Text
Prediction Methods for Blood Glucose Concentration; Design, Use and Evaluation
Menjelaskan cara menggunakan algoritme prediktif untuk membantu mengontrol perubahan kadar glukosa darah, Melengkapi pembaca dengan informasi praktis untuk membantu mereka merancang perangkat yang lebih efisien untuk pemantauan glukosa darah, Mendemonstrasikan keefektifan metode yang dibahas menggunakan data pasien nyata --> Terapi insulin diabetes standar untuk diabetes tipe 1 dan stadium akhir tipe 2 didasarkan pada perkembangan glukosa darah (BG) yang diharapkan baik sebagai konsekuensi dari konsumsi glukosa metabolik maupun makanan dan asupan insulin eksogen. Secara tradisional, ini tidak dilakukan secara eksplisit, tetapi jumlah insulin dipilih menggunakan faktor-faktor yang memperhitungkan ekspektasi ini. Meningkatnya ketersediaan sistem pengukuran glukosa darah berkelanjutan (CGM) yang lebih akurat menarik banyak minat pada kemungkinan prediksi eksplisit nilai BG di masa mendatang. Dengan latar belakang ini, pada tahun 2014 diadakan lokakarya dua hari tentang desain, penggunaan, dan evaluasi metode prediksi konsentrasi glukosa darah di Universitas Johannes Kepler Linz, Austria. Salah satu tujuan dari lokakarya ini adalah untuk mempertemukan para ahli yang bekerja di berbagai bidang dengan topik yang sama, untuk menjelaskan dari sudut yang berbeda tentang masalah mendasar pemodelan dinamika insulin glukosa pada pasien diabetes tipe 1. Di antara peserta internasional adalah pengembang pemantauan glukosa berkelanjutan, ahli diabetes, matematikawan, dan insinyur kontrol, baik dari akademisi maupun industri. Total 18 ceramah diberikan diikuti dengan diskusi panel yang memungkinkan untuk menerima umpan balik langsung dari sudut pandang berbagai disiplin ilmu. Buku ini didasarkan pada kontribusi dari lokakarya tersebut dan dimaksudkan untuk menyampaikan gambaran umum tentang berbagai aspek yang terlibat dalam prediksi tersebut. Bab-bab individual didasarkan pada presentasi yang diberikan oleh penulis pada lokakarya tetapi ditulis setelahnya yang memungkinkan untuk memasukkan temuan dan kesimpulan dari berbagai diskusi dan tentu saja pembaruan. Bab "Kerangka Alternatif untuk Model Insulin–Glukosa yang Dipersonalisasi" oleh Harald Kirchsteiger dkk. mengajukan pertanyaan apakah deskripsi fisiologis yang semakin rinci tentang metabolisme glukosa dengan tingkat kecanggihan yang terus meningkat dan jumlah fenomena yang dimodelkan benar-benar diperlukan untuk mendorong batas-batas dalam prediksi glukosa untuk kontrol. Sebagai alter - native, bab ini memperkenalkan dua pendekatan berbasis data yang tidak berfokus pada prediksi nilai glukosa darah yang tepat di masa depan, melainkan pada prediksi perubahan kisaran glukosa darah pasien. Bab "Akurasi BG Meter dan Sistem CGM: Kemungkinan Faktor Pengaruh untuk Prediksi Glukosa Berdasarkan Konsentrasi Glukosa Jaringan" oleh Guido Freckmann dkk. membahas metrik kinerja yang digunakan untuk mengkarakterisasi keakuratan perangkat pengukuran glukosa kontinu. Topik ini sangat relevan untuk model prediksi karena banyak di antaranya mengandalkan data yang diberikan oleh sensor kontinu yang sebelumnya dikalibrasi dengan pengukuran meteran glukosa darah yang juga mengalami kesalahan pengukuran. Pengukuran yang tidak akurat akan secara langsung mempengaruhi kinerja prediksi yang sesuai. Bab "CGM-Seberapa Baik Cukup Baik?"oleh Michael Schoemaker dan Christopher G. Parkin juga menangani masalah evaluasi kinerja monitor glukosa berkelanjutan. Beberapa metrik kinerja yang digunakan dalam berbagai studi yang diterbitkan dibandingkan dan karakteristik individualnya dianalisis. Bab ini mengungkapkan mengapa perbandingan sensor yang dievaluasi dalam dua studi klinis yang berbeda tidak selalu langsung. Bab "Bisakah Kita Menggunakan Pengukuran untuk Mengklasifikasikan Pasien yang Menderita Diabetes Tipe 1 ke dalam Subkategori dan Apakah Itu Masuk Akal?"oleh Florian Reiterer dkk. memanfaatkan model prediksi waktu kontinu untuk menggambarkan interaksi antara karbohidrat yang dicerna, insulin yang disuntikkan secara subkutan, dan konsentrasi glukosa yang diukur secara kontinu. Parameter model yang diidentifikasi dari 12 subjek dianalisis dan korelasi yang signifikan secara statistik antara parameter dan karakteristik pasien seperti berat badan dan usia dapat ditemukan. Bab "Pencegahan Hipoglikemia Berat dengan Pemantauan EEG Terus Menerus" oleh Claus Borg Juhl dkk. menunjukkan cara menggunakan sinyal EEG untuk memprediksi situasi hipoglikemik yang akan datang secara real-time dengan menggunakan jaringan