هدف، جدایی ناپذیر خطاهای گذشته، و میزان تغییر MPC، در حال حاضر سیستم های پیشرفته پیش بینی انسولین را تنظیم می کند - و پیش بینی می کند که پیش بینی های ضد گلوکز 30 دقیقه و پیش بینی های ضد گلوکز را به حداقل می رساند.
  • بوهای اصلاح کننده هنگامی که گلوکز از آستانه های هدف تجاوز می کند، در حالی که از انسولین با پیگیری فعال IOB جلوگیری می کند، الگوریتم اغلب از محدودیت ایمنی استفاده می کند که تحویل کامل بر اساس مقادیر پایین گلوکز پیش بینی شده است.
  • بوییدن وعده غذایی - یا به طور کامل خودکار (غذاهای ناخواسته) یا با ورودی کاربر جزئی (شماره بندی کربوهیدرات) یک منطقه تحقیقاتی بزرگ باقی می ماند زیرا تاخیر در جذب انسولین می تواند باعث افزایش پس از زایمان شود.
  • تعدیل نرخ های پایه [FLT 1] در پاسخ به نوسانات طولانی مدت، به طور موثر به عنوان یک کنترل کننده پایه پویا عمل می کند که جریان را برای حفظ کنترل پایدار شبه و مقابله با اثرات ضد انفجار صبحگاهی کاهش می دهد.

پردازش داده های زمان واقعی و سازگاری الگوریتمی

ماشین حساب ها باید خواندن CGM را با حداقل تاخیر پردازش کنند، به طور معمول بر روی یک چرخه ۵ دقیقه ای به روز رسانی جدید که قادر به به به روز رسانی ۱ دقیقه ای است، حتی پاسخ سریع تر به آن را بررسی می کند، الگوریتم به طور مداوم پیش بینی های خود را با استفاده از داده های تاریخی و یادگیری انطباقی بالا، به عنوان مثال، الگوریتم MPC می تواند پارامترهای مدل را تنظیم کند - مانند عوامل حساسیت به انسولین و نسبت کربوهیدرات مشاهده شده است.

تحقیقات فعلی و چشم انداز تکنولوژیکی

سنگ های تجاری و نظارتی

چندین سیستم پانکراس مصنوعی [Fp] تایید قانونی دریافت کرده اند و در حال حاضر در استفاده گسترده از کلینیک ها قرار دارند.[۳] سیستم های آزمایشی با استفاده از TLT-۰٫۳] با استفاده از الگوریتم های خودکار (TIR-F) که هر ۵ دقیقه تحویل پایه را به صورت خودکار انجام می دهند، با کمک اختیاری بولوس، یک مطالعه واقعی (۳٪) را افزایش می دهد.

یادگیری ماشین و الگوریتم های پیشرفته

تحقیقات فراتر از کنترل کننده های معمول و MPC حرکت می کند - از جمله شبکه های عصبی مکرر (RNNs) و شبکه های حافظه کوتاه مدت (LSTM) - در مجموعه داده های بزرگ از ردیابی های CGM و انسولین تقویت شده است تا سطح گلوکز را پیش بینی کند و دوزهای با دقت بالاتر را توصیه کند.

ادغام با دیگر منابع داده و Wearables

نسل بعدی ماشین حساب های خودکار بوست طراحی شده اند تا سیگنال های فیزیولوژیکی اضافی را فراتر از CGM. Heart Rate Monitor، ردیاب های فعالیت، و حتی مانیتورهای مداوم کتن می توانند زمینه ای را فراهم کنند که دقت عمل جراحی را بهبود بخشد، به عنوان مثال، ورزش حساسیت به انسولین را افزایش می دهد و می تواند چند ساعت بعد از آن، یک الگوریتم آگاه از یک تمرین آینده را به طور کامل کاهش دهد یا تنظیم کند.

چالش ها و نیازهای Unmet

امنیت و حالت شکست

چالش اصلی در توسعه ماشین حساب های خودکار انسولین ایمنی است. Over-dosing می تواند منجر به هیپوگلیسمی شدید شود، در حالی که نتایج زیر ساخت در هیپرگلیسمی طولانی مدت که خطر ابتلا به کتواسوئید دیابتی را افزایش می دهد، معمولاً به دلیل حرکت، فشرده سازی، و یا التهاب سایت - می تواند الگوریتم را برای ارائه دوزهای نامناسب قرمز، با استفاده از سنسور دوز دوگانه، بررسی کند، و یا کاهش سرعت تزریق کند.

غذا و تنوع ورزشی

وعده های غذایی اعلام نشده یکی از سخت ترین چالش ها باقی مانده است، حتی زمانی که وعده های غذایی اعلام می شود، خطاهای شمارش خودکار رایج است - مطالعات نشان می دهد که 50 درصد تخمین های کربوهیدرات توسط بیش از 20 درصد از پیچیدگی های واقعی مواد غذایی مایع که می تواند به طور دقیق شناسایی و پوشش مواد غذایی بدون ورودی کاربر را تنظیم کند، سیستم های فعلی مانند Control-IQ و 780G هنوز نیاز به اطلاع رسانی دقیق دارند (به طور کامل از طریق تنظیم دقیق از طریق برخی از مواد غذایی با استفاده از مواد غذایی).

