| dc.description.abstract | Diabetes mellitus er en sykdom, som påvirker millioner av mennesker rundt om i verden. Sykdommen er delt inn i tre hovedtyper: type 1, type 2 og svangerskaps diabetes, og er karakterisert ved
utilstrekkelig eller defekt insulinsekresjon, insulinvirkning, eller begge deler, som resulterer i kronisk
hyperglykemi. For å håndtere sykdommen trengs tett blodsukkerkontroll, oppnådd ved måling av
blodsukkernivåer og eksogene insulininjeksjoner. Den vanligste formen for måling av glukosenivå for
personer med type 1 diabetes er kontinuerlige glukoseovervåkingssystemer, som måler glukosenivået
i interstitialvæsken, i underhudsvevet i kroppen.
Interstitiell væskeglukose er kjent for å ha forskjellig dynamikk fra blodsukker, og måling av glukose i
subkutant vev inkluderer dermed noen problemer, blant annet en tidsforsinkelse mellom interstitiell
væskeglukose og tilsvarende blodsukkernivå. I tillegg lider CGM-sensorer av flere typer sensor feil
og forstyrrelse. Slike problemer i kombinasjon med langsom dynamikk mellom blod- og interstitielle
væskerom reduserer kvaliteten på blodsukkerkontrollen ved bruk av CGM-systemer, noe som kan
føre til unngåelige hyper- og hypoglykemiske hendelser. En måte å bekjempe disse problemene på,
er gjennom estimering av blodsukkernivå.
I dette arbeidet har fire filtre og tre modeller blitt testet, for å oppnå et blodsukkerestimat, ved bruk
av kun CGM-sensoravlesninger: Finitt forskjellstilnærming av en omorganisert Steil-Rebrin-modell
av interstitiell væskeglukosedynamikk, robust totrinns Kalman-filter med ukjente pådrag som bruker
Steil-Rebrin-modellen med blodsukkernivå som ukjent pådrag, et standard Kalman-filter som bruker
en pådragsfri hastighetsmodell i kombinasjon med Steil-Rebrin-modellen, og et M-robust Kalmanfilter, som bruker samme modell som standard Kalman-filteret. Deres respektive estimat har blitt
observert og inspisert, og deres ytelse evaluert. Forbedringsmetoder, som glidende gjennomsnittlig
utjevning, vektet minste kvadraters lineær regresjon og lavpassfiltrering av målinger, er implementert
for å forbedre estimatens evne til å takle plutselige endringer i CGM-målinger, som ikke utgjør en
del av glukosedynamikken, samt for å sikre estimat robusthet. Ytelsen måles ved hjelp av statistiske
nøyaktighetsskårer som gjennomsnitt kvadratisk feil og gjennomsnittlig absolutt prosentvis feil, samt
observasjon av estimat standardavvik, der det er relevant. De utformede strukturene er evaluert
basert på data fra fire dyreforsøk utført på griser. Datasettene består av CGM-målinger, overført hver
1.2 sek, og sporadisk blodsukkermåling målt av en blodgassanalysator.
Resultatene indikerer at finitt forskjellsfilter samt robust totrinns Kalman-filter med ukjente pådrag
er utilstrekkelige til å estimere blodsukkernivået, basert kun på CGM-måling. Kalman-filter og
M-robuste Kalman-filterresultater viser tilstrekkelig kompensasjon av langsom blod- til interstitiell
væskedynamikk, og klarer å estimere blodsukkernivået nøyaktig, noe som er tydelig når man både
vurderer gjennomsnittlig kvadratfeil og gjennomsnittlig prosentvis feil, og estimatenes standardavvik. Estimatets robusthet forbedres ytterligere ved å bruke forbedringsmetoder, noe som gjenspeiles
i statistiske skårer, så vel som i figurer.
Vellykket kompensasjon for tidsforskyvning mellom blod- og interstitiell væskeglukosenivå vil sikre
tett blodsukkerkontroll, og lovende resultater for å oppnå dette, presenteres. Ytterligere forskning er
imidlertid fortsatt nødvendig, grunnet at både Kalman-filter og M-robust Kalman-filter lider av overestimering av glukosetopper, og viser egenskaper som ekstreme reaksjoner på plutselige endringer i
CGM-målinger, noe som vil føre til feil beslutningstaking i en kontrollalgoritme , eller av brukerne
selv. | |
| dc.description.abstract | Diabetes mellitus is a metabolic disorder, or disease, that affects millions of people around the globe.
The disease is divided into three main types: type 1, type 2 and gestational, and is characterized by
insufficient, or defect insulin secretion, insulin action, or both, resulting in chronic hyperglycemia.
In order to manage the disease, patients need tight blood glucose control, achieved by sensing blood
glucose levels, and exogenous insulin injections. The currently most common form of measuring
glucose level for people with type 1 diabetes is continuous glucose monitoring systems, which measures the glucose level in the interstitial fluid, in the subcutaneous tissue in the body.
Interstitial fluid glucose is known to have different dynamics from blood glucose, hence measuring
glucose in subcutaneous tissue does cause some inconveniences, most notably a time lag between
interstitial fluid glucose and corresponding blood glucose level. In addition CGM sensors are not
perfect, being exposed to several sensor errors and disturbances. Such issues in combination with
slow dynamics between blood and interstitial fluid compartments reduces quality of blood glucose
control when utilizing CGM systems, which may result in avoidable hyper- and hypoglycemic events.
One way to combat these issues, is through blood glucose level estimation.
In this work four filters, and three models have been tested, in order to achieve blood glucose estimates, using CGM sensor readings only: Finite difference approximation of a rearranged Steil-Rebrin
model of the interstitial fluid glucose dynamics, robust two stage Kalman filter with unknown inputs
using the Steil-Rebrin model with blood glucose level as the unknown input, a standard Kalman filter using an inputless rate-only model in combination with the Steil-Rebrin model, and a M-robust
Kalman filter, using the same model as the standard Kalman filter. Their respective estimates are
observed and inspected, and their performance evaluated. Enhancement methods, such as moving
average smoothing, weighted least squares linear regression, and low pass filtering of measurements,
are implemented to enhance the estimates ability to tackle sudden changes in CGM measurements,
not part of the glucose dynamics, and ensure estimate robustness. Performance is measured by
statistical accuracy scores mean squared error and mean absolute percentage error, as well as observing estimate standard deviation, where it relevant. The designed structures are evaluated on
data conducted from four animal experiments performed on pigs. The data sets consist of CGM
measurements, transmitted every 1.2 sec, and sporadic blood glucose measurement obtained by a
blood gas analyzer.
Results indicate that finite difference filter, as well as robust two stage Kalman filter with unknown
inputs, are insufficient in estimating blood glucose level based on CGM measurement only. Kalman
filter and M-robust Kalman filte results show sufficient compensation of slow blood to interstitial
fluid dynamics, and manages to accurately estimate blood glucose level, which is evident when both
considering mean squared error, mean absolute percentage error, and estimate standard deviation.
Estimate robustness is further improved when utilizing the proposed enhancement methods, which
is reflected in statistical scores, as well as figures.
Successfully compensating of time lag between blood and interstitial fluid glucose levels will ensure
tighter blood glucose control, and promising results for achieving this are presented. Further research is, however, still needed, seen as both Kalman filter and M-robust Kalman filter suffers from
overestimation of glucose peaks, and overreacts to sudden changes, not part of the actual blood glucose dynamics, in the CGM measurements, which will lead to incorrect decision making in a control
algorithms, or by users themselves. | |
