Real Data-Based Personalization of an Automatic Glucose Control System

Cover Page

Cite item

Full Text

Abstract

This paper overviews the application of machine learning and data analysis methods in medicine. The problem of constructing a closed personalized automatic control system for blood glucose level is considered. Such a system focuses on a particular patient and involves glucose level measurements in the interstitial space by a sensor. We describe a modification of the glucose level regulation model for the blood of a patient during the intake of glucose with meals and the supply of exogenous insulin into the bloodstream. Also, we propose an isolating search method for a group of personalized model parameters to be identified individually. As an example, model parameters are identified for a patient with type 1 diabetes based on real data, and the optimal PD control law of exogenous insulin supply is applied in the identified model. The result is compared with the actual glycemic curve after a single administration of insulin to the patient as recommended by a physician. As shown, the optimal PD control law effectively stabilizes blood glucose level to avoid the development of hypoglycemia. The results of this paper can be used to design automatic glucose control systems for humans (insulin pumps).

About the authors

A. I Mikhalskii

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: ipuran@yandex.ru
Moscow, Russia

J. A Novoseltseva

Trapeznikov Institute of Control Sciences, Russian Academy of Sciences

Email: novoselc.janna@yandex.ru
Moscow, Russia

T. P Shestakova

Vladimirskii Moscow Regional Research Clinical Institute (MONIKI)

