Ευφυή Συστήματα Υποστήριξης Εξατομικευμένων Ιατρικών Αποφάσεων για τη Διαχείριση του Σακχαρώδους Διαβήτη

Abstract

Στην παρούσα διατριβή σχεδιάζονται, αναπτύσσονται και αξιολογούνται ευφυή συστήματα υποστήριξης εξατομικευμένων ιατρικών αποφάσεων που στοχεύουν στη βελτιστοποίηση της θεραπείας των ατόμων με Σακχαρώδη Διαβήτη (ΣΔ). Συγκεκριμένα, οι μέθοδοι που αναπτύσσονται χρησιμοποιούνται για την ανάλυση και την επεξεργασία δεδομένων Ηλεκτρονικού Ιατρικού Φακέλου, Εργαστηριακών Μετρήσεων καθώς και συνεχών καταγραφών γλυκόζης και ινσουλίνης, με σκοπό i) τη σχεδίαση και ανάπτυξη Συμβουλευτικού Συστήματος Έγχυσης Ινσουλίνης (ΣΣΕΙ), το οποίο εκτιμά σε πραγματικό χρόνο τον απαιτούμενο ρυθμό έγχυσης ινσουλίνης σε άτομα με ΣΔ Τύπου Ι, που χρησιμοποιούν Διάταξη Συνεχούς Μέτρησης Γλυκόζης (ΔΣΜΓ) και αντλία έγχυσης ινσουλίνης («Τεχνητό Πάγκρεας»), ώστε τα επίπεδα γλυκόζης αίματος, να διατηρούνται εντός φυσιολογικών ορίων και ii) την ανάπτυξη μοντέλων αποτίμησης της πιθανότητας εμφάνισης μακροπρόθεσμων επιπλοκών του ΣΔ Τύπου Ι και Τύπου ΙΙ, εστιάζοντας στη διαβητική αμφιβληστροειδοπάθεια. Στο πρώτο μέρος της διατριβής εφαρμόζονται προηγμένες μέθοδοι μοντελοποίησης, που βασίζονται στη συνδυασμένη χρήση Διαμερισματικών Μοντέλων (ΔΜ) και Νευρωνικών Δικτύων (ΝΔ) για την προσομοίωση του μεταβολικού συστήματος γλυκόζης-ινσουλίνης σε άτομα με ΣΔ Τύπου Ι. Το τελικό μοντέλο ενσωματώνεται σε έναν ελεγκτή που βασίζεται σε μοντέλο πρόβλεψης (Model Predictive Control-MPC), για τον μετέπειτα υπολογισμό των συνιστώμενων ρυθμών έγχυσης ινσουλίνης. Για τον λεπτομερή έλεγχο ορθής λειτουργίας του ΣΣΕΙ, πραγματοποιήθηκε σειρά υπολογιστικών πειραμάτων. Επιπλέον, διεξήχθη κλινική δοκιμή σε νοσοκομείο υπό ελεγχόμενες συνθήκες, τα αποτελέσματα της οποίας ανέδειξαν αδυναμίες του ΣΣΕΙ και οδήγησαν στη βελτίωσή του. Συγκεκριμένα, αναπτύχθηκε προσαρμοστικός αλγόριθμος αυτόματης και σε πραγματικό χρόνο, ενημέρωσης των παραμέτρων του ελεγκτή χρησιμοποιώντας τεχνικές ασαφούς λογικής. Το βελτιωμένο ΣΣΕΙ εξετάστηκε ως προς την ικανότητά του να διαχειρίζεται διαταραχές γευμάτων, καταστάσεις νηστείας, καθυστερήσεις, ανακρίβειες στις μετρήσεις γλυκόζης, διαφορές στο μεταβολισμό γλυκόζης που υφίστανται μεταξύ ατόμων με ΣΔ Τύπου Ι (inter-patient variability), καθώς και λανθασμένες εκτιμήσεις της περιεχόμενης ποσότητας των υδατανθράκων στα λαμβανόμενα γεύματα. Το δεύτερο μέρος της εργασίας αφορά στην ανάπτυξη μοντέλων εκτίμησης της πιθανότητας ατόμων με ΣΔ Τύπου Ι και Τύπου ΙΙ να εμφανίσουν σε βάθος χρόνου μακροπρόθεσμες επιπλοκές του ΣΔ, εστιάζοντας στη διαβητική αμφιβληστροειδοπάθεια. Για το σκοπό αυτό, εφαρμόστηκαν τεχνικές ταξινόμησης των δεδομένων, με χρήση τεχνητών νευρωνικών δικτύων με κυματιδιακές συναρτήσεις ενεργοποίησης. Για την ανάπτυξη και την αξιολόγηση των συστημάτων χρησιμοποιήθηκαν ιατρικά δεδομένα ατόμων με ΣΔ Τύπου Ι και Τύπου ΙΙ, που παραχωρήθηκαν από την Α’ Παιδιατρική Κλινική, Διαβητολογικό Κέντρο του Νοσοκομείου Π & Α Κυριακού, καθώς και από το Διαβητολογικό Κέντρο του Ιπποκράτειου Νοσοκομείου Αθηνών.

The scope of the present thesis is the design, development and evaluation of intelligent medical decision support systems, aiming at optimizing the treatment of patients with Diabetes Mellitus (DM). Specifically, within the framework of the present thesis, several methods have been developed for the analysis and processing of data related to medical electronic health records, laboratory measurements and continuous glucose and insulin records, towards the design and the development of: i) an intelligent Insulin Infusion Advisory System (IIAS), able to provide real time estimations of the appropriate insulin infusion rates for type 1 DM patients using continuous glucose monitors and insulin pumps (Artificial Pancreas), in order to maintain glucose levels within the physiological range, and ii) models for the risk assessment of long-term complications of Type I and Type II DM, focusing on diabetic retinopathy. In the first part of this study, a simulation model of the glucose - insulin metabolism system of Type I DM has been developed, based on the combined use of compartmental models (CMs) and Neural Networks (NNs). The model is incorporated into a Model Predictive Controller (MPC) in order for the latter to estimate insulin infusion rates. In order to evaluate the performance of the IIAS, several in silico trials have been performed. Moreover, a clinical trial has been conducted under controlled conditions, the results of which provided valuable input for SSEI improvement. In particular, a tuning algorithm based on fuzzy logic has been developed, for the on line adaptation of the NMPC parameters. The enhanced SSEI has been tested against its ability to handle meal disturbances, fasting conditions, delays, noise to the glucose measurements, interpatient variability, and erroneous meal size estimations. The second part of the present thesis, concerns the development of models able to estimate the risk of people with Type I or Type II DM to develop over time, long-term diabetes complications, with particular focus to diabetic retinopathy. Towards this direction, advanced classification techniques are applied based on the wavelet neural networks. For the development and the evaluation of the aforementioned medical decision support systems, data from Type I and Type II DM patients, have been used, acquired from the Department of Pediatrics, Diabetes Center, P&A Kyriakoy Children’s Hospital, Athens and the Athens Hippokration Hospital.