تنظیم مقررات Hedles و Interoperability

تصویب تنظیم مقررات برای سیستم های پانکراس مصنوعی همچنان سخت است. رویکرد FDA از طریق چارچوب iData خود برای کنترل کننده های حلقه بسته تکامل یافته است، نیاز به ایمنی و اثربخشی نشان داده شده در کارآزمایی های کنترل شده تصادفی، با این حال، ماهیت اختصاصی بسیاری از الگوریتم های اتصال به سرعت جلوگیری می کند - کاربر ممکن است به یک اکوسیستم تولید کننده قفل شده است، مانند سازگاری (F) [F] برای بهبود سیستم تحویل انسولین است.

Userion و Psychology

علی رغم افزایش شواهد بالینی، پذیرش سیستم های پانکراس مصنوعی جهانی نیست.برخی از کاربران اضطراب در مورد الگوریتم محور را گزارش می دهند، به ویژه در شب. دیگران با بار کالیبره کردن سنسورهای CGM مبارزه می کنند، حمل منابع اضافی، یا مدیریت هشدارهای اضافی، جامعه متن باز نشان داده است که برخی از کاربران مایل به پذیرش ریسک بیشتر برای انعطاف پذیری بیشتر هستند، اما سیستم های اصلی نیاز به استفاده گسترده تر دارند و اطمینان بخش برنامه های ضروری برای جلوگیری از اینکه چگونه کار می کنند.

آینده چشم انداز و سوالات پاسخ داده نشده

با نگاهی به جلو، چشم انداز یک پانکراس مصنوعی کاملاً مستقل در دسترس است، اما چندین نقطه عطف کلیدی باقی می ماند. اول، ادغام سیستم های پوشش دوگانه (insulin به علاوه گلوکاگون یا pramlintide) می تواند سرعت دسترسی به هیپوگلیسمی را در کاهش دهد و کنترل پس از آن را بهبود بخشد.

مرز دیگر استفاده از مانیتورهای مداوم کتن برای تشخیص کتون دیابتی در اوایل است، که الگوریتم را قادر می سازد تا به عنوان یک شبکه ایمنی در هنگام شکست پمپ یا بیماری عمل کند، به همین ترتیب، ترکیب کورتیزول یا اندازه گیری های شیردهی ممکن است یک روز به طور کامل آگاه بودن از بافت باشد. پانکراس مصنوعی نهایی یک سیستم حلقه بسته است که نیاز به ورودی صفر کاربر دارد، کار در تمام سنین و دیابت است که می تواند درمان های دیجیتال را فراموش کند تا آنها بتوانند یک بیماری های دیجیتال را فراموش کنند.

تحقیقات مداوم همچنین بر گسترش این فن آوری ها به دیابت نوع 2 تمرکز می کند، اگرچه شیوع نوع 2 بسیار بالاتر است، آسیب شناسی پاتوفیاز شامل مقاومت به انسولین به جای کمبود مطلق است.ماشین های بی نظیر خودکار برای بیماران نوع 2 در درمان انسولین شدید 2 ممکن است نیاز به ترکیب اطلاعات در مورد داروهای خوراکی، آگئو1 آگونیست های گیرنده، یا الگوهای سبک زندگی اولیه با استفاده از سیستم های مطالعه بسته شده در بیمارستان بهبود یافته اند که نشان می دهد، از یک نوع 2 بیمار مبتلا به گلییک بیمار مبتلا به آن است.

نگاهی به Ahead: جاده برای مراقبت های مستقل

توسعه ماشین حساب های خودکار انسولین نشان دهنده یکی از هیجان انگیزترین فصل های مهندسی دستگاه پزشکی است.از کنترل کننده های اولیه PID تا MPC سازگار و الگوریتم های یادگیری تقویت کننده امروز، این زمینه به طور قابل توجهی پیشرفت کرده است، با این حال پیچیدگی فیزیولوژی انسان - با نیازهای همیشه در حال تغییر پانکراس - تضمین می کند که هیچ خط به جلو وجود ندارد، چه یک قانون گذار جدید، یک دقت علمی باز، و یا یک تکنولوژی مراقبت از انسان است که بتواند به ما را به طور واقعی با سیستم های علمی باز کند.

ارجاعات و خواندن بیشتر

  • ] اطلاعات مربوط به سیستم های پانکراس مصنوعی ؛ ] [ ] [ [ ] ] ]
  • استانداردهای انجمن دیابت آمریکا مراقبت [FLT 1]؛ استانداردهای فناوری مراقبت
  • [[ویرایش] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳]
  • [[ویرایش] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[[
  • جستجو در جستجوی سه گانه (FLT: 1) : مطالعات تجربی