OpenAPS, il sistema Pancreas artificiale aperto, è emerso dal movimento di base #WeAreNotWaiting nei primi anni 2010. Di fronte al ritmo lento della regolazione tradizionale del dispositivo medico, pazienti e caregiver con sfondi in ingegneria del software ha preso lo sviluppo di insulina artificiale consegna (AID) in loro mani. Al suo nucleo, OpenAPS è un sofisticato algoritmo che espande con un continuo monitoraggio del glucosio (CGM) e

La Fondazione di Insulina Automatizzata Consegna: Monitoraggio continuo del glucosio

Per comprendere veramente l'impatto trasformativo della moderna tecnologia dei sensori, è essenziale esaminare la meccanica e le metriche che definiscono una CGM ad alte prestazioni. Questi dispositivi non sono semplicemente contatori di glucosio nel sangue che si rinfrescano ogni cinque minuti; sono complessi sistemi elettrochimici o ottici progettati per operare nell'ambiente ostile del fluido interstiziale per giorni o settimane alla volta.

Come funzionano le CGM moderne: dall'entusime all'algoritmo

La maggior parte dei CGM integrati da DIY si basa su un sensore elettrochimico enzimatico. Un filamento sottile e flessibile rivestito con ossidasi di glucosio viene inserito nel tessuto sottocutaneo. Quando il glucosio nel liquido interstiziale viene calibrato con l'enzima, viene ossidato, producendo perossido di idrogeno.

Questo processo introduce un ritardo fisiologico critico. Il glucosio interstiziale non è identico al glucosio nel sangue capillare; i cambiamenti nel glucosio nel sangue si riflettono nello spazio interstiziale con un ritardo di circa 5-15 minuti. Gli algoritmi dei sensori moderni sono progettati per modellare questo ritardo e prevedere dove il glucosio nel sangue sta andando, piuttosto che semplicemente segnalando dove il liquido interstiziale correttivo è stato.

Definizione delle prestazioni del sensore: MARD, calibrazione e affidabilità

La differenza relativa di media assoluta (MARD) è diventata la metrica standard del settore per il confronto dell'accuratezza CGM. MARD rappresenta la differenza media percentuale tra la lettura del sensore e un valore di riferimento del glucosio nel sangue. Un MARD inferiore indica una maggiore precisione. Per il contesto, i primi CGM hanno valori MARD superiori al 20%, che limitano la loro utilità per la consegna automatica dell'insulina.

L'ultima generazione di sensori, come il sensore Dexcom G7 e l'Abatet Freestyle Libre 3, hanno raggiunto i valori MARD nella gamma 7,5% a 9,0%. Questo livello di precisione è un risultato di spargimento dell'acqua. Significa che i dati del sensore possono essere affidabili per le decisioni di dosaggio senza calibrazioni del fingerstick. Questo modello di "caraminazione di fabbrica" ha eliminato una barriera importante all'adozione, creando un'esperienza puramente "set e dimentica" per il componente di affidabilità del sensore.

Ultimi avanzamenti in Hardware per la Sensazione di Glucose

Il ritmo dell'innovazione nel mercato delle MGC negli ultimi cinque anni è stato straordinario: tre grandi cambiamenti hanno direttamente influenzato le prestazioni e la fattibilità dei sistemi AID open source: miniaturizzazione, standardizzazione dell'accuratezza e l'espansione dei biomarcatori misurabili.

L'era dei sensori all-in-one completamente monouso

Il Dexcom G6 ha introdotto un trasmettitore riutilizzabile che ha scattato un sensore usa e getta, della durata di dieci giorni. Questo modello ha richiesto un investimento upfront significativo nell'hardware del trasmettitore. Il Dexcom G7 e Freestyle Libre 3 hanno spostato ad un fattore di forma all-in-one veramente monouso. Un singolo piccolo pod è applicato alla pelle e ospita sia l'elemento di rilevamento che l'elettronica del trasmettitore.

Algoritmi e intelligenza dei sensori

Gli algoritmi che elaborano il segnale del sensore grezzo sono diventati molto più sofisticati. I CGM moderni non misurano solo il glucosio corrente; utilizzano il filtraggio multi-tasso, curve di calibrazione adattative e rilevamento del rumore del segnale. Ad esempio, se il sensore rileva un rapido tasso di cambiamento (ad esempio, il glucosio che scende a 4 mg/dL al minuto), l'algoritmo può contrassegnare questo punto di pompaggio come alta fiducia e consegnarlo immediatamente.

La ricerca è in corso in sensori che possono rilevare automaticamente bassi di compressione (false basse letture causate dal sonno sul sensore), interferenze di segnale indotte dall'esercizio, e anche prevedere il guasto del sensore prima che accada. L'algoritmo OpenAPS, in particolare le implementazioni di Bol0 e di oref1, si basa su questi dati di tasso predittivo-di-cambiamento.

La sinergia tra OpenAPS e Sensori di Generazione Prossima

L'ecosistema AID open source è posizionato in modo unico per estrarre il massimo valore dai sensori avanzati. Poiché la base di codice è trasparente e rapidamente iterata, gli sviluppatori possono immediatamente sfruttare nuove funzionalità hardware non appena sono in reverse-engineered o ufficialmente supportate.

Funzioni algoritmiche Abilitate da dati ad alta fedeltà

L'elevata precisione e affidabilità dei sensori come il Dexcom G7 e Libre 3 consentono a OpenAPS di implementare in modo sicuro funzionalità aggressive che erano in precedenza troppo rischiose.

