Ανάπτυξη εξατομικευμένου μοντέλου προσομοίωσης της κινητικής της γλυκόζης σε άτομα με Σακχαρώδη Διαβήτη Τύπου Ι βασισμένο σε Αυτο-Οργανούμενους Χάρτες

Abstract

Αντικείμενο της παρούσας διπλωματικής είναι η σχεδίαση, ανάπτυξη και αξιολόγηση εξατομικευμένου μοντέλου για την προσομοίωση της κινητικής της γλυκόζης σε άτομα με Σακχαρώδη Διαβήτη Τύπου 1 (ΣΔΤ1), τα οποία εφαρμόζουν αντλίες έγχυσης ινσουλίνης και Διατάξεις Συνεχούς Μέτρησης Γλυκόζης (ΔΣΜΓ). Κύριο χαρακτηριστικό της συγκεκριμένης πάθησης είναι τα αυξημένα επίπεδα γλυκόζης αίματος. Η απορρύθμιση του μεταβολισμού γλυκόζης οδηγεί στην εμφάνιση βραχυπρόθεσμων και μακροπρόθεσμων επιπλοκών.

Η ανάπτυξη του μοντέλου βασίστηκε σε μεθόδους τεχνητής νοημοσύνης και πιο συγκεκριμένα στη χρήση των Αυτο-Οργανούμενων Χαρτών (Self Organizing Maps - SOMs). Τα SOMs χρησιμοποιούνται κατά κύριο λόγο για την απεικόνιση δεδομένων πολλών διαστάσεων σε λιγότερες διαστάσεις καθώς στην ουσία υλοποιούν μία τεχνική κβαντοποίησης του χώρου εισόδου. Το μοντέλο που αναπτύχθηκε βασίζεται στην ιδιότητα της κβαντοποίησης προκειμένου να προσεγγίσει μία συνάρτηση η οποία θα εξάγει μελλοντικά επίπεδα γλυκόζης. Το μοντέλο συνδυάζεται με δύο Διαμερισματικά Μοντέλα (ΔΜ) τα οποία προσομοιώνουν την κινητική υποδόριας ινσουλίνης και την απορρόφηση γλυκόζης από το έντερο μετά την λήψη γευμάτων. Οι έξοδοι των μοντέλων καθώς και οι προηγούμενες καταγραφές γλυκόζης εισέρχονται στο μοντέλο κινητικής γλυκόζης για τον μετέπειτα υπολογισμό προβλέψεων γλυκόζης.

Για την ανάπτυξη και αξιολόγηση του μοντέλου χρησιμοποιήθηκαν ιατρικά δεδομένα 30 in silico ατόμων με ΣΔΤ1 όπως διατίθενται από τον UVa T1DM Simulator καθώς και δεδομένα ιατρικού φακέλου 12 ατόμων με ΣΔΤ1 που παραχωρήθηκαν από την Α' Παιδιατρική Κλινική, Διαβητολογικό Κέντρο του Νοσοκομείου Π. & Α. Κυριακού. Η απόδοση του μοντέλου συγκρίθηκε με ένα αντίστοιχο μοντέλο το οποίο βασίστηκε στη χρήση ενός νευρωνικού δικτύου πρόσθιας τροφοδότησης καθώς και με ένα μοντέλο βασισμένο σε νευρωνικό δίκτυο ανατροφοδότησης.

The present thesis aims at the design, the development and the evaluation of a personalized model for the simulation of the glucose kinetics in patients with Type 1 Diabetes Mellitus (T1DM) who use insulin pumps and Continuous Glucose Monitor Systems (CGMS). This disease is characterised by elevated blood glucose levels. Glucose deregulation leads to short term as well as long term complications.

The development of the model is based on methods of artificial intelligence and specifically on Self-organizing Maps (SOMs). SOMs are mainly used for visualization of high dimensional data since they implement a vector quantisation method of the input space. The model is based on this vector quantization property in order to approximate a function able to provide future glucose estimations. The model is combined with two Compartmental Models (CM) which simulate subcuntaneous insulin kinetics and glucose absorption into the blood from the gut after meal intake, respectively. The outputs of the CMs as well as the previeous glucose records are used as inputs in the glucose kinetics model in order to estimate the future glucose profile.

For the development and the evaluation of the model, data generated from 30 \textit{in silico} patients from the UVa T1DM Simulator as well as medical records of 12 patients with T1DM which were granted from the Diabetes Center, First Department of Pediatrics, P. & A. Kyriakou Children's Hospital, Athens, were used. The performance of the model was comparatively assesed with those obtained by applying a Feed Forward Neural Network based model and a Recurrent Neural Network based model.