An AI-enabled dual-hormone model predictive control algorithm that delivers insulin and pramlintide
作者: Peter G. Jacobs, Wade Hilts, Robert Dodier, Joseph Leitschuh, Jae H. Eom, Deborah Branigan, Forrest Ling, Matthew Howard, Clara Mosquera-Lopez, Leah Wilson
分类: eess.SY
发布日期: 2025-03-23
备注: 15 pages, 8 figures, 4 tables, pre-print with expanded Supplementary Materials section, accepted and will be published in IFAC Diabetes Technology Conference
💡 一句话要点
提出AI驱动的双激素模型预测控制算法，实现胰岛素和普兰林肽的自动输注。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人工胰腺 模型预测控制 双激素控制 普兰林肽 胰岛素 神经网络 餐食检测
📋 核心要点
- 现有闭环胰岛素输注算法依赖碳水化合物摄入信息，给使用者带来负担，需要探索无需餐前告知的方案。
- 该研究提出AI驱动的双激素MPC算法，结合普兰林肽延缓胃排空特性，实现胰岛素和普兰林肽的自动协同输注。
- 模拟实验表明，固定比例输注普兰林肽的MPC算法显著提升了目标血糖范围内的时间(TIR)，优于仅胰岛素方案。
📝 摘要（中文）
本文提出了一种AI驱动的双激素模型预测控制(MPC)算法，该算法无需餐前告知即可自动输注胰岛素和普兰林肽。该算法使用神经网络自动检测并输注餐时胰岛素。MPC算法包含一种新的普兰林肽药代动力学和药效学模型，该模型通过对1型糖尿病患者进行餐食挑战收集的数据进行识别。使用模拟器，我们评估了各种普兰林肽输注方法和控制器模型的性能，以及仅使用胰岛素的基线情况。餐食剂量由神经网络餐食检测和剂量(MDD)算法自动确定。主要结果是葡萄糖在目标范围内的时间百分比(TIR: 70-180 mg/dL)。结果表明，使用了解普兰林肽的MPC以6 mcg普兰林肽:1 u胰岛素的固定比例输注普兰林肽，与仅使用胰岛素的MPC相比，TIR得到了最显著的改善(91.6% vs. 64.1%)。以固定比例输注普兰林肽优于以恒定速率输注基础普兰林肽，表明了MDD算法的优势。与以固定比例输注胰岛素和普兰林肽相比，独立控制胰岛素和普兰林肽没有优势。来自人体受试者的初步真实世界结果进一步表明了普兰林肽输注的益处。
🔬 方法详解
问题定义：当前闭环胰岛素输注系统需要用户手动输入碳水化合物摄入量，这给用户带来了不便。因此，需要开发一种无需用户手动输入餐食信息的全自动闭环控制系统。
核心思路：利用普兰林肽延缓胃排空的作用，使胰岛素的药代动力学与碳水化合物的吸收动力学相匹配，从而减少餐后血糖波动。同时，使用AI算法自动检测餐食并计算胰岛素剂量，实现全自动控制。
技术框架：该算法包含以下几个主要模块：1) 神经网络餐食检测和剂量(MDD)算法，用于自动检测餐食并计算胰岛素剂量；2) 普兰林肽药代动力学和药效学模型，用于预测普兰林肽对血糖的影响；3) 模型预测控制(MPC)算法，用于根据血糖预测和目标范围，优化胰岛素和普兰林肽的输注速率。
关键创新：该研究的关键创新在于将AI技术与双激素控制相结合，实现了无需餐前告知的全自动闭环控制。此外，该研究还提出了一个新的普兰林肽药代动力学和药效学模型，更准确地描述了普兰林肽的作用。
关键设计：该研究采用固定比例的胰岛素和普兰林肽输注方案，即6 mcg普兰林肽:1 u胰岛素。神经网络MDD算法的具体结构和训练细节未知。MPC算法的目标函数和约束条件未知，但其目的是使血糖尽可能接近目标范围(70-180 mg/dL)。
📊 实验亮点
模拟实验结果表明，使用固定比例(6 mcg普兰林肽:1 u胰岛素)输注普兰林肽的MPC算法，目标血糖范围内时间(TIR)达到91.6%，显著优于仅使用胰岛素的MPC算法(64.1%)。该结果表明，普兰林肽的加入能够显著改善血糖控制效果。
🎯 应用场景
该研究成果可应用于开发全自动闭环人工胰腺系统，显著减轻糖尿病患者的管理负担，提高血糖控制水平，降低并发症风险。该系统有望改善患者的生活质量，并为个性化糖尿病管理提供新的途径。
📄 摘要（原文）
Current closed-loop insulin delivery algorithms need to be informed of carbohydrate intake disturbances. This can be a burden on people using these systems. Pramlintide is a hormone that delays gastric emptying, which enables insulin kinetics to align with the kinetics of carbohydrate absorption. Integrating pramlintide into an automated insulin delivery system can be helpful in reducing the postprandial glucose excursion and may be helpful in enabling fully-closed loop whereby meals do not need to be announced. We present an AI-enabled dual-hormone model predictive control (MPC) algorithm that delivers insulin and pramlintide without requiring meal announcements that uses a neural network to automatically detect and deliver meal insulin. The MPC algorithm includes a new pramlintide pharmacokinetics and pharmacodynamics model that was identified using data collected from people with type 1 diabetes undergoing a meal challenge. Using a simulator, we evaluated the performance of various pramlintide delivery methods and controller models, as well as the baseline insulin-only scenario. Meals were automatically dosed using a neural network meal detection and dosing (MDD) algorithm. The primary outcome was the percent time glucose is in the target range (TIR: 70-180 mg/dL). Results show that delivering pramlintide at a fixed ratio of 6 mcg pramlintide:1 u insulin using an MPC that is aware of the pramlintide achieved the most significant improved TIR compared with an insulin-only MPC (91.6% vs. 64.1%). Delivering pramlintide as a fixed ratio was better than delivering basal pramlintide at a constant rate, indicating the benefit of the MDD algorithm. There was no advantage of independent control of insulin and pramlintide compared with insulin and pramlintide delivered as a fixed ratio. Preliminary real-world results from a human subject further indicate the benefit of pramlintide delivery.