تکامل تحویل انسولین بسته - Loop

تلاش برای تکرار عملکرد فیزیولوژیکی یک پانکراس سالم، تکنولوژی دیابت را برای دهه ها هدایت کرده است. پمپ های انسولین اولیه و مانیتورهای مداوم گلوکز (CGMs) هر یک مدیریت گلیکیکیک را به صورت جداگانه بهبود داده است، اما پانکراس مصنوعی که به عنوان یک سیستم حلقه بسته شناخته می شود، نشان دهنده ادغام واقعی از سنجش، محاسبات و تحویل خودکار است.

در حالی که سیستم های حلقه بسته اولیه تنها بر خواندن گلوکز برای تنظیم انسولین پایه و بولوس متکی بودند، نمی توانستند اثرات عمیقی از ورزش، غذا، استرس یا خواب را بر سطح گلوکز خون پیش بینی کنند. نسل بعدی فناوری پانکراس مصنوعی به دنبال پل زدن این شکاف با مصرف داده ها از پوشیدنی ها، ورود مواد غذایی و حتی سنسور های فیزیولوژیکی برای ایجاد یک تغییر جامع تر و کنترل دقیق تر است.

چگونه یک تابع Pancreas مصنوعی

در هسته آن، یک سیستم پانکراس مصنوعی متشکل از سه جزء یکپارچه است: یک مانیتور گلوکز مداوم (CGM) که هر چند دقیقه گلوکز بیناست، یک پمپ انسولین که انسولین سریع عمل می کند و یک الگوریتم کنترل است که دوز انسولین مناسب را محاسبه می کند. الگوریتم اغلب بر اساس یک گیرنده متناسب (P) یا مدل کنترل پیش بینی شده (C) که تصمیم می گیرد تا مقدار زیادی از آن را در یک چارچوب کنترل انسولین و یا کنترل کند.

سیستم های حلقه بسته اولیه نیاز به کاربران برای اعلام غذا یا تنظیم نرخ های پایه موقت برای ورزش - محدودیت که استقلال را کاهش می دهد، تحقیقات مدرن شامل یادگیری ماشین و تجزیه و تحلیل پیش بینی برای خودکار سازی این تصمیمات است.با پردازش جریان های داده شیوه زندگی، الگوریتم می تواند پیش بینی سفر گلوکز قبل از وقوع، قادر به تنظیم تنظیمات انسولین پیش خالی که تقلید توانایی پانکراس سالم برای پاسخ به طیف گسترده ای از ورودی.

کنترل معماری و Data Fusion

دو رویکرد الگوریتمی اصلی بر این زمینه تسلط دارند. MPC از یک مدل ریاضی از دینامیک گلوکز-سینولین برای پیش بینی سطح گلوکز آینده و بهینه سازی تحویل انسولین در یک افق نورد استفاده می کند؛ به عنوان مثال، کنترل کنندگان PID به طور متناسب با خطای فعلی گلوکز، جدایی ناپذیر آن (خطای گذشته) و مشتق آن (میزان تغییر) از داده های اضافی بهره مند می شوند؛ به عنوان مثال، MPC می تواند تخمین های غذایی قلب را با استفاده از طریق انتقال سیگنال های فیزیکی آن، و تعدیل کند.

تکنیک های همجوشی داده ها، جریان های سنسور چندگانه را ترکیب می کنند – CGM، شتاب سنج، مانیتور ضربان قلب، دمای پوست و حتی رفتار پوست – به یک برآورد دولتی واحد، این تصویر تزریق شده از بافت متابولیک کاربر اجازه می دهد تا الگوریتم بین یک روز تحرک و یک روز کار فیزیکی شدید، تنظیم حساسیت به انسولین، تمایز قائل شود.

نقش حیاتی داده های سبک زندگی

تنظیم گلیمی تنها یک تابع انسولین و گلوکز نیست؛ آن را عمیقا با رفتارهای روزانه در هم تنیده است. فعالیت فیزیکی افزایش حساسیت به انسولین برای ساعت ها، گاهی اوقات تا 12 تا 24 ساعت پس از ورزش، خطر ابتلا به هیپوگلیسمی دیرهنگام و کاهش انسولین برای "حافظه کار" غذا، به ویژه کسانی که حساسیت بالا به چربی و هورمون های کم کالری دارند، ممکن است به تأخیر بیفتد اگر انسولین باعث کاهش بیش از حد کم مصرف شود.

