Automaattisen insuliinin annostelu

Yli vuosisadan ajan tyypin 1 diabeteksen hoito on vaatinut ympärivuorokautista valppautta: usein sormen keppimittauksia, manuaalista insuliiniannoslaskentaa ja jatkuvasti vallitsevaa hypoglykemian tai hyperglykemian pelkoa. Jatkuvan glukoosin monitorin (CGM) ja insuliinipumppujen käyttöönotto paransi huomattavasti päivittäistä valvontaa, mutta todellinen paradigman muutos tuli keinotekoisten haiman . ... suljettuun silmukkajärjestelmään, joka automatisoi insuliinin toimitusta. Tämän teknologian ytimessä on automaattinen insuliinin boluslaskija, algoritmi, joka käsittelee reaaliaikaisia glukoosin tietoja ja tuottaa tarkkoja insuliiniannoksia, joihin ei juurikaan ole lisätty käyttäjää. Tämä artikkeli tarjoaa perusteellisen tutkimuksen tilaa, näiden laskimien taustalla olevia teknisiä periaatteita ja jäljellä olevia esteitä, jotka johtavat täysin itsenäiseen diabeteksen hallintaan.

Mikä on tekohaavojen?

Keinotekoinen haima ei ole mikään implantti vaan järjestelmä, joka jäljittelee terveen haiman glukoosia säätelevää toimintaa kolmen integroidun komponentin kautta: CGM, joka mittaa interstitiaalista glukoosia 1.15 minuutin välein, insuliinipumppua, joka antaa nopeavaikutteista insuliinia ihon alle, ja kontrollialgoritmia, joka päättää, milloin ja kuinka paljon insuliinia on annettava. Tämä algoritmi on automatisoidun insuliinin boluslaskurin sydän. Tänään . Hyväksytyt järjestelmät toimivat suurelta osin hybridin suljetussa silmukkatilassa: algoritmi hallinnoi perusnopeuksia ja toimittaa korjausboluksia automaattisesti, mutta vaatii silti käyttäjää ilmoittamaan aterioista ja toisinaan vahvistamaan bolukset. Vuoden 2016 FDA-hyväksyntä Medtronic MiniMed 670G merkitsi ensimmäisen hybridin suljettua -looppijärjestelmää, vaikka varhaiset käyttäjät ilmoittivat, että algoritmi .

Automatisoitujen insuliinin Bolus-laskimolaitteiden kriittinen rooli

Automaattiset insuliiniboluslaskimot ovat paljon enemmän kuin yksinkertaisia annosestimaatteja. Ne ovat hienostuneita päätösmoottoreita, joiden on integroitava useita dynaamisia muuttujia reaaliajassa. Toisin kuin perinteiset boluslaskimot, joita löytyy erillisistä pumpuista .

  • ]Ennakoidaan glukoosin trajektorit[ käyttäen matemaattisia malleja kuten suhteellista - integroitua - johdannaista (PID) tai mallin ennustavaa kontrollia (MPC). PID säätää insuliinin toimitusta suhteessa nykyisen ja tavoiteglukoosin, aiempien virheiden erottamattoman ja muutosnopeuden väliseen eroon. MPC, joka on nykyään hallitseva nykyjärjestelmissä, käyttää farmakokineettistä mallia ennustaakseen glukoosia 30...60 minuuttia etukäteen ja laatii optimaalisen insuliini-infuusiosuunnitelman, joka minimoi sekä hyperglykemian että hypoglykemian riskin.
  • Korjaavien bolusten [ laskeminen, kun glukoosi ylittää tavoitekynnykset ja välttää insuliinin pinoamista seuraamalla aktiivista IOB:tä. Algoritmi käyttää usein turvallisuusrajoitusta, joka peittää kokonaistoimituksen ennustetun glukoosin alemmuusasteen perusteella.
  • Ilmestysbolukset [ ... ......................................................................................................................................................................................................................................
  • ]Pitkien vaihtelujen vuoksi perusnopeuden mukauttaminen , joka toimii tehokkaasti dynaamisena peruskontrolliaineena, joka vähentää tai lisää virtausta, jotta voidaan ylläpitää vakaata yön yli -kontrollia ja torjua aamunkoiton vaikutuksia.

