An OGI model for personalized estimation of glucose and insulin concentration in plasma

Weijie Wang; Shaoping Wang; Yixuan Geng; Yajing Qiao; Teresa Wu; Weijie Wang; Shaoping Wang; Yixuan Geng; Yajing Qiao; Teresa Wu

doi:10.3934/mbe.2021420

数学生物科学与工程

2021,第18卷, 第6版: 8499-8523. 数字对象标识：10.3934/mbe.2021420年

研究文章

个性化估计血糖和胰岛素浓度的OGI模型

1
北京航空航天大学自动化科学与电气工程学院，北京100191
2
北京航空航天大学大数据精准医学北京先进创新中心，北京100191
三。
美国亚利桑那州立大学和医学院计算、信息和决策系统工程学院，梅奥诊所，Tempe AZ 85281

收到：2021年7月14日 认可的：2021年9月22日 出版：2021年9月28日

血糖浓度（PGC）和胰岛素浓度（PIC）是糖尿病调节的两个重要指标，但很难直接测量。通常，PGC和PIC是根据连续血糖监测和胰岛素输送数据进行估计的。然而，诱导间变异性和外部干扰（如碳水化合物摄入）给准确估计带来了挑战。本研究通过识别个性化参数和外部干扰自适应估计PGC和PIC。建立了一个可观察的葡萄糖-胰岛素（OGI）动态模型，用于描述胰岛素吸收、葡萄糖调节和葡萄糖转运。模型参数和扰动可以扩展到可观测状态变量，并通过贝叶斯滤波估计器进行动态识别。实现了两种基本的基于高斯噪声的贝叶斯滤波估计器，扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波器（UKF）。鉴于非高斯噪声的普遍存在，本研究设计并实现了两种新的滤波估计器：高斯噪声粒子滤波（PFG）和混合非高斯噪声粒子滤波器（PFM）。使用来自30名计算机受试者和10名人类参与者的数据，对所提出的OGI模型和估计量进行了评估。对于电子化受试者，带PFM估计器的OGI能够自适应估计PIC和PGC，RMSE为PIC$9.49\pm3.81$mU/L和PGC$0.89\pm0.19$mmol/L。对于人类，带PFMOGI有望识别干扰（$95.46\%\pm0.65\%$膳食识别准确率）。OGI模型提供了一种实时完全个性化参数和外部干扰的方法，对人工胰腺具有潜在的临床应用价值。
- 人工胰腺,
- 模型个性化,
- 贝叶斯滤波器,
- 血糖浓度,
- 血浆胰岛素浓度
引用：王伟杰、王绍平、耿一轩、乔亚静、吴特蕾莎。用于个性化估计血浆中葡萄糖和胰岛素浓度的OGI模型[J]。数学生物科学与工程，2021，18（6）：8499-8523。doi:10.3934/mbe.2021420年

相关论文：

摘要

血糖浓度（PGC）和胰岛素浓度（PIC）是糖尿病调节的两个重要指标，但很难直接测量。通常，PGC和PIC是根据连续血糖监测和胰岛素输送数据进行估计的。然而，诱导间变异性和外部干扰（如碳水化合物摄入）给准确估计带来了挑战。本研究旨在通过识别个性化参数和外部干扰，自适应地估计PGC和PIC。建立了一个可观察的葡萄糖-胰岛素（OGI）动态模型，用于描述胰岛素吸收、葡萄糖调节和葡萄糖转运。模型参数和扰动可以扩展到可观测状态变量，并通过贝叶斯滤波估计器进行动态识别。实现了两种基本的基于高斯噪声的贝叶斯滤波估计器，扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波器（UKF）。鉴于非高斯噪声的普遍存在，本研究设计并实现了两种新的滤波估计器：高斯噪声粒子滤波（PFG）和混合非高斯噪声粒子滤波器（PFM）。提出的OGI模型与估计器结合使用了来自30名电子受试者和10名人类参与者的数据进行评估。对于电子化受试者，带PFM估计器的OGI能够自适应估计PIC和PGC，RMSE为PIC$9.49\pm3.81$mU/L和PGC$0.89\pm0.19$mmol/L。对于人类，带PFMOGI有望识别干扰（$95.46\%\pm0.65\%$膳食识别准确率）。OGI模型提供了一种实时完全个性化参数和外部干扰的方法，对人工胰腺具有潜在的临床应用价值。

