CN107851224A - 用于1型糖尿病应用的人工胰腺的速度‑加权模型预测控制 - Google Patents

用于1型糖尿病应用的人工胰腺的速度‑加权模型预测控制 Download PDF

Info

Publication number
CN107851224A
CN107851224A CN201680044685.7A CN201680044685A CN107851224A CN 107851224 A CN107851224 A CN 107851224A CN 201680044685 A CN201680044685 A CN 201680044685A CN 107851224 A CN107851224 A CN 107851224A
Authority
CN
China
Prior art keywords
speed
glucose
control
mpc
controller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680044685.7A
Other languages
English (en)
Other versions
CN107851224B (zh
Inventor
R·L·贡德哈利卡
E·达索
F·J·道尔三世
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of California
Original Assignee
University of California
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of California filed Critical University of California
Publication of CN107851224A publication Critical patent/CN107851224A/zh
Application granted granted Critical
Publication of CN107851224B publication Critical patent/CN107851224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/142—Pressure infusion, e.g. using pumps
    • A61M2005/14208—Pressure infusion, e.g. using pumps with a programmable infusion control system, characterised by the infusion program
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/20—Blood composition characteristics
    • A61M2230/201—Glucose concentration

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Anesthesiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Vascular Medicine (AREA)
  • Veterinary Medicine (AREA)
  • Diabetes (AREA)
  • External Artificial Organs (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

控制胰岛素输送的方法、装置、算法和系统采用速度加权。预测的葡萄糖结果受到作为葡萄糖速度的函数的因数调制的成本的惩罚，其中当葡萄糖水平高时，针对越来越负的葡萄糖速度，葡萄糖结果越来越少地受到惩罚，和/或其中，已经收敛到血糖正常区域的高血糖值导致控制器的校正动作比在高血糖状态稳定的情况下更少。