Email: t240169@yandex.ru
Moscow, Russia

References

  1. Amisha F., Malik P., Pathania M., Rathaur V.K. Overview of Artificial Intelligence in Medicine // J. Family Med. Prim. Care. – 2019. – Vol. 8, no. 7. – P. 2328–2331.
  2. Shortliffe, E.H. Computer-Based Medical Consultations: MYCIN. – New York: Elsevier, 1976. – 286 p.
  3. Глазкова Т.Г., Гурарий К.Н., Даниленко С.И. и др. Возможности применения ЭВМ для клинико-рентгенологической дифференциальной диагностики рака и доброкачественного поражения пищевода // Вестник радиологии и рентгенологии. – 1971. – № 2. – С. 15–21. [Glazkova, T.G., Gurarii, K.N., Danilenko, S.I., et al. Vozmozhnosti primeneniya EHVM dlya kliniko-rentgenologicheskoi differentsial'noi diagnostiki raka i dobrokachestvennogo porazheniya pishchevoda // Vestnik radiologii i rentgenologii. – 1971. – No. 2. – P. 15–21. (In Russian)]
  4. Захарова Л.М., Панкова Л.А., Петровский А.М., Шнейдерман М.В. Использование методов коллективной экспертизы для анализа характеристик сложных объектов на примере лекарственных препаратов // Автоматика и телемеханика. – 1980. – № 2. – С. 135–142. [Zakharova, L.M., Pankova, L.A., Petrovskii, A.M., Shneiderman, M.V. Ispol'zovanie metodov kollektivnoi ehkspertizy dlya analiza kharakteristik slozhnykh ob՚ektov na primere lekarstvennykh preparatov // Avtomatika i Telemekhanika. – 1980. – No. 2. – P. 135–142. (In Russian)]
  5. Захарова Л.М., Киселева Н.Е., Мучник И.Б. и др. Анализ развития гипертонической болезни по эмпирическим данным // Автоматика и телемеханика. – 1977. – № 9. – С. 114–122. [Zakharova, L.M., Kiseleva, N.E., Muchnik, I.B., et al. Analyzing the course of the hypertonic desease from empirical data // Avtomatika i Telemekhanika. – 1977. – No. 9. – P. 114–122. (In Russian)]
  6. Hamlet, P., Tremblay, J. Artificial Intelligence in Medicine // Metabolism. – 2017. – Vol. 69S. – P. S36–S40.
  7. Blyth, C.R. On Simpson’s Paradox and the Sure-Thing Principle // Journal of the American Statistical Association. – 1972. – Vol. 67. – P. 364–366.
  8. Дедов И.И., Шестакова М.В. Сахарный диабет типа 1: реалии и перспективы. – МИА, 2016. – 504 с. [Dedov, I.I., Shestakova, M.V. Sakharnyi diabet tipa 1: realii i perspektivy. – MIA, 2016. – 504 s.]
  9. Georga, E.I., Protopappas, V.C., Polyzos, D., Fotiadis , D.I. Evaluation of Short-Term Predictors of Glucose Concentration in Type 1 Diabetes Combining Feature Ranking with Regression Models // Med. Biol. Eng. Comput. – 2015. – Vol. 53, no. 12. – P. 1305–1318.
  10. Meng, X.H., Huang, Y.X., Rao, D.P., et al. Comparison of three data mining models for predicting diabetes or prediabetes by risk factors // Kaohsiung J. Med. Sci. – 2013. – Vol. 29, no. 2. – P. 93–99.
  11. Anderson, J.P., Parikh, J.R., Shenfeld, D.K., et al. Reverse Engineering and Evaluation of Prediction Models for Progression to Type 2 Diabetes: An Application of Machine Learning Using Electronic Health Records // J. Diabetes. Sci. Technol. – 2015. – Vol. 10, no. 1. – P. 6–18.
  12. Choi, S.B., Kim, W.J., Yoo, T.K., et al. Screening for Prediabetes Using Machine Learning Models // Comput. Math. Methods Med. – 2014. – Vol. 2014. – Art. ID 618976.
  13. Çalisir, D., Dogantekin, E. An Automatic Diabetes Diagnosis System Based on LDA Wavelet Support Vector Machine Classifier // Expert Syst. Appl. – 2011. – Vol. 38, no. 7. – P. 8311–8315.
  14. Georga, E.I., Protopappas, V.C., Ardigò, D., et al. Multivariate Prediction of Subcutaneous Glucose Concentration in Type 1 Diabetes Patients Based on Support Vector Regression // IEEE J. Biomed. Health Inform. – 2013. – Vol. 17, no. 1. – P. 71–81.
  15. Han, L., Luo, S., Yu, J., et al. Rule Extraction from Support Vector Machines Using Ensemble Learning Approach: An Application for Diagnosis of Diabetes // IEEE J Biomed Health Inform. – 2015. – Vol. 19, no. 2. – P. 728–734.