Reaaliaikainen tietojenkäsittely ja algoritmiset mukautukset

Laskimien on käsiteltävä CGM-lukemat mahdollisimman vähän latenssia, tyypillisesti 5 minuutin päivityksen syklissä. Uudet anturit, jotka kykenevät 1 minuutin päivityksiin, lupaavat vieläkin nopeampaan vasteeseen. Algoritmi tarkentaa jatkuvasti ennusteitaan käyttäen historiallisia tietoja ja mukautuvaa oppimista. Esimerkiksi MPC-algoritmit voivat säätää malliparametrejä . Kuten insuliiniherkkyystekijät ja hiilihydraattisuhteet . Tämä ominaisuus tunnetaan nimellä . Automato-pohjainen ohjain on aktiivisen tutkimuksen avainalue, jossa koneoppimista ja vahvistusta tutkitaan edelleen, jotta voidaan parantaa sopeutumista ilman manuaalista uudelleenkalibrointia. Virginian yliopiston tutkimus 2023 osoitti, että tehostettu-oppiminen-pohjainen ohjain vähensi hyperglykeemisiä retkiä 15 prosenttia verrattuna standardiin MPC:hen, mutta samalla säilyttää vastaavan hypoglykemian turvallisuuden.

Nykyinen tutkimus ja teknologinen maisema

Kaupalliset ja sääntelyyn liittyvät kilometrit

Monien keinotekoisten haimajärjestelmien hyväksyntä on nyt laajassa kliinisessä käytössä. Medtronic MiniMed 780G[ (FDA 2021, CE mark 2020) algoritmi, joka automatisoi sekä perustoimituksen että korjausboluksen joka viides minuutti ja joka sai vapaaehtoisen ateriaboluksen vuonna 2020. Reaalimaailman tutkimus, jossa 16 000 käyttäjää käytti keskimäärin 75 prosenttia ja 2,8 prosenttia alle 70 mg/dl. Se on , Tandem Diabetes Control-IQ[[[ -järjestelmässä (FDA 2019) käytetty MPC-algoritmi, joka säätää perushintoja ja toimittaa automaattisen korjausboluksen, jopa kerran tunnissa.

Koneoppiminen ja kehittyneet algoritmit

Tutkimus etenee perinteisten PID- ja MPC-ohjaajien ohi. Syväoppiminen mallit . Sisältää toistuvat hermoverkot (RNN) ja pitkän aikavälin muistiverkot (LSTM) . ... koulutetaan laajoilla CMM-jälkeä ja insuliinin toimitusta koskevilla aineistoilla ennustamaan glukoositasoja ja suosittelemaan annoksia tarkemmin. Esimerkiksi Harvard Medical Schoolissa ja Virginian yliopistossa tutkijat ovat kehittäneet algoritmeja, joihin sisältyy aterian havaitseminen suoraan CGM-malleista, mikä vähentää karbin manuaalisen käytön tarvetta. Simulaatiotutkimuksessa LSTM-pohjainen ohjain vähensi glukoosin post-prandiaalia huippuja 22 prosenttia verrattuna vakioon MPC. Toinen lupaava avenue on standing, jossa .

Integrointi muihin käyttötarkoituksiin ja tietolähteisiin

Seuraavan sukupolven automatisoidut boluslaskurit on suunniteltu sisältämään fysiologisia lisäsignaaleja CGM:n lisäksi. Sykemittarit, aktiivisuusmittarit ja jopa jatkuvat ketonimonitorit voisivat tarjota asiayhteyden, joka parantaa annostelutarkkuutta. Esimerkiksi liikunta lisää insuliiniherkkyyttä ja voi aiheuttaa hypoglykemiaa tuntia myöhemmin; algoritmi, joka tietää tulevasta treenistä, voisi ennalta vähentää perus- ja ateriaboluksia. Samoin stressi ja sairaus nostaa glukoositasoja ja jopa algoritmi, joka havaitsee nämä valtiot sydämen nopeuden vaihtelun tai lämpötilan antureiden avulla, voisi säätää tavoitteita. ]Jaeb Center for Health Research [ ja ] Artificial Pancreas Consortium[[]] -tutkimus on aktiivinen näiden multimodaalisten panosten tutkimisessa.