Description

用于1型糖尿病应用的人工胰腺的速度-加权模型预测控制
发明人：Ravi L.Gondhalekar/US，Eyal Dassau/IL，Francis J.Doyle III/US，均来自加利福尼亚州的圣芭芭拉。
申请人：加利福尼亚大学董事会。
本发明是在由国立卫生研究院(NIH)授予的资助编号为DP3DK094331和ROIDK085628的政府支持下完成的。政府对本发明享有一定的权利。
背景技术
1型糖尿病(T1DM)是一种代谢性自身免疫疾病，其特征在于胰腺β细胞的破坏，并且导致身体不能产生胰岛素，胰岛素是一种促进从血流至许多类型的细胞中的葡萄糖的吸收并参与调节至/从血流的葡萄糖的肝脏释放/去除的内分泌反馈回路的激素。患有T1DM的人需要将胰岛素从外部源输送到他们的血流中，并且维持健康的血糖水平往往很困难。低血糖症具有非常短期的后果，并且可能导致例如轻微时的头晕或定向障碍，如果严重时的痉挛或无意识，并且在严重情况下昏迷或死亡。相比之下，高血糖状态如果是短暂的，后果不大。然而，长期平均高的血糖水平可能导致多种健康问题，例如可能持续多年的心血管疾病、肾衰竭和视网膜损伤。
这项工作的最终应用是将胰岛素自动输送到T1DM患者的人工胰腺(AP)[1,2,3]。具体而言，开发了皮下-皮下AP方案，其中通过连续皮下胰岛素输注(CSII)泵执行胰岛素输送(控制输入)的AP和葡萄糖感测(用于反馈的输出测量)基于连续葡萄糖监测器(CGM)[4]。任何完全自动化的AP的关键要素是反馈控制法则，其执行有效和安全的算法胰岛素剂量。例如，已经提出了基于模型预测控制(MPC)[5,6,7,8,9]或比例-积分-微分控制[10,11]的葡萄糖控制器。我们越来越重视开发区域MPC(zone-MPC)策略[12,13,14]，由此血糖水平被控制在目标区域内，而不是追踪单个设定点。由于两个原因，这在控制器的实际操作中证明是有效的。第一，由于人类生理学的大的主体间和主体内变异性，通常存在显著的装置模型(plant-model)失配。第二，反馈信号是由CGM每5分钟提供的血糖水平的估计值，具有很大的误差和延迟，误差和延迟都具有随时间变化的特性，并且证明难以建模和校正。当估计血糖水平在目标区域内时，区域MPC的使用提供了鲁棒性，以防止在状态估计中过度地响应噪声。
如在MPC[15,16]中典型的，通常在AP中使用的成本函数惩罚葡萄糖输出的偏差，即预测的葡萄糖水平和设定点之间的差异，或者在区域MPC的情况下，到目标区域的距离。由于没有装置模型失配和长期的预测范围，其可能像MPC中经常出现的那样导致有效的控制。然而，AP不可避免地与大的装置模型失配操作，而实际上长期的预测范围并不能产生有用的预测。我们使用45分钟的预测范围，这比由于大餐引起的高血糖偏移(高达8小时，如果是突然的)短得多。此外，存在与CGM感测和CSII输送相关联的长的延迟。使用标准二次输出成本函数的结果是当预测的葡萄糖水平可能已经稳定地收敛到由过去的胰岛素输送驱动的目标区域时，即使在已经达到高血糖偏移的测量的峰值之后仍继续驱动胰岛素输送的AP。控制器的目标是加速目标区域内葡萄糖值的到达；这是频繁实现的，但是经常伴随着由于胰岛素过量输送导致的控制器引起的低血糖的不良后果。解决方案通常是使控制器失谐，使得胰岛素输送在高血糖偏移的“上坡”和“下坡”段都保守，从而导致更高的葡萄糖峰值和花费在目标区域之外的更多时间。
在本文中，我们公开了MPC成本函数中的速度加权机制，使得预测区域偏移考虑其值和血糖轨迹的变化率被惩罚。所公开的机制为控制设计者提供了一些新的自由度，并且促进了在高血糖偏移的上坡与下坡段期间AP的响应的某些解耦设计。目标是朝向上坡段的开始，在偏移期间提前输送更多的胰岛素，并允许控制器在下坡段上输送更少的胰岛素。在相关工作[17]中，我们建议直接基于预测葡萄糖水平的变化率在成本函数中增加“速度-惩罚”项，从而导致在上坡行进中更积极的输送。当葡萄糖轨迹上升时，这个增加的项允许保守的控制器给出“额外冲击(extra kick)”，但是该机制并不主动允许控制器在轨迹下降时“退避”。本文提出的速度加权机制用于后一个目的；代替使用固定的成本惩罚输出值，并且进一步代替直接惩罚葡萄糖速度，所提出的机制基于作为速度的函数的权重来惩罚输出值。随着葡萄糖速度的降低，通过选择成本平稳地收敛到零，MPC成本函数越来越受到输入成本的支配，并且主动地忽视了输出成本。优化的胰岛素输送命令然后根据需要收敛到输入的设定点，该设定点是受试者的基础输注速率。