یکپارچه سازی داده های شیوه زندگی اجازه می دهد تا پانکراس مصنوعی برای درمان این عوامل نه به عنوان ناهنجاری، بلکه به عنوان متغیرهای قابل پیش بینی است.سیستم می تواند الگوهای معمول کاربر را یاد بگیرد - قهوه، شکستن ناهار، جلسات هفتگی باشگاه - و پیش از آن تنظیم نرخ های پایه و یا آستانه.این تغییر از واکنش به کنترل فعال، وعده اساسی اتوماسیون مبتنی بر سبک زندگی است.

چرا الگوریتم های سنتی کوتاه می شوند

حتی پیشرفته ترین سیستم های حلقه بسته گلوکز با وعده های غذایی بدون پیش فرض و ورزش بدون برنامه ریزی، کنترل کننده تنها پس از شروع به افزایش یا سقوط گلوکز، منجر به پرتالیسم پس از زایمان یا هیپوگلیسمی ناشی از ورزش می شود.

انواع داده های سبک زندگی و تاثیر آنها

محققان چندین دسته از داده های سبک زندگی را شناسایی می کنند که در حال حاضر به نمونه های اولیه مصنوعی پانکراس یکپارچه شده اند.هر نوع قدرت پیش بینی منحصر به فرد را ارائه می دهد و چالش های متمایزی را از نظر دقت سنسور، انطباق کاربر و تفسیر الگوریتمی ارائه می دهد.

  • ] داده های فعالیت فیزیکی: Accelerometry، شمارش گام، ضربان قلب و الگوهای حرکت کمک به برآورد هزینه های انرژی و شدت ورزش.این داده اجازه می دهد تا الگوریتم برای کاهش تحویل انسولین در طول و بعد از ورزش، جلوگیری از هیپوگلیسمی در حالی که هنوز پوشش نیازهای پایه.
  • ] داده های مربوط به منوال : شمارش کربوهیدرات از طریق یک برنامه تلفن همراه یا حتی تصویربرداری خودکار از مواد غذایی می تواند ترکیب ماکرو مغذی غذایی را ارائه دهد.اما اثر گلیکمی چربی و پروتئین برای مدل سخت تر است، بنابراین سیستم ها شروع به ترکیب ورودی های ترکیبی ترکیبی برای تاخیر یا گسترش تحویل انسولین می کنند.
  • و حالت عاطفی : سنسورهای پوشیدنی اندازه گیری رفتار پوست، تنوع ضربان قلب، و کیفیت خواب می تواند استرس حاد یا مزمن را نشان دهد.
  • معیارهای خواب: مدت زمان، کیفیت و مراحل (REM در مقابل خواب عمیق) بر حساسیت به انسولین و انتشار هورمون ضد تشنج تاثیر می گذارد که تشخیص خواب ضعیف می تواند نرخ های پایه شبانه را برای جلوگیری از پدیده صبحگاهی یا هیپرگلیسمی طولانی تنظیم کند.
  • ] چرخه قاعدگی و تنوع هورمونی : تحقیقات به طور فزاینده ای نشان می دهد که حساسیت به انسولین در طول چرخه قاعدگی نوسان می کند و در طول یائسگی تعداد کمی از مطالعات در حال حاضر جمع آوری داده های مربوط به چرخه برای سفارشی کردن تحویل انسولین بر اساس آن.

این جریان های داده اغلب به یک مدل شخصی شده ترکیب می شوند که به طور مداوم با استفاده از یادگیری ماشین به روز می شود.به عنوان مثال، یک سیستم ممکن است یاد بگیرد که یک کاربر خاص همیشه افزایش گلوکز 30 میلی گرم / dL را تجربه می کند، زمانی که آنها شروع به رفت و آمد صبحگاهی (یک استرس روانی) می کنند و نرخ پایه صبحگاهی را به طور همزمان تنظیم می کنند، پانکراس مصنوعی یک جفت دیجیتال از پاسخ متابولیک کاربر را به رویدادهای مختلف زندگی می سازد.

مزایای اتوماسیون داده-Driven

مزیت اصلی ترکیب داده های شیوه زندگی بهبود یافته است نتایج گلیسمیک بدون افزایش بار شناختی بر روی کاربر، با خودکارسازی تصمیم گیری که قبلا دستی بود (اعلامیه های اخلاقی، تمرین قبل از درمان، مدیریت استرس)، سیستم فرد را از نظارت مداوم آزاد می کند.