参考文献

[1]	M.A.Atkinson，G.S.Eisenbarth，A.W.Michels，1型糖尿病，刺胳针,383(2014), 69–82.
[2]	美国糖尿病协会，糖尿病诊断和分类，糖尿病护理,33（2010年），第62至第69章。数字对象标识：10.2337/dc10-S062
[3]	C.Cobelli、C.Dalla Man、G.Sparacino、L.Magni、G.De Nicolao、B.P.Kovatchev，《糖尿病：模型、信号和控制》，IEEE Rev.生物识别。工程师。,2(2009), 54–96.
[4]	T.Danne，R.Nimri，T.Battelino，R.M.Bergenstal，K.L.Close等，《关于使用持续血糖监测的国际共识》，糖尿病护理,40(2017), 1631–1640. 数字对象标识：10.2337/dc17-1600
[5]	S.V.Edelman，N.B.Argento，J.Pettus，I.B.Hirsch，实时和间歇扫描连续血糖监测的临床意义，糖尿病护理,41(2018), 2265–2274. 数字对象标识：10.2337/dc18-1150
[6]	L.Heinemann，G.A.Fleming，J.R.Petrie，R.W.Holl，R.M.Bergenstal，A.L.Peters，《胰岛素泵的风险和益处：泵安全标准的临床评估、不良事件报告和研究需求》，糖尿病护理,38（2015），716–722。
[7]	S.Brown，D.Raghinaru，E.Emory，B.Kovatchev，《首先看Control-IQ：新一代自动胰岛素输送系统》，糖尿病护理,41(2018), 2634–2636. 数字对象标识：10.2337/dc18-1249
[8]	E.Atlas，R.Nimri，S.Miller，E.A.Grunberg，M.Phillip，MD-基因人工胰腺系统：一项针对成年人1型糖尿病的初步研究，糖尿病护理,33(2010), 1072–1076. 数字对象标识：10.2337/dc09-1830
[9]	K.Turksoy，E.Littlejohn，A.Cinar，《1型糖尿病患者的多模块多变量人工胰腺：在挑战性条件下调节血糖浓度》，IEEE控制系统。美格。,38(2018), 105–124. 数字对象标识：10.1109立方米.2017.2766326
[10]	S.O'Neill，技术、药物和治疗更新，迪亚贝特。英国糖尿病协会医学杂志。,37(2020), 709–711. 数字对象标识：10.1111/dme.14229
[11]	G.E.Umpierrez，D.C.Klonoff，《糖尿病技术更新：医院使用胰岛素泵和持续血糖监测》，糖尿病护理,41(2018), 1579–1589. 数字对象标识：10.2337/dci18-0002
[12]	J.Bondia，S.Romero-Vivo，B.Ricarte，J.L.Diez，胰岛素估计和预测：闭环血糖控制中皮下胰岛素药代动力学估计和预测的综述，IEEE控制系统。美格。,38(2018), 47–66. 数字对象标识：10.1109/MCS.2017.2766312
[13]	J.Pickup，H.Keen，25年持续皮下胰岛素输注：胰岛素泵疗法在1型糖尿病中广泛应用的证据基础，糖尿病护理,25(2002), 593–598. 数字对象标识：10.2337/双星.25.3.593
[14]	I.Hajizadeh，M.Rashid，S.Samadi，M.Sevil，A.Cinar，使用血浆胰岛素估计值的自适应个性化多变量人工胰腺，J.过程控制,80(2019), 26–40. 数字对象标识：2016年10月10日/j.jprocont.2019.05.003
[15]	C.Neatpisarnvanit，J.R.Boston，从血糖中估算血浆胰岛素，IEEE事务。生物识别。工程师。,49(2002), 1253–1259. 数字对象标识：10.1109/TBME.2002.804599（待定）
[16]	C.M.Ramkissoon、P.Herrero、J.Bondia、J.Vehi，《人工胰腺中的未宣布膳食：使用连续血糖监测进行检测》，传感器,18(2018), 884–901. 数字对象标识：10.3390/s18030884
[17]	L.O.Avila，M.De Paula，C.R.Sanchez-Reinoso，使用非线性过滤技术估计血糖变异下的血浆胰岛素浓度，生物系统,171(2018), 1–9.
[18]	D.de Pereda，S.Romero Vivo，B.Ricarte，P.Rossetti，F.J.Ampudia Blasco，J.Bondia，通过连续血糖监测仪测量实时估计血浆胰岛素浓度，计算机方法生物技术。生物识别。工程师。,19(2016), 934–942. 数字对象标识：10.1080/10255842.2015.1077234