状态相关的分段线性/二次成本函数是混合MPC策略中的标准实践，并导致整数规划问题。所公开的方法是独特的并且基于速度(即，状态)平滑地调制二次(可能包括线性)成本。平滑度允许通过一系列二次规划(QP)问题来解决最终的优化问题。
发明内容
本发明提供用于胰岛素输送的速度加权控制的方法、装置、算法和系统。
在一个方面，本发明提供一种用于1型糖尿病应用的人工胰腺的速度加权控制的方法，包括：利用受作为葡萄糖速度的函数的因数调制的成本来惩罚预测的葡萄糖结果，其中当葡萄糖水平高时，针对越来越负的葡萄糖速度，葡萄糖结果越来越少地受到惩罚，和/或其中，已经收敛到血糖正常区域的高血糖值导致控制器的校正动作比在高血糖状态稳定的情况下更少。
在另一方面，本发明提供一种用于治疗1型糖尿病的人工胰腺(AP)的闭环操作的模型预测控制(MPC)的方法，包括在MPC问题的成本函数内可积分的速度加权机制步骤，其中基于预测的血糖水平的变化率对预测的高血糖血糖偏移进行惩罚，其中，该方法提供了独立地成形对高血糖偏移的AP的上坡与下坡响应。
在另一方面，本发明提供一种控制胰岛素输送的方法，包括：
(a)结合速度加权和速度惩罚，速度加权减少了控制器引起的低血糖的发生，速度惩罚产生更有效的高血糖校正；
(b)使用非对称输入成本函数以及速度加权成本函数，非对称输入成本函数通过允许控制器更容易地减弱胰岛素输送来改善安全性，速度加权成本函数在高血糖状态处于校正过程中时通过策略性地降低控制器的激进性来帮助防止控制器引起的低血糖；或者
(c)使用速度加权来施加在高血糖偏移的上坡段上激进的但在下坡段上保守的控制，其中用于惩罚葡萄糖偏差的二次成本是速度相关的，其中二次成本参数本身是葡萄糖输出的变化率的函数。
所公开的方法可以在能够合并到装置、策略或进一步的算法中的人工胰腺的模型预测控制(MPC)算法中实施以治疗1型糖尿病，模型预测控制算法基于例如在胰岛素泵、连续葡萄糖监测系统或人工胰腺中的血糖测量反馈来控制至1型糖尿病患者的胰岛素输送。
所公开的方法可以可操作地与以下结合：
(a)连续葡萄糖监测器(CGM)传感器；
(b)状态反馈控制系统；和/或
(c)警报或通知系统。
本发明还提供一种被编程为实施所公开的方法的控制器，以及这种控制器用于控制胰岛素输送以治疗1型糖尿病的用途。
在另一方面，本发明提供一种药物输送系统，包括被编程为实施所公开的方法的控制器、状态监测系统、药物泵或计量系统、以及可选地要输送的药物(例如，胰岛素)。
在另一方面，本发明提供了用于治疗1型糖尿病的人工胰腺的模型预测控制(MPC)的方法，该方法结合所公开的方法。
可以在包括基本上如本文所述的方法、装置、算法和药物引导系统的另外的实施例以及所述特定实施例的所有组合中实践或实施各个方面。
本说明书中引用的所有出版物和专利申请通过引用并入本文，如同每个单独的出版物或专利申请被具体地和单独地指出通过引用并入。尽管为了清楚理解的目的已经通过示意和示例的方式详细描述了上述发明，但是根据本发明的教导，对于本领域普通技术人员来说显而易见的是，可以在不脱离所附权利要求的精神或范围的情况下做出某些改变和修改。
附图说明
图1示出来自[18]并用于[20]中的IOB约束的IOB衰减曲线。
图2示出速度加权函数(7)。
图3示出未宣布的膳食、100个计算机模拟的受试者中的#12。
图4示出未宣布的膳食、100个计算机模拟的受试者中的#8。
图5示出宣布的膳食、100个计算机模拟的受试者中的#13。
图6示出未宣布的膳食，上部：标准MPC，底部：提出的速度加权MPC，针对区域数量和集群圆形半径，参见表I。