  • هیپوگلیسمی قرمز در طول و بعد از ورزش: سیستم های با استفاده از ضربان قلب و داده های شتاب سنج می توانند انسولین پایه را تا ۵۰٪ در طول فعالیت های متوسط کاهش دهند، کاهش خطر قند خون پایین مربوط به ورزش توسط بیش از 70٪ در برخی مطالعات.
  • ] کنترل پس زمینه های کنترل : پیش بینی بر اساس اندازه و ترکیب وعده غذایی، همراه با تشخیص اولیه افزایش گلوکز، افزایش زمان در محدوده زمانی را با 10 تا 15 درصد نسبت به تحویل انسولین خودکار استاندارد بهبود می بخشد.
  • ثبات شبانه بهتر : در ترکیب کیفیت خواب و نشانگرهای استرس کمک می کند تا از پدیده صبحگاهی جلوگیری کند و هیپوگلیسمی شبانه را کاهش دهد، خواندن گلوکز صبحگاهی را بهبود بخشد.
  • کیفیت بهبود زندگی : کاربران گزارش اضطراب دیابت کمتر، زنگ هشدار کمتر و اعتماد بیشتر در توانایی سیستم برای رسیدگی به تنوع روزانه اتوماسیون کاهش نیاز به چک های مکرر گلوکز خون و اصلاحات پیش بینی نشده.
  • سازگاری قابل اعتماد : همانطور که الگوریتم الگوهای کاربر را یاد می گیرد، می تواند به طور خودکار با تغییرات در روال عادی تنظیم شود - مانند یک برنامه کاری جدید، سفر در مناطق زمانی و یا تنوع فصلی در فعالیت فیزیکی.

تحقیقات فعلی و کارآزمایی های بالینی

گروه های تحقیقاتی متعدد و شرکت ها به طور فعال در مورد سیستم های پانکراس مصنوعی سبک زندگی آگاهانه تحقیق می کنند. موسسه ملی دیابت و بیماری های گوارشی و کلیوی (NIDDK) چندین کارآزمایی چند مرکز را برای بررسی استراتژی های مختلف ادغام داده ها اختصاص می دهد.

یکی دیگر از تلاش های پیشگام از دانشگاه ویرجینیا و مرکز دیابت Joslin هاروارد، که در آن یک پانکراس مصنوعی "هوشمند" شامل تشخیص غذا از طریق یک دوربین پوشیدنی است که عکس های غذا و کربوهیدرات های مارپیچ، چربی و پروتئین است، پس از آن سیستم تصویربرداری گسترده ای را محاسبه می کند تا اثرات گلیکمی تاخیر از وعده های غذایی با چربی بالا را کنترل کند.

در جبهه تجاری، سیستم مینی 780G Medtronic در حال حاضر ارائه می دهد یک فرم ابتدایی از تنظیم انسولین خودکار، اما هنوز هم نیاز به اعلان غذا دارد، در همین حال، پروژه حلقه Tidepool، یک ابتکار منبع باز، به یک محصول تجاری که اجازه ادغام جریان های داده سبک زندگی اضافی را می دهد، مقیاس می شود.

چالش ها و ملاحظات اخلاقی

علی رغم وعده، چندین مانع قبل از سیستم های پانکراس مصنوعی مبتنی بر داده های سبک زندگی باقی مانده اند. حریم خصوصی و امنیت اولویت دارند: سیستمی که ضربان قلب، محل GPS، الگوهای خواب و مصرف رژیم غذایی را جمع آوری می کند یک نمایه بهداشت بسیار حساس است. دسترسی غیر مجاز می تواند به تبعیض توسط بیمه گران یا کارفرمایان، حتی دستکاری مخرب، داده های قابل اعتماد، که در آن پردازش انسولین، داده های ضروری هستند.

دقت و ایمنی همچنین چالش هایی را ایجاد می کند. مدل های یادگیری ماشین آموزش دیده در یک جمعیت ممکن است به افراد با شیوه های مختلف، زمینه های ژنتیکی یا پیچیدگی های مشابه، مثبت کاذب از یک سنسور استرس یا برآورد نادرست غذا می تواند باعث خطاهای خطرناک شود.

بار کاربر و خستگی سنسور را نمی توان نادیده گرفت، در حالی که هدف کاهش تلاش انسان است، برخی از منابع داده - مانند ورود مواد غذایی یا کالیبراسیون سنسور - دستی اصلی و ممکن است جلوگیری از پذیرش. طراحان باید تعادل بین غنی بودن داده ها و سادگی، افراد مبتلا به دیابت که راحت با تکنولوژی یا که محدود سواد دیجیتال هستند، ممکن است از کاهش سلامت گسترده جلوگیری کنند.