Haasteet ja tarpeet, joita ei ole täytetty

Turvallisuus- ja vikatilat

Suurin haaste automatisoitujen insuliiniboluslaskien kehittämisessä on turvallisuus. Yliannostus voi johtaa vakavaan hypoglykemiaan, kun taas aliannostus johtaa pitkittyneeseen hyperglykemiaan, joka lisää diabeettisen ketoasidoosin riskiä. CGM-tarkkuuden ongelmat . . ... anturin ajelehtimisen, puristusartefaktien tai sivustotulehduksen vuoksi . . voi aiheuttaa algoritmin epäasianmukaisten annosten antamisen. Lunastukseen liittyvät toimenpiteet, kuten kaksoissensorien käyttö tai veren glukoosimittarin kanssa tehtävä ristiintarkistus, ovat tutkittavissa, mutta lisäävät kustannuksia ja monimutkaisuutta. Lisäksi algoritmin on hallittava huolellisesti pumpun okkluusioita, kinked-kannulasia tai akun vikaantumisia, usein palaamalla avoimeen-loop-tilaan tai käynnistämällä turvahälytin.

Ruokailun ja liikunnan vaihtelu

Ilmoittamattomat ateriat ovat edelleen yksi vaikeimmista haasteista. Vaikka ateriat ilmoitetaan, karbenlaskuvirheet ovat yleisiä . Tutkimukset viittaavat siihen, että 50 prosenttia karbin estimaateista poikkeaa yli 20 prosentilla todellisesta sisällöstä. Automaattinen boluslaskuri, joka pystyy tarkasti havaitsemaan ja kattamaan ateriat ilman käyttäjän panosta, on pyhä gail. Nykyiset järjestelmät kuten Control-IQ ja 780G vaativat edelleen ateriailmoitus optimaalisesta suorituskyvystä, vaikka ne voivat käsitellä pienempiä yllättäviä aterioita korjausboluksilla ... ...........................................................................................................................................

Sääntelyn piirteet ja yhteentoimivuus

Keinotekoisten haimajärjestelmien sääntely on edelleen tiukkaa. FDA.S-lähestymistapa on kehittynyt sen iData-puitteiden kautta suljetuille ohjaimille, mikä edellyttää sekä turvallisuutta että tehokkuutta satunnaistetuissa kontrolloiduissa tutkimuksissa.Monien algoritmien oma luonne haittaa yhteentoimivuutta . Käyttäjä voidaan kuitenkin lukita yhteen valmistajaan. []:n]]:n kaltaiset aloitteet ovat avoimia standardeja automaattiselle insuliinin jakelulle ja : Diabetes Technology Society -yhteisö [:t Yhteentoimivuusstandardit [, jotka voivat muuttaa järjestelmän käyttäytymistä, mutta edistyminen on hidasta. Euroopassa CE-merkintäprosessi on ollut hieman nopeampi, mutta markkinoille saattamisen jälkeinen valvonta on edelleen kriittinen erityisesti, kun algoritmit saavat aikaan järjestelmän toiminnan yli-ilmapäivityksiä.

Käyttäjien hyväksyminen ja psykologiset esteet

Huolimatta kasvavasta kliinisestä näyttö, adoptio teko haiman järjestelmiä ei ole yleinen. Jotkut käyttäjät ilmoittavat ahdistusta algoritmi-ohjautuva annostus, varsinkin yöllä. Toiset kamppailevat taakka kalibroimalla CGM anturit, kuljettaa ylimääräisiä tarvikkeita, tai hallita hälytyksiä. Avoin lähde yhteisö on osoittanut, että jotkut käyttäjät ovat valmiita hyväksymään enemmän riskiä joustavuuden, mutta valtavirran adoptio edellyttää järjestelmiä, jotka ovat intuitiivinen, hiljainen, ja luotettava. Koulutusohjelmat, jotka auttavat käyttäjiä ymmärtämään, miten algoritmi toimii .