图7示出未宣布的膳食，上部：标准MPC，底部：提出的速度加权MPC，针对区域数量和集群圆形半径，参见表I。
具体实施方式
被设计用于将具有1型糖尿病的人的血糖浓度维持在血糖正常区域内(80-140mg/dL)的成功的人工胰腺系统中的关键要素是控制算法，其自动指导要施加给具有1型糖尿病的受试者的胰岛素的输送。控制算法有很多种；本发明与基于“模型预测控制”(MPC)算法的控制策略类型相关。这些是基于实时优化的控制器，其针对预测的葡萄糖结果和目标函数(也称为成本函数)执行最佳的胰岛素输送。
本发明通过策略性地降低胰岛素过量输送和由此导致的控制器引起的低血糖的风险，改善了人工胰腺装置的安全性。这是通过采用与MPC优化一起使用的目标函数的新颖结构来实现的。代替固定的成本(例如MPC中通常使用的线性或二次函数)，为了惩罚预测的葡萄糖结果，本发明采用可能是线性或二次(或甚至更一般)的成本，但是成本通过因子调制，因子是葡萄糖速度的函数，即血糖浓度变化率的函数。具体而言，当血糖水平高时，葡萄糖结果对越来越负的葡萄糖速度的惩罚越来越少。因此，顽固的高葡萄糖值导致比正在下降的轨迹上的同样高的葡萄糖值更积极的控制器。而且，葡萄糖下降速度的增加导致控制器越来越保守，达到一定的极限。
本发明通过在MPC目标函数中所采用的典型成本(即线性，二次或更一般的成本结构)附加另一项而起作用，该另一项与高血糖葡萄糖预测引发的成本的一部分相乘。
该项是作为设计参数的所谓的“速度加权”函数，并且基于在受到惩罚的预测时间点处的葡萄糖速度(变化率)来调制典型的MPC控制行为。对于所有葡萄糖速度，将速度加权函数设置为一致，得到标准的MPC控制器。本发明通过将速度加权函数设计成不一致，即以随着预测的葡萄糖速度变得越来越负的非常特定的方式来收敛到零而起作用。因此，高血糖葡萄糖值已经收敛到血糖正常区域，导致控制器的校正动作比高血糖状态稳定的情况更少。由此产生的MPC问题不再是MPC中通常使用的线性、二次或更一般的凸规划。本发明通过类似于逐步二次规划的方法来计算所得到的优化问题的最优解。
本发明提供了一种可以合并至装置、策略或另一算法中的模型预测控制算法，该模型预测控制算法基于例如在胰岛素泵、连续葡萄糖监测系统或人工胰腺中的血糖测量反馈来控制至1型糖尿病患者的胰岛素输送。本发明可以用于改善使用基于血糖测量作为反馈的模型预测控制的人工胰腺的能力，以将1型糖尿病患者的血糖水平维持在血糖正常范围(80-140mg/dL)内。
本发明在弗吉尼亚大学/帕多瓦FDA认可的代谢模拟器和来自与本发明无关的临床研究的历史试验数据上得到验证，并且已经在实验性人工胰腺装置/系统中实施。
示例：速度加权以防止人工胰腺的MPC中的控制器引起的低血糖以治疗T1DM
I.开发了用于人工胰腺(AP)闭环操作以治疗1型糖尿病的模型预测控制(MPC)策略的设计。我们公开了一种速度加权机制，可以在MPC问题的成本函数内积分，这有助于基于预测的血糖水平的变化率来惩罚预测的高血糖血糖偏移。该方法为控制设计者提供了一些自由度，以独立地成形对高血糖偏移的AP上坡与下坡响应；特别强调的是下坡响应。该提案解决了大的高血糖偏移(例如饭后)之后的控制器引起的低血糖的风险问题，这部分是由于皮下葡萄糖感测和皮下胰岛素输注的大量延迟-本文考虑的情况。所提出的解决方案的功效使用具有未宣布和宣布的膳食情况的弗吉尼亚大学/帕多瓦代谢模拟器来展示。
II.MPC设计
A.胰岛素-葡萄糖转移功能
本文采用[13]的胰岛素-葡萄糖模型，并总结如下。该模型是采样周期T＝5[min]的离散时间线性时不变(LTI)系统。时间步长索引由i表示。标量装置(plant)输入是每个采样周期输送的所施加的胰岛素药剂uIN,i[U]，并且标量装置输出是受试者的血糖值yBG,i[mg/dL]。该装置是围绕一个稳定的状态线性化的，该稳定的状态被假定为通过应用受试者特定的、时间依赖的基本输入速率uBASAL,i[U/h]来实现，并且被假定为导致稳定状态的血糖输出ys＝110[mg/dL]。
LTI模型的输入ui和输出yi被定义为：
yi：＝yBG,i-ys.