] دسترسی و قابلیت پرداخت نیز مهم هستند.سیستم های حلقه بسته فعلی گران هستند و اضافه کردن سنسورهای پیشرفته مانند ساعت های هوشمند یا مانیتورهای فلش گلوکز هزینه را افزایش می دهد.پرداخت کنندگان و سیستم های بهداشتی نیاز به شواهدی از صرفه جویی در هزینه های طولانی مدت از طریق کاهش عوارض و بستری شدن بیمارستان برای توجیه پوشش.

مسیر های آینده و نوآوری ها

تحقیقات به سمت یک پانکراس مصنوعی کاملا مستقل و سازگار با سبک زندگی شتاب می دهد، چندین نوآوری نسل بعدی در افق است.

  • سیستم های چند هورمون : اضافه کردن گلوکاگون یا pramlintide به پمپ انسولین می تواند سفرهای آهسته تر گلوکز را هدایت کند. داده های سبک زندگی می تواند زمان و دوز این هورمون های ثانویه را هدایت کند - به عنوان مثال، کاهش تحویل گلوکاگون در طول ورزش زمانی که بدن به طور طبیعی کاهش تولید گلوکز پایان زا.
  • هم جوش سنسور قابل حمل : سیستم های آینده به احتمال زیاد CGM، سنسور ضربان قلب نوری، یک شتاب سنج سه محور، سنسور دمای پوست و حتی یک تجزیه و تحلیل بیومارکر عرق را به یک پچ منفرد که با شرکت های پمپ ارتباط برقرار می کند مانند گوگل و Dexcom در حال توسعه چنین سنسورهای یکپارچه است.
  • استنتاج هوش مصنوعی مبتنی بر خط : برای حفظ عمر باتری و محافظت از حریم خصوصی، مدل های یادگیری ماشین آلات داده های سبک زندگی را به صورت محلی پردازش می کنند تا آن را به ابر ارسال کنند، این باعث کاهش تاخیر و خطرات امنیتی در حالی که امکان سازگاری زمان واقعی را حتی زمانی که اتصال از دست رفته است.
  • دوقلوهای دیجیتال شخصی : استفاده از گلوکز تاریخی کاربر، انسولین و داده های سبک زندگی، یک دوقلو دیجیتال از متابولیسم فرد می تواند ایجاد و شبیه سازی شده در شب، پانکراس مصنوعی می تواند پس از آن "آزمایش" استراتژی های مختلف در silico قبل از استفاده از آنها، منجر به کنترل امن تر و موثر تر.
  • nudge و مربیگری : Beyond دوز اتوماسیون، سیستم می تواند توصیه های شخصی سازی شده ارائه دهد - مانند پیشنهاد یک اسنک قبل از تمرین یا یادآوری کاربر به هیدراته - بر اساس همان داده های شیوه زندگی.این پانکراس مصنوعی را از یک دستگاه پزشکی خالص به یک دستیار بهداشتی جامع منتقل می کند.

از آنجایی که این نوآوری ها بالغ هستند، پانکراس مصنوعی احتمالا به یک جزء استاندارد از مراقبت های دیابت تبدیل خواهد شد، بسیار شبیه پمپ های انسولین و CGMs امروز هستند. \"تفاوت کلیدی کلیدی این است که چگونه آن را به طور یکپارچه در زندگی کاربر ادغام می کند بدون اینکه نیاز به توجه یا ورودی دستی داشته باشد.

نتیجه گیری

اتوماسیون تنظیمات دوز انسولین بر اساس داده های شیوه زندگی نشان دهنده یک تغییر پارادایم در مدیریت دیابت است.با حرکت فراتر از حلقه های بازخورد گلوکز و پذیرش غنی بودن اطلاعات متنی - فعالیت فیزیکی، غذا، خواب و استرس - پانکراس مصنوعی می تواند به طور شخصی، فعال و حداقل مراقبت های منحصر به فرد، در حالی که چالش های اطراف حریم خصوصی داده، الگوریتم قوی، دسترسی به دیابت ثابت و یادگیری جامعه ادامه می دهد که به طور مداوم سیستم های متمرکز زندگی می کنند.

برای خواندن بیشتر، [FLT 1 ] [ [ ] [ [ [ ] [ [ [ ] ] [ [ [ ] ] ] [ [ ] ] [ [ ] ] [ [ ] ] [ ] ] [ ] [ ] ] [ ] ] برای اطلاعات بیمار محور ] [ [ [ ] :5:5:5:5 ]