saraf tiruan. Hasil studi klinis selama 30 hari dengan perangkat implan dan algoritma yang dikembangkan disajikan. Bab "Prediktor Glukosa Darah Berbasis Meta-Pembelajaran untuk Aplikasi Smartphone Diabetes" oleh Valeriya Naumova dkk. mendemonstrasikan bagaimana model prediksi glukosa yang sangat canggih dapat di-porting dari bahasa pengembangan yang berjalan di PC ke format sedemikian rupa sehingga dapat digunakan dengan nyaman oleh pasien. Fitur unik dari algoritme ini adalah independensinya terhadap input pengguna apa pun selain data CGM historis yang secara otomatis dikirimkan dari perangkat CGM. Tidak diperlukan estimasi parameter atau individualisasi model prediksi. Bab "Memprediksi Glikemia pada Diabetes Mellitus Tipe 1 dengan Prediktor Multilangkah Linier SubspaceBased" oleh Marzia Cescon dkk. menggunakan metode berbasis data untuk mengembangkan model prediksi individual. Model ini dapat dianggap sebagai kombinasi model fisiologis untuk menghitung sebelumnya laju kemunculan insulin yang disuntikkan dan karbohidrat yang dicerna dalam aliran darah dan model berbasis data untuk menggabungkan informasi ini dan menghitung prediksi hingga 120 menit di masa mendatang. Hasilnya menunjukkan kinerja pada data dari 14 pasien diabetes tipe 1 dalam uji klinis. Bab "Representasi Empiris Variabilitas Glukosa Darah dalam Model Kompartemen" oleh Stephen D. Patek dkk. menunjukkan teknik pemodelan yang dirancang untuk mengekstrak informasi tentang efek bersih makanan terhadap konsentrasi glukosa darah. Dengan mengasumsikan bahwa semua ekskursi glikemik utama yang tidak dapat dijelaskan dapat dikaitkan dengan konsumsi glukosa oral, vektor makan diperkirakan yang secara signifikan meningkatkan model matematika. Hasil ditunjukkan pada tiga pasien selama uji klinis dan pada pasien virtual di mana ditunjukkan bagaimana metode tersebut dapat digunakan untuk penyesuaian laju insulin basal. Bab "Model Interval Berbasis Fisiologi: Kerangka Kerja untuk Prediksi Glukosa Di Bawah Variabilitas Intra-pasien" oleh Jorge Bondia dan Josep Vehi mencoba mengatasi variabilitas intrasubjek yang besar dengan menggunakan konsep prediksi interval. Alih-alih memprediksi nilai glukosa darah tunggal di masa depan, seluruh amplop larutan ditentukan. Dengan teori yang dikemukakan dapat dijamin bahwa nilai sebenarnya selalu ada di dalam amplop dan terlebih lagi amplop tersebut tidak konservatif. Metode ini dievaluasi pada model diabetes fisiologis. Bab "Pemodelan dan Prediksi Menggunakan Persamaan Diferensial Stokastik" oleh Rune Juhl dkk. mempertimbangkan ketidakpastian dalam dinamika antara pasien yang berbeda serta dalam diri pasien dengan memanfaatkan persamaan diferensial stokastik. Ditunjukkan bagaimana metodologi pemodelan efek campuran dapat diterapkan sehingga informasi yang mendasari beberapa kumpulan data dari pasien yang berbeda diekstraksi untuk membentuk model. Bab "Ketidakpastian dan Kesalahan Pemodelan Model Diabetes Tipe 1" oleh Levente KovcsCs dan P SzTer Szalay menganalisis pengaruh ketidakpastian model prediksi pada sistem kontrol selama prosedur desain yang melibatkan pengurangan model steps dengan menghilangkan variabel status, estimasi status menggunakan Filter Kalman yang diperluas dan filter Titik Sigma dan sintesis kontrol variasi parameter linier. Bab "Hasil Terbaru tentang Prediksi Glukosa-Insulin melalui Pengamat Negara untuk Sistem Penundaan Waktu" oleh Pasquale Palumbo dkk. memperkenalkan model prediksi yang secara real time memprediksi konsentrasi insulin dalam darah yang pada gilirannya digunakan dalam sistem kontrol. Metode ini diuji dalam simulasi pada sistem time-delay yang mewakili sistem glukosa-insulin. Bab "Penilaian Kinerja Sistem Kontrol Pankreas Buatan Berbasis Model" oleh Jianyuan Feng dkk. memanfaatkan model prediksi untuk menghitung saran pengobatan. Kebaruan dari algoritma yang diusulkan terdiri dari pertimbangan secara eksplisit (antara lain) kesalahan prediksi model dan kecepatan eliminasi kesalahan model. Penyetelan ulang sistem penasihat dilakukan jika model prediksi tidak berjalan dengan baik. Hasil pada 30 pasien virtual menunjukkan kinerja sistem kontrol. Kami ingin mengucapkan terima kasih kepada semua orang yang terlibat dalam proses penulisan buku ini: Semua penulis atas kontribusi masing-masing, semua pengulas bab buku, Daniela Hummer untuk seluruh organisasi lokakarya, Boris Tasevski atas bantuannya dalam penyusunan huruf, Florian Reiterer atas bantuannya mengedit buku, serta Oliver Jackson dan Karin de Bie atas kerja sama yang baik dengan Springer.
No copy data
No other version available