我们用z-1表示后移算子，用Y(z-1)和U(z-1)分别表示输入ui和输出yi的时域信号的z变换。从u至y的转换特性描述为
其中极点p1＝0.98，p2＝0.965，所谓的安全系数F＝1.5(无单位，可以个性化，但在此固定为1.5)，受试者特定的总的每日胰岛素量uTDI[U](正标量)，其中常数
c：＝-60(1-p1)(1-p2)2
被用于设置校正增益，并且用于单位转换。
1800项是从“1800法则”来估计关于输送快速作用的胰岛素的血糖降低[18]。
B.状态空间模型
这里所使用的(1)的状态空间实现是
xi+1＝Axi+Bui (2a)
yi＝Cyxi (2b)
vi＝Cvxi (2c)
三元组(A,B,Cy)描述(1)。注意，没有装置模型失配，xi:＝[yi yi+1 yi+2]T。第二个输出矩阵Cv被选择为使得(2c)的输出vi提供在接下来的2T＝10min的以mg/dL/min为单位的血糖水平变化率的平均估计值。输出vi此后被称为“速度”，并被用在所提出的速度加权中。速度输出的这个概念首先在[17]中介绍。
C.状态估计
状态的估计在每个步骤i处由线性状态估计器提供(参见例如[19])。为简洁起见，省略了状态估计器的细节，因此我们做了简化的假设，即状态xi可用于所有的i。由于模型(2)的状态x只能被估计，所以在实际状态和估计状态之间没有任何区别。
D.血糖目标区域
在该工作中，血糖目标区域，即仅输送基础速率的血糖值的范围是[80,140]mg/dL，与[12,13]相同。为了简单起见，区域是时间不变的，与[14]不同。
(有符号的)区域偏移被定义为：
E.胰岛素输送约束
在每个步骤i，控制器必须执行约束
0≤ui+uBASAL,i≤uMAX, (3)
其中，uMAX表示选择的CSII泵能够输送的最大药剂量值。在这项工作中，我们选择uMAX＝25[U]。注意，这个药剂量值非常大，不太可能被控制器命令。
胰岛素输送进一步受到板上胰岛素(IOB)约束-基于胰岛素输送历史的约束，当最近输送了大量胰岛素时(例如，在餐时药剂(meal-bolus)之后)，防止过度输送。IOB约束的概念取自[20]并稍作修改；这里没有解释修改的原因，但是所述的IOB约束在临床试验中证明是有效的。令向量l＝2,4,6和8，分别表示图1所示的2、4、6和8小时衰减曲线。曲线以T＝5分钟的间隔采样，并且每条曲线持续8小时，必要时用尾随零填充：8h/T＝96。在步骤i中适用的衰减曲线θi取决于当前葡萄糖值yBG,i：
令表示ui的8小时历史，线性化的胰岛素输注命令，但是如果输送人工的餐时药剂，在任何步骤将值设定为零。此外用 表示餐时药剂的8小时历史，表示计算的存在的IOB的量，表示取决于当前血糖水平的所需IOB量，以及Cf[(mg/dL)/U]表示患者的所谓的校正系数。在每个时间步骤i，IOB上限界uIOB随后由以下给出：
Γi：＝(yBG,i-ys)/Cf.