[19]	K.Turksoy、I.Hajizadeh、S.Samadi、J.Feng、M.Sevil等，使用人工胰腺进行未经宣布的膳食的实时胰岛素注射，控制工程实践。,59(2017), 159–164. 数字对象标识：2016年10月10日/j.工程2016.08.001
[20]	A.C.Charalampidis、K.Pontikis、G.D.Mitsis、G.Dimitriadis、V.Lampadiari等，使用卡尔曼和粒子滤波校准微透析传感器和ICU患者的递归血糖水平估计，生物识别。信号处理。控制,27(2016), 155–163. 数字对象标识：2016年10月10日/j.bssp.2015.11.003
[21]	I.Hajizadeh、M.Rashid、K.Turksoy、S.Samadi、J.Feng等，1型糖尿病患者的血浆胰岛素估计，工业。工程化学。物件。,56(2017), 9846–9857. 数字对象标识：10.1021/acs.iecr.7b01618
[22]	J.Ko，D.Fox，GP-贝叶斯滤波器：使用高斯过程预测和观测模型的贝叶斯滤波，自动。机器人。,27(2009), 75–90. 数字对象标识：2007年10月10日/10514-009-9119-x
[23]	Y.Ruan，M.E.Wilinska，H.Thabit，R.Hovorka，在家中使用闭环胰岛素12周后葡萄糖-胰岛素调节的日常变化建模，IEEE事务。生物识别。工程师。,64(2016), 1412–1419.
[24]	Wang，S.Wang，X.Wang，D.Liu，Y.Geng，T.Wu，葡萄糖-胰岛素混合物模型及其在夜间短期低血糖预测中的应用，IEEE事务。生物识别。工程师。,68(2021), 834–845. 数字对象标识：10.1109/TBME.2020.3015199（待定）
[25]	W.Liu，鲁棒血糖跟踪的数学模型，数学。Biosci公司。工程师。,16(2019), 759–781. 数字对象标识：10.3934/月2019036日
[26]	K.Fessel，J.B.Gaither，J.K.Bower，T.Gaillard，K.Osei，G.A.RempałA，葡萄糖调节模型的数学分析，数学。Biosci公司。工程师。,13(2016), 83–99. 数字对象标识：10.3934/mbe.2016.13.83
[27]	H.F.Arguedas，M.A.Capistran，口服葡萄糖耐量试验期间葡萄糖动力学的贝叶斯分析，数学。Biosci公司。工程师。,18(2021), 4628-4647. 数字对象标识：10.3934/mbe.2021235
[28]	X.Shi，Q.Zheng，J.Yao，J.Li，X.Zhou，带时滞的随机IVGTT葡萄糖-胰岛素模型分析，数学。Biosci公司。工程师。,17(2020), 2310–2329. 数字对象标识：2012年10月3934日/月23日
[29]	N.Chopin，静态模型的序贯粒子滤波方法，生物特征,89（2002），539–552。数字对象标识：10.1093/生物组/89.3.539
[30]	J.Wei，G.Dong，Z.Chen，使用粒子滤波和支持向量回归对锂离子电池的剩余使用寿命预测和健康状态诊断，IEEE事务。工业。选举。,65(2017), 5634–5643.
[31]	M.S.Arulampalam、S.Maskell、N.Gordon、T.Clapp，在线非线性/非高斯贝叶斯跟踪粒子滤波器教程，IEEE事务。信号处理。,50(2002), 174–188. 数字对象标识：10.1109年/78.978374年
[32]	R.N.Bergman，L.S.Phillips，C.Cobelli，《人类糖耐量控制因素的生理评估：从静脉葡萄糖反应中测量胰岛素敏感性和β细胞葡萄糖敏感性》，临床杂志。投资。,68(1981), 1456–1467. 数字对象标识：10.1172/JCI110398
[33]	A.De Gaetano，O.Arino，静脉葡萄糖耐量试验的数学模型，数学杂志。生物。,40(2000), 136–168. 数字对象标识：2017年10月10日/002850005007
[34]	E.Horová、J.Mazoch、J.HiIgertová，J.Kvasnička、J.Škrha等，1型糖尿病患者在高胰岛素等血糖和高血糖钳夹期间，急性高血糖不会损害微血管反应性和内皮功能，专家。糖尿病研究。,2012, 59–66.
