Estimating Glucose Appearance Rate in Blood After Meal Digestion using Sequential Machine Learning

Abstract

Diabetes mellitus er en sykdom der kroppens evne til å regulere glukosenivået blir hemmet av manglende insulinproduksjon i bukspyttkjertelen. Det finnes per dags dato ingen kur for denne sykdommen, men flere utforsker løsninger med mål om å minske sannsynligheten for komplikasjoner fra behandling og bedre livskvaliteten til pasienter med diabetes. En av disse løsningene er utviklingen av en kunstig bukspyttkjertel (Artificial Pancreas (AP)), som er et lukket-sløyfe system designet for å erstatte eller hjelpe glukosereguleringsfunksjonaliteten til bukspyttkjertelen. En av hovedfaktorene som påvirker glukoseregulering er inntak av mat, som får glukosenivået i blodet til å stige. Det er gunstig om den vet tidspunktet måltidene blir inntatt og effekten de har på glukosenivået, for at en kunstig bukspyttkjertel skal kunne kompensere for denne økningen.

I denne masteroppgaven forsøker vi å estimere opptaket av glukose i blodet etter måltider ved hjelp av en estimator basert på sekvensiell maskinlæring. Estimatoren trenes ved bruk av et stort datasett med simulert treningsdata, og blir testet med både simulert data og data fra dyreeksperimenter. Resultatene viser at den foreslåtte estimatoren har god ytelse for begge testsettene. Det må understrekes at ingen av testsettene kan bli sett på som helt uavhengige fra den trente modellen. Derfor er det nødvendig å hente inn mer test data for å kunne konkludere med den reelle nøyaktigheten av estimatene.

Videre, utforsker oppgaven effekten av å bruke den foreslåtte estimatoren i et kontrollsystem for en bi-hormonell kunstig bukspyttkjertel designet av det tverrfaglige forskningsteamet Artificial Pancreas Trondheim. Hovedutfordringen til den nåværende kontrollalgoritmen er dårlig robusthet ved høy glukagonaktivitet. Tester ved simulering indikerer at kontrolleren får en økt robusthet til glukagon ved å benytte seg av estimatene fra den foreslåtte estimatoren.

Diabetes mellitus is a disease characterized by impaired glucose regulation due to the lack of insulin production in the pancreas. There is no immediate cure for this disease; however, several solutions are being explored to reduce the probability of complications in treatment and increase the quality of life of people living with diabetes. One such solution is the creation of an artificial pancreas, a closed-loop system designed to replace the glucose regulatory functionality of the pancreas. One of the main factors affecting glucose regulation is the ingestion of meals, which will induce a rise in the blood glucose level. For an artificial pancreas to compensate for this rise, it is beneficial that it knows the timing and the effect the meals have on the blood glucose level.

This thesis proposes a sequential machine learning algorithm to estimate the rate of appearance of glucose in the blood as a result of meals. The estimator is trained using a large dataset of simulated training data, and its performance is tested on simulated test data and data from animal experiments. The results show that the proposed estimator has a good performance on both test sets. However, neither of the test sets can be seen as genuinely independent of the proposed estimator, meaning that more test data is needed to conclude the actual general performance.

Furthermore, the thesis explores the effect of including the proposed model in the control system of a bi-hormonal artificial pancreas designed by the \acrfull{apt} research team. The main problem of the current controller is poor robustness to high glucagon action. Tests by simulation indicated that including the estimations from the proposed estimator improved the robustness to high glucagon action.