其保持uIOB≥0，并且uIOB＝0意味着控制器在绝对值上输送不超过uBASAL,i。因此，在大量药剂之后，胰岛素输送暂时受限于基础速率，但是注意，IOB约束不能将胰岛素输送约束在基础速率以下。
F.MPC问题
对于MPC背景，读者可以参考[15,16]。我们用表示正整数的集合，表示连续整数的集合{a，...，b}，u、x、y、v分别表示预测的输入u、状态x、葡萄糖输出y和速度输出v，由表示预测范围，表示控制范围，表示非负和非正的控制输入的加权系数，以及表示速度加权函数。然后，MPC通过在每个步骤i应用最优预测控制输入轨迹的第一个元素进行闭环控制，其特征如下。
MPC问题：确定
利用成本函数
并且受限于
x0：＝xi (6a)
公式(6a)-(6d)执行模型(2)的预测动态，初始化为当前状态。公式(6e)和(6f)分别在控制范围内执行输入约束(3)和(4)。公式(6g)意味着输送恰好超出控制范围的基础速率。公式(6h)和(6i)分别提供要在(5)中惩罚的上下区域偏差，并有助于对区域偏差进行不对称惩罚。公式(6j)和(6k)分别提供了输入u与基础速率的正负偏差，并且再次促进了不对称的成本函数。在[17]中提出了不对称的输入成本函数，并在临床试验中证明是有效的。
G.泵离散化
在每个步骤i，在计算上述MPC问题的解之后，将所确定的四舍五入到0.05U的CSII泵离散化的最接近的整数倍。在下一个步骤将四舍五入的部分添加在所谓的结转方案中。除此之外，不执行控制命令的后处理。
H.速度加权函数Q(·)
我们的工作的一个贡献是考虑速度加权函数Q(·)，其比更普遍。如果Q(v)对于所有速度v是一致的，则输出成本函数是标准(区域)MPC的函数；区域偏差的成本是不变的和对称的，并且所得到的成本函数(5)是在[17]中使用的，但没有在[17]中提出的速度惩罚。在这项工作中，我们使用(7)的速度加权函数，如图2所示，其中10-6＝ε＜＜1。其具有期望的特征，如果v>0，Q(v)＝1(即，我们获得对于非负速度的标准MPC解)，如果v<-1，Q(v)＝ε＜＜1(即，对于急剧升降的负葡萄糖速度，区域偏移不被有效地惩罚，导致输入的设定点被命令)，并且当-1≤v≤0时具有平滑的过渡，允许MPC解随着速度变得越来越负而缓慢地收敛到输入的设定点。我们要求ε>0以产生一个适定问题。
如果Q(·)是任何正的常数，那么MPC问题就可以作为一个连续的严格凸的QP来计算。如果Q(·)是更普遍的函数，那么MPC问题不是QP，但是在Q(·)的连续性和平滑性的温和假设下，MPC问题的解可以通过逐步二次规划得到。
III.示例和讨论
A.模拟设置
在本节中，使用图2所示的速度加权函数的所公开的速度加权MPC与使用帕多瓦大学/弗吉尼亚食品和药物管理局(FDA)认可的代谢模拟器的Q(v)＝1的“标准MPC”[21]基于以下场景进行比较。模拟从午夜开始，持续20小时，并且在04:00消耗90克碳水化合物膳食。模拟器和控制器的参数是时间不变的，因此一天的用餐时间是不相关的。我们考虑仅基于反馈拒绝膳食干扰的未宣布的膳食，或者宣布的膳食，其中在膳食摄取开始时递送餐时药剂，并且药剂量值关于经由计算机模拟的受试者的参数是最佳的。控制器参数是Ny＝9(即，45分钟预测范围)，Nu＝5(即25分钟控制范围)，用于控制的反馈信号是模拟器的CGM信号，但是没有加性噪声。为了说明所公开的控制器的速度加权动作，在该工作中给出的情况中省略CGM噪声；在没有噪声的情况下，速度加权MPC和标准MPC之间的差异仅发生在高血糖偏移的高峰之后。然而，在具有CGM噪声的情况下，以及更具挑战性的场景下，进行了测试，我们的总体结论也适用于这些情况。
B.单受试者示例
公开的速度加权MPC所针对的情况的模拟示例在图3中描绘。当血糖值已经下降到区域，在09:30导致低血糖时，标准MPC的使用导致在峰值之后的显著的胰岛素输注。控制器从08:30左右直到10:00并且在一些反弹葡萄糖稳定后暂停泵。相比之下，所提出的速度加权MPC在达到峰值后立即将胰岛素输注降低至基础速率，从而减缓下降。没有引起低血糖，并且在06:00之后控制器连续地输送基础速率，不需要泵暂停，并且没有相关的葡萄糖反弹。