  16. Sudharsan, B., Peeples, M., Shomali, M. Hypoglycemia Prediction Using Machine Learning Models for Patients with Type 2 Diabetes // J. Diabetes Sci. Technol. – 2015, – Vol. 9, no. 1. – P. 86–90.
  17. Georga, E.I., Protopappas, V.C., Ardigò, D., et al. A Glucose Model Based on Support Vector Regression for the Prediction of Hypoglycemic Events under Free Living Conditions // Diabetes Technol. Ther. – 2013. – Vol. 15, no. 8. – P. 634–643.
  18. Jensen, M.H., Mahmoudi, Z., Christensen, T.F., et al. Evaluation of an Algorithm for Retrospective Hypoglycemia Detection Using Professional Continuous Glucose Monitoring Data // J. Diabetes Sci. Technol. – 2014. – Vol. 8, no. 1. – P. 117–122.
  19. Nallicheri, A., Mahoney, K.M., Gutow, H.A., et al. Review of Automated Insulin Delivery Systems for Type 1 Diabetes and Associated Time in Range Outcomes // touchREV Endocrinol. – 2022. – Vol. 18, no. 1. – P. 27–34.
  20. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В. и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом // Вестник РАМН. – 2015. – Т. 70, № 5. – P. 549–560. [Karpel’ev, V.A., Filippov, Yu.I., Tarasov, Yu.V., et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients // Annals of the Russian Academy of Medical Sciences. – 2015. – Vol. 70, no. 5. – P. 549–560. (In Russian)]
  21. Soylu, S., Danisman, K. Comparison of PID based Control Algorithms for Daily Blood Glucose Control // Proceedings of the 2nd World Congress on Electrical Engineering and Computer Systems and Science (EECSS'16). – Budapest, Hungary, 2016. – doi: 10.11159/eee16.130.
  22. Ortmann, L., Shi, D., Dassau, E., et al. Gaussian Process-Based Model Predictive Control of Blood Glucose for Patients with Type 1 Diabetes Mellitus // 11th Asian Control Conference (ASCC). – Gold Coast, Australia, 2017. – P. 1092–1097.
  23. Tuppad, A., Patil, S.D. Machine Learning for Diabetes Clinical Decision Support: A Review // Adv. in Comp. Int. – 2022. – Vol. 2. – Art. no. 22. – doi: 10.1007/s43674-022-00034-y.
  24. Meng, X.H. Statistical Paradises and Paradoxes in Big Data (i): Law of Large Populations, Big Data Paradox, and the 2016 US Presidential Election // The Annals of Applied Statistics. – 2018. – Vol. 12, no. 2. – P. 685–726.
  25. Auffray, C., Charron, D., Hood, L. Predictive, Preventive, Personalized and Participatory Medicine: Back to the Future // Genome Medicine. – 2010. – Vol. 2. – Art. no. 57.
  26. Пальцев М.А., Белушкина Н.Н., Чабан Е.А. 4П-медицина как новая модель здравоохранения в российской федерации // ОРГЗДРАВ: новости, мнения, обучение. – 2015. – № 2. – C. 48–54. [Pal'tsev, M.A., Belushkina, N.N., Chaban, E.A. 4P-meditsina kak novaya model' zdravookhraneniya v rossiiskoi federatsii // ORGZDRAV: novosti, mneniya, obuchenie. – 2015. – No. 2. – P. 48–54. (In Russian)]
  27. Sorensen, J. A Physiological Model of Glucose Metabolism in Man and Its Use to Design and Assess Improved Insulin Therapies for Diabetes: Thesis (Sc. D.). – Boston: MIT, 1985. – 556 p.
  28. Markakis, M.G., Mitsis, G.D., Marmarelis, V.Z. Computational Study of an Augmented Minimal Model for Glycaemia Control // Proceedings of the 30-th IEEE EMBS Annual International Conference. – Vancouver, Canada, 2008. – P. 5445–5448.
  29. Древаль А.В., Шестакова Т.П., Древаль О.А. и др. Сложная математическая модель регулирования гликемии, включающая данные непрерывного мониторирования гдикемии и предназначенная для оптимизации помповой инсулинотерапии. В сб. «Помповая инсулинотерапия и непрерывное мониторирование гдикемии» (Ред. А.В. Древаль). – М.: ГЭОТАР-Медиа, 2019. – С. 255–265. [Dreval', A.V., Shestakova, T.P., Dreval', O.A., et al. Slozhnaya matematicheskaya model' regulirovaniya glikemii, vklyuchayu-shchaya dannye nepreryvnogo monitorirovaniya gdikemii i prednaznachennaya dlya optimizatsii pompovoi insulinoterapii. V sb. «Pompovaya insulinoterapiya i nepreryvnoe monitorirovanie gdikemiI» (Red. A.V. Dreval'). – M.: GEHOTAR-Media, 2019. – P. 255–265. (In Russian)]
