Show simple item record

dc.contributor.advisorFougner, Anders Lyngvi
dc.contributor.authorStige, Peter Martinius
dc.date.accessioned2019-10-31T15:08:21Z
dc.date.issued2019
dc.identifierno.ntnu:inspera:35771502:18394464
dc.identifier.urihttp://hdl.handle.net/11250/2625722
dc.descriptionFull text available on 2022-06-03
dc.description.abstractFor personer med diabetes mellitus er det avgjørende å holde blodsukkernivået innenfor det anbefalte området etter måltider. Mange gjør dette ved selv å telle karbohydrater, og deretter bestemme mengden insulin som skal settes. En glykemisk responskalkulator som tar mer enn bare karbohydrater med i betraktningen ville vært et nyttig hjelpemiddel for dette. I dette prosjektet har bruken av en glykemisk model som grunnlag for en glykemisk responskalkulator blitt undersøkt. Et sammendrag av teorier og metoder for å forklare og modellere blodsukkerrespons etter måltider har blitt presentert. Forskjellig arbeid på feltet som omhandler estimering av måltidsparametere er beskrevet, med vekt på å bruke et mobilkamera sammen med et bildeanalyseringsprogram for å estimere. Blodsukkerrespons-studier brukt i Rozendaal et al. ble samlet og puttet i et datasett, sammen med ytterligere info om næringsstoffer i måltidene. To forsøkspersoner målte også blodsukkeret sitt over to uker, ved bruk av CGM, mens de samtidig noterte hva de spiste, og når. Den samlede dataen ble analysert ved bruk av PLSR, for å finne korrelasjoner mellom måltidsparametere og glykemisk respons. PLSR-analysen viste noe korrelasjon mellom makronæringsstoffene (fett, protein og fiber) og blodsukkerrespons. To lavere ordens glykemiske modeller, kalt \textit{The identifiable virtual patient model} (IVP) og \textit{The subcutaneous oral glucose minimal model} (SOGMM), ble endret på tre forskjellige måter, for å kunne ta hensyn til mengden fett, protein og fiber i måltidene, for å predikere blodsukkerresponser. Måltidsparameterene og blodsukkerresponsene ble brukt i algoritmer for modellparameterestimering, for å prøve å forutse måltidsresponser. Resultatene ble sammenliknet med resultatene fra prediksjoner gjort med de originale modellene, som ikke tar hensyn til fett, protein og fiber. Den største modellen, SOGMM, oppnådde de beste prediksjonsresultatene totalt sett. Den inverse korrelasjonen funnet mellom blodsukkerrespons og fett, protein og fiber i PLSR-analysen, ble ikke reprodusert i prediksjonene utført av de glykemiske modellene. Generelt klarte modellene som ikke tok hensyn til fett, protein og fiber å predikere bedre enn modellene som gjorde det.
dc.description.abstractFor people with diabetes mellitus, it is crucial to keep the plasma glucose concentration levels in inside the recommended range after meals. Many do this by counting carbohydrates manually, and deciding the insulin bolus thereafter. To help with this, a glucose response calculator which takes more than the amount of carbohydrates into consideration would be a useful aid. In this project, the use of a glycemic model as the foundation of a glycemic response calculator have been studied. A summary of theories and methods to explain and model glucose responses after meal intake have been presented. Different research in the area of meal parameter estimation is described, with emphasis on using a smartphone camera with image classification algorithms to estimate. Glucose response studies described in Rozendaal et al. was collected and put into a dataset, together with additional macronutrient information about the meals. Also, two study subjects used CGMs to record plasma glucose measurements in their daily lifes, while they also wrote down what they ate, and when. The data gathered were analysed using PLSR, to find the correlations between meal parameters and glucose responses. The PLSR analysis showed some correlation between the macronutrients (fat, protein and fiber) and the glucose response. Two lower order glycemic models, namely \textit{The identifiable virtual patient model} (IVP) and \textit{The subcutaneous oral glucose minimal model} (SOGMM), was altered in three different ways, to take into account the amount of fat, protein and fiber in the meals when predicting glucose responses. The meal input and glucose response data was used in parameter estimation algorithms, to try and predict meal responses. The results were compared to the results of predictions using the unaltered models, without fat, protein and fiber as input. The largest model, SOGMM, obtained the best prediction results overall. The inverse correlations found between glucose response and fat, protein and fiber in the PLSR analysis, were not reproduced in the glycemic model predictions. In general, the models not taking fat, protein and fiber into account did better than the models that did.
dc.languageeng
dc.publisherNTNU
dc.titleModelling and Implementation of Glycemic Response Calculator
dc.typeMaster thesis


Files in this item

FilesSizeFormatView

This item appears in the following Collection(s)

Show simple item record