[35]	N.Magdelaine，L.Chaillous，I.Guilhem，J.-Y.Poirier，M.Krempf等人，1型糖尿病葡萄糖-胰岛素动力学的长期模型，IEEE事务。生物识别。工程师。,62(2015), 1546–1552. 数字对象标识：10.1109/TBME.015.2394239（待定）
[36]	R.Hermann，A.Krener，非线性可控性和可观测性，IEEE事务。自动。控制,22(1977), 728–740. 数字对象标识：10.1109/TAC.1977.1101601
[37]	Q.Ma，非线性系统可观测性的结构条件，国际法院通知。Technol公司。计算机科学。,三(2011), 16–22.
[38]	C.Yardim，Z.H.Michalopoulou，P.Gerstoft，海洋声学中序贯贝叶斯滤波概述，IEEE J.海洋。工程师。,36(2011), 71–89. 数字对象标识：10.1109/JOE.2010.20810
[39]	C.Eberle，C.Ament，The Unscented Kalman Filter通过血糖测量估算血浆胰岛素，生物系统,103(2011), 67–72. 数字对象标识：2016年10月10日/j.biosystems.2010年9月12日
[40]	T.Li，M.Bolic，P.M.Djuric，《粒子滤波的重采样方法：分类、实施和策略》，IEEE信号处理。美格。,32(2015), 70–86.
[41]	B.M.Hill，点源疫情的三参数对数正态分布和贝叶斯分析，美国统计协会。,58(1963), 72–84. 数字对象标识：10.1080/01621459.1963.10500833
[42]	C.D.Man、F.Micheletto、D.Lv、M.Breton、B.Kovatchev、C.Cobelli，UVA/PADOVA 1型糖尿病模拟器：新功能，糖尿病科学杂志。Technol公司。,8(2014), 26–34. 数字对象标识：10.1177/1932296813514502
[43]	R.Visentin，C.Dalla Man，C.Cobelli，1型糖尿病受试者的一天贝叶斯克隆：朝向一天UVA/Padova 1型糖尿病模拟器，IEEE事务。生物识别。工程师。,63(2016), 2416–2424. 数字对象标识：10.1109年/月2016年25月35241日
[44]	B.P.Kovatchev，M.Breton，C.D.Man，C.Cobelli，《电子临床前试验：1型糖尿病闭环控制的概念验证》，糖尿病科学杂志。Technol公司。,三(2009), 44–55. 数字对象标识：10.1177/193229680900300106
[45]	C.Cobelli，C.D.Man，M.G.Pedersen，A.Bertoldo，《通过建模促进我们对葡萄糖系统的理解：一个视角》，IEEE事务。生物识别。工程师。,61(2014), 1577–1592. 数字对象标识：10.1109/TBME.2014.2310514（待定）
[46]	S.Samadi，K.Turksoy，I.Hajizadeh，J.Feng，M.Sevil，A.Cinar，使用连续葡萄糖传感器数据进行膳食检测和碳水化合物估计，IEEE生物医学杂志。健康信息。,21(2017), 619–627. 数字对象标识：10.1109/JBHI.2017.2677953号
[47]	K.Turksoy，S.Samadi，J.Feng，E.Littlejohn，L.Quinn，A.Cinar，1型糖尿病患者的膳食检测：多变量自适应人工胰腺控制系统的新模块，IEEE生物医学杂志。健康信息。,20(2015), 47–54.
[48]	M.Vettoretti，A.Facchinetti，G.Sparacino，C.Cobelli，1型糖尿病患者决策模拟器，用于电子测试胰岛素治疗的安全性和有效性，IEEE事务。生物识别。工程师。,65(2017), 1281–1290.
[49]	M.Breton，B.Kovatchev，连续血糖传感器准确性的分析、建模和模拟，糖尿病科学杂志。Technol公司。,2(2008), 853–862. 数字对象标识：10.1177/193229680800200517
[50]	D.J.Albers，M.Levine，B.Gluckman，H.Ginsberg，G.Hripcsak，L.Mamykina，使用数据同化对2型糖尿病进行个性化血糖预测，公共科学图书馆计算。生物。,13(2017), 1–38.
[51]	F.Rahmanian，M.Dehghani，P.Karimaghaee，M.Mohammadi，R.Abolpour，基于非线性时变血糖模型的糖尿病患者血糖的半实物控制，生物识别。信号处理。控制,66(2021), 1–12.