  • Dynamic ISF (fattore di sensibilità insulinica): Invece di utilizzare un fattore di sensibilità statica, il sistema può ora derivare sensibilità in tempo reale dalle tendenze del glucosio del sensore. Se il glucosio sta derivando basso, l'algoritmo può assumere sensibilità più elevata e ridurre la consegna dell'insulina in modo proattivo.
  • Maggio non annunciato (UM) Rilevazione e SMB:[ Una delle caratteristiche più potenti della moderna OpenAPS è la capacità di gestire i pasti senza input utente (bolusing).Il sistema utilizza il rapido aumento del glucosio rilevato dal sensore per fornire automaticamente una serie di piccole e rapide dosi di insulina (Super Micro Boluses).
  • Invertimento automatico:[] Si stanno sviluppando sistemi che utilizzano i dati del sensore a lungo termine per regolare automaticamente i tassi basali, ISF e i rapporti di carboidrati (CR) senza richiedere l'ingresso manuale da un medico o da un utente.

Monitoraggio remoto e Cloud Loop

I sensori moderni sono profondamente integrati con l'infrastruttura cloud tramite Bluetooth Low Energy (BLE) e i ponti smartphone. I dati del sensore vengono caricati su piattaforme cloud come Nightscout o Tidepool. OpenAPS sfrutta ampiamente questa connettività. Caregivers può monitorare il sistema in remoto. Il sistema stesso può ricavare dati dal cloud per informare il suo processo decisionale. Ad esempio, può determinare i cambiamenti meteorologici in arrivo o i cambiamenti di programma importati da un'architettura del calendario condiviso.

Oltre Glucose: l'era del multi-bimarcatore Sensing

La frontiera più emozionante della tecnologia di rilevamento del glucosio è il passaggio oltre il glucosio stesso. La CGM si sta evolvendo in una piattaforma di monitoraggio metabolico generale. Questa espansione ha una promessa particolare per gli utenti OpenAPS, che sono spesso adottivi precoce di queste tecnologie avanzate.

Chetone Sensing: Una rete di sicurezza critica per AID

La capacità di controllare continuamente i livelli di chetone accanto a glucosio sarebbe una caratteristica di sicurezza trasformativa. Abbott ha integrato il chetone percepire nella sua piattaforma di ricerca multi-biomarker e Dexcom ha presentato ricerche su monitoraggio continuo chetone. Per un sistema AID come OpenAPS, una lettura in tempo reale chetone si muoverebbe dovrebbe fornire un ulteriore livello di sicurezza metabolica.

Acido lattato e urico: Contesto di prestazione e salute

Per la gestione del diabete, i livelli di lattato possono influenzare il metabolismo del glucosio. Un alto stato di lattato può talvolta inibire l'assorbimento di glucosio periferico. Integrare il lattato nel modello di previsione del glucosio potrebbe consentire l'algoritmo di OpenAPS per la dose più accurata di insulina durante e dopo l'esercizio intenso.

Il ritmo dell'innovazione nei sistemi open source non dipende esclusivamente dalle capacità hardware, ma l'ambiente normativo e commerciale svolge un ruolo decisivo nel determinare quali sensori sono disponibili e a quale costo.

La designazione CGM interoperabile (iCGM)

La designazione iCGM della FDA, creata per favorire la concorrenza e l'integrazione nello spazio del dispositivo del diabete, è stata un catalizzatore per l'innovazione. Un sensore che raggiunge lo stato di iCGM ha dimostrato che è abbastanza accurato e affidabile da essere utilizzato come parte di un sistema integrato più ampio.

Privacy e Loop Cloud-Connected

Il controllo di sicurezza dei loop locali è molto sensibile e gli utenti OpenAPS che caricano i dati su Nightscout devono gestire la propria sicurezza, scegliendo i controlli appropriati di crittografia e accesso. I sistemi commerciali che stanno adottando algoritmi open source sono responsabili della conformità HIPAA e della sicurezza delle loro infrastrutture cloud.

Traiettorie future: Il prossimo decennio di Sensing e Looping

In attesa di un futuro, la convergenza dei sensori avanzati, l'apprendimento automatico e la farmacologia di nuova generazione promette di cambiare fondamentalmente la natura della gestione del diabete.

Sistemi di bi-ormonale e micro-dose

L'insulina è molto efficace, ma è intrinsecamente limitata dalla farmacocinetica dell'insulina. L'insulina abbassa solo il glucosio e la sua azione dura per ore. L'aggiunta di glucagone per creare un sistema bi-hormonare permetterebbe al loop di aumentare attivamente il glucosio in risposta ad un'imprendibile bassa, piuttosto che semplicemente sospendere l'insulina.

Personalizzazione tramite Machine Learning

L'attuale generazione di algoritmi AID si basa su modelli fisiologici generalizzati e parametri definiti dall'utente. La prossima generazione si muoverà verso sistemi del tutto personalizzati. Modelli di apprendimento automatico, formati su settimane o mesi di dati dei sensori ad alta risoluzione, possono identificare modelli unici nella risposta al glucosio di un individuo ai pasti, all'esercizio, allo stress e ai cicli ormonali previsionali. Questi modelli possono prevedere livelli di glucosio con precisione sorprendente, permettendo al sistema di effettuare escursioni di feedback più lunghi prima che avvengano.

Conclusioni

OpenAPS e la più ampia comunità di #WeAreNotWaiting hanno dimostrato che l'automazione sicura, efficace e in continuo cambiamento di vita è possibile con standard sicuri, aperti e dati di diabete ad alta fedeltà. Come sensori si restringono nella dimensione, espandere la loro gamma di biomarcatori, e approfondire la loro integrazione con le piattaforme di machine learning e cloud, la distinzione tra un "pump" e un "pan di fine"