  30. Михальский А.И., Новосельцева Ж.А. Моделирование непрерывной гликемической кривой // Труды 12-й Международной конференции «Управление развитием крупномасштабных систем» (MLSD-2019). – М.: ИПУ РАН, 2019. – С. 1161–1166. [Mikhal'skii, A.I., Novosel'tseva, Zh.A. Modeliro-vanie nepreryvnoi glikemicheskoi krivoi // Trudy 12-i Mezhduna-rodnoi konferentsii «Upravlenie razvitiem krupnomasshtabnykh sisteM» (MLSD-2019). – M.: IPU RAN, 2019. – P. 1161–1166. (In Russian)]
  31. Михальский А.И., Новосельцева Ж.А. Построение замкнутой системы управления уровнем глюкозы в крови с выделением персонализированных параметров модели объекта // Тр. 14-й Международной конференции «Управление развитием крупномасштабных систем» (MLSD-2021). – М.: ИПУ РАН. – 2021. – P. 1733–1740. [Mikhal'skii, A.I., Novosel'tseva, Zh.A. Postroenie zamknutoi sistemy upravleniya urovnem glyukozy v krovi s vydeleniem personalizirovannykh parametrov modeli ob’ekta // Trudy 14-i Mezhdunarodnoi konferentsii «Upravlenie razvitiem krupnomasshtabnykh sistem» (MLSD-2021). – M.: IPU RAN, 2021. – S. 1733–1740. (In Russian)]
  32. Древаль А.В., Новосельцев В.Н., Оркина Е.Л. Сложная математическая модель сахарного диабета в оценке различных механизмов патогенеза гипергликемии и подбора оптимальной помповой инсулинотерапии // Автоматика и телемеханика. – 1982. – № 11. – С. 174–176. [Dreval', A.V., Novosel'tsev, V.N., Orkina, E.L. Slozhnaya matematicheskaya model' sakharnogo diabeta v otsenke razlichnykh mekha-nizmov patogeneza giperglikemii i podbora optimal'noi pompovoi insulinoterapii // Avtomatika i Telemekhanika. – 1982. – No. 11. – P. 174–176. (In Russian)]
  33. Древаль А.В., Маколкин В.И., Новосельцев В.Н. и др. Проверка некоторых гипотез о патогенезе диабета методом математического моделирования // Биофизика. – 1983. – Т. 28, № 5. – С. 866–872. [Dreval', A.V., Makolkin, V.I., Novosel'tsev, V.N., et al. Proverka nekotorykh gipotez o patogeneze diabeta metodom matematicheskogo modelirovaniya // Biofizika. – 1983. – Vol. 28, no. 5. – P. 866–872. (In Russian)]
  34. Shirin, A., Della Rossa, F., Klickstein, I., et al. Optimal Regulation of Blood Glucose Level in Type 1 Diabetes Using Insulin and Glucagon.// PloS ONE. – 2019. – Vol. 14, no. 3. – e0213665, https:doi.org/10.1371/journal.pone.0213665.
  35. Marmarelis, V. Modeling Methodology for Nonlinear Physiological Systems // Ann. Biomed. Eng. – 1997. – Vol. 25. – P. 239–251.
  36. Мерков А.Б. Распознавание образов. Введение в методы статистического обучения. – М.: Едиториал УРСС, 2011. – 256 с. [Merkov, A.B. Raspoznavanie obrazov. Vvedenie v metody statisticheskogo obucheniya. – M.: Editorial URSS, 2011. – 256 s. (In Russian)]
  37. Marmarelis, V. Identification of Nonlinear Biological Systems Using Laguerre Expansions of Kernels // Ann. Biomed. Eng. – 1993. – Vol. 21. – P. 573–589.
  38. Дедов И.И., Шестакова М.В., Майоров А.Ю. и др. Сахарный диабет 1 типа у взрослых // Сахарный диабет. – 2020. – Т. 23. – № 1S. – С. 42–114. [Dedov, I.I., Shestakova, M.V., Mayorov, A.Y., et al. Diabetes Mellitus Type 1 in Adults. // Diabetes Mellitus. – 2020. – Vol. 23, no. 1S. – P. 42–114. (In Russian)]
  39. Covachev, B.P., Cox, D.J., Kumar, A.L., et al. Algorithmic Evaluation of Metabolic Control and Risk of Severe Hypoglycemia in Type 1 and Type 2 Diabetes Using Self-Monitoring Blood Glucose Data // Diabetes Technol. Ther. – 2003. – Vol. 5. – P. 817–828.
  40. Nallicheri, A., Mahoney, K.M., Gutow, H.A., et al. Review of Automated Insulin Delivery Systems for Type 1 Diabetes and Associated Time in Range Outcomes // touchREV Endocrinol. – 2022. – Vol. 18, no. 1. – P. 27–34.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».