Étude

DIABELOOP

Modèles physiologiques

(2015)

Comparaison in silico de modèles physiologiques et de leur implémentation pour un pancréas artificiel pour le traitement du diabète de type 1 via la création d’un simulateur

Étude terminée

 
  • Rationnel de l'étude

l’objectif principal de l’insulinothérapie en boucle fermée (BF) dans le diabète de type 1 (DT1) est de montrer que la personnalisation du modèle d’Hovorka permet d’interpréter les trajectoires de glycémies pour un historique patient de données réelles.

 
  • Méthodes

 

Les algorithmes de contrôle selon le modèle prédictif (MPC) sont des modèles physiologiques compartimentaux du couple insuline/glucose, utilisés dans le développement de la plupart des projets de boucle fermée pour le traitement du diabète de type 1 (également appelé Pancréas Artificiel).

 

Les 2 principaux modèles utilisés sont ceux de Cobelli et al., et de Hovorka et al.

 

Une implémentation du modèle d’Hovorka a été faite dans un simulateur Diabeloop/CEA, et comparée avec le simulateur de l’équipe de Cambridge.

À partir de ce simulateur et des données réelles de patients (basal, bolus, repas, mesure de glucose interstitiel continue (CGM)) obtenues lors des campagnes de mises au point du pancréas artificiel Diabeloop, un algorithme de personnalisation du modèle a été développé et qualifié sur sa capacité à interpréter et reconstruire les trajectoires de glycémies des patients réels.

 
  • Résultats obtenus

Les performances de la méthode ont été évaluées en calculant l’erreur quadratique moyenne entre l’historique de glycémies calculées par l’algorithme et celles mesurées par le CGM.

 

Ces erreurs ont été calculées sur 10 patients, sur des plages de 8 heures et des données durant 48 heures.

 

Les résultats montrent que ce critère d’erreur quadratique moyenne est souvent acceptable (i.e. les courbes de glycémies reconstruites et obtenues par le CGM se superposent).

 
  • Conclusion de l'étude

La personnalisation du modèle d’Hovorka est possible à partir de données réelles et les expérimentations menées ont permis de montrer les bonnes performances de ce modèle pour décrire les évolutions de glycémies des patients. 

 

Cette approche semble donc intéressante pour la mise au point d’un algorithme de type modèle prédictif de régulation automatisée de la glycémie pour le sujet diabétique de type 1.

Dernière mise à jour : 03/12/2019

SUIVEZ NOUS

  • YouTube
depuis le 15/11/2019

2019 © CERITD. Le contenu et toutes les informations fournies sur ce site sont donnés seulement à titre d’information et ne visent pas à se substituer à un avis médical, un diagnostic ou un traitement de quelque manière que ce soit. Les renseignements sur votre traitement ou décisions thérapeutiques doivent faire l’objet d’une discussion avec votre médecin.