Tulevaisuudennäkymät ja vastaamattomat kysymykset

Näkymä täysin autonomisesta keinotekoisesta haimasta on saavutettavissa, mutta useita keskeisiä välitavoitteita on vielä jäljellä. Ensinnäkin kaksoishormonijärjestelmien (insuliini plus glukagoni tai pramlintide) integrointi voisi vähentää entisestään hypoglykemiariskiä ja parantaa jälkiaterian valvontaa. Bostonin yliopistossa ja Virginian yliopistossa tehdään kliinisiä tutkimuksia kaksihormonialgoritmeista, jotka tuottavat pieniä annoksia glukagonia, kun glukoosin laskut liian alhaisiksi . Varhaiset tulokset osoittavat, että aikaa alle 70 mg/dl voidaan vähentää alle 1 prosenttiin. Toiseksi . Smart. -insuliinin kehitys, joka toimii nopeammin tai vaihtaa glukoosipitoisuuden vuoksi, voisi täydentää algoritmista valvontaa. Ultra-rapid insuliinit (esim., Fiasp, Lyumjev) voidaan käyttää suljettuihin ja suljettuihin järjestelmiin.

Toinen raja on jatkuva ketoaineiden valvonta diabeettisen ketoasidoosin havaitsemiseksi aikaisin, jolloin algoritmi voi toimia turvaverkkona pumpun toimintahäiriöiden tai sairauden aikana. Samoin kortisolin tai laktaattimittauksen sisällyttäminen saattaa jonain päivänä mahdollistaa täysin asiayhteydestä tietävän annostelun. Perimmäinen keino haima olisi suljettu järjestelmä, joka edellyttää nollan käyttäjän panos, toimii kaikenikäisille ja elämäntapoja, ja on niin luotettava, että diabetesta sairastavat ihmiset voivat unohtaa käyttää sitä digitaalinen parannuskeino krooniseen sairauteen.

Jatkuvassa tutkimuksessa keskitytään myös näiden teknologioiden laajentamiseen tyypin 2 diabetekseen. Vaikka tyypin 2 esiintyvyys on paljon suurempi, patofysiologiassa on kyse insuliiniresistenssistä eikä absoluuttisesta puutteesta. Automaattiset boluslaskurit tyypin 2 potilaille, jotka käyttävät intensiivistä insuliinihoitoa, saattavat tarvita tietoja suun kautta otettavista lääkkeistä, GLP-1-reseptoriagonisteista tai elämäntapamalleista. Varhaiset tutkimukset, joissa käytetään suljettuja silmukkajärjestelmiä sairaala-olosuhteissa potilaan glykeemiseen hoitoon, ovat lupaavia, ja tyypin 2 tutkittavien avohoitotutkimukset ovat alkaneet .

Edessä: Tie täysin autonomiseen hoitoon

Automatisoitujen insuliiniboluslaskimien kehittäminen on yksi jännittävimmistä luvuista lääketieteellisten laitteiden suunnittelussa. Varhaisista PID-ohjaajista tähän päivään asti adaptiivisiin MPC- ja vahvistus-oppimisalgoritmeihin kenttä on kehittynyt huomattavasti. Kuitenkin ihmisen fysiologian monimutkaisuus jatkuvasti muuttuvilla vaatimuksillaan . Jokainen askel eteenpäin, olipa kyseessä uusi sääntely, läpimurto sensorien tarkkuuden suhteen tai avoin-lähdeinnovaatio, tuo meidät lähemmäksi järjestelmiä, jotka voivat todella vapauttaa ihmisiä, joilla on diabetes. Keinotekoinen haima ei ole enää tieteisfiktio; se on nopeasti kypsyvä teknologia, joka määrittää uudelleen diabeteksen hoidon seuraavan vuosikymmenen aikana.

Lehdistön ja jatkolukemisen