在图4的示例中，标准MPC没有引起低血糖，但速度加权MPC在下降过程中再次引起胰岛素输送的明显减少。该示例证明了所提议的策略的一个可能的缺点：对于一些受试者，提案导致更慢地返回到该区域，并在高血糖上花费更多的时间。然而，对于这样的受试者，更积极调整的控制器，即更小的结合所提出的速度加权MPC策略，在上升过程中输送更多的胰岛素，可能降低高血糖的峰值葡萄糖值和时间。在本公开中，的值是固定的，以阐明仅由所提出的速度加权引起的葡萄糖结果的差异。
上面的示例具有未宣布的膳食，但是所提出的速度加权对于宣布的膳食也降低了低血糖的风险。在图5的示例中，由于在04:00输送的餐时药剂，IOB约束防止控制器输送超过基础速率，直到05:45。在05:45之后，在血糖下降期间，标准MPC输送超过基础速率，并且在09:45引起低血糖，伴随着相关的泵暂停和随后的葡萄糖反弹。相比之下，尽管在05:45之后IOB约束缓和，但所公开的速度加权MPC在餐时药剂之后连续输送接近基础速率，并且没有引起低血糖。
C.关于IOB约束调整的说明
当基于图1中描述的衰减曲线来调整IOB约束机制时存在折衷。一方面，较长的衰减曲线导致较少的胰岛素输送，因为输送的胰岛素被建模为长时间处于活动状态，因此，在餐时药剂之后，需要较长的时间才能给控制器留有余地来尝试校正高血糖。对于标准的MPC和图5的情况，使用更长的衰减曲线将防止控制器引起的低血糖。另一方面，通常希望允许控制器有更充裕的时间控制高血糖。所提出的速度加权MPC的使用部分地减轻了这种折衷：人们可以采用更短的衰减曲线，给予控制器更充裕的时间来控制餐时药剂之后早期的升高或持续高的高血糖值，同时当葡萄糖值由于餐时药剂的延迟作用而下降时，强制胰岛素输送不是过度的。
D.群体结果
我们考虑帕多瓦大学/弗吉尼亚代谢模拟器中的整个队列的控制变异网格分析(CVGA)[22]，其由10个受试者和100个受试者的模拟器队列组成。后者包含第101个受试者“平均”，产生了111个计算机模拟的受试者的组合队列。未宣布和宣布的膳食的CVGA绘图分别在图6和7中描绘。顶部子图显示具有标准MPC的结果；底部子图针对所提出的速度加权MPC。每个计算机模拟的受试者的结果用黑点表示。大的蓝点是单独的点的算术平均值，蓝色圆形的半径是每个点到队列平均值的距离的标准偏差的半径，每个点在基本CVGA空间。表I列出了圆的半径以及CVGA区域包含百分比。
表I：图6和7所示的四种情况的CVGA区域(A,...,E)包含百分比，以及集群圆形半径[mg/dL]。
膳食类型 MPC A B C D E 半径
未宣布的 标准 0％ 64％ 13％ 15％ 8％ 9.3
提出的 0％ 64％ 23％ 11％ 2％ 7.4
宣布的 标准 7％ 89％ 0％ 3％ 1％ 6.6
提出的 7％ 91％ 0％ 2％ 0％ 4.7
由于缺乏CGM噪声和固定的每个受试者的葡萄糖峰值(垂直位置)对于两种MPC策略都是相等的。MPC策略仅影响最低点(水平位置)的深度。对于未宣布的膳食，大多数受试者经历向左的偏移，即最低点较高，意味着低血糖风险降低。平均值明显向左偏移，并且扩散较小。对于宣布的餐食，由于膳食宣布的前馈性质，峰值明显较低。对于许多受试者而言，标准MPC和提出的速度加权MPC之间没有差别。然而，存在整体向左的偏移，扩散较小，并且对于少数受试者，使用速度加权显然减轻了控制器引起的低血糖的显著风险。
IV.结论
公开了用于AP的MPC的速度加权机制，使得预测血糖值的偏差受考虑偏差大小以及轨迹速度的成本函数的惩罚，预测的葡萄糖值是轨迹的一个元素。因此，MPC成本函数更具“速度意识”，并且AP在高血糖偏移的上坡和下坡段期间的响应可以被稍微独立地定制。通过模拟示例证明，按照设计目标，通过公开的策略减轻了由控制器引起的低血糖的风险。
参考文献
[1]H.Zisser,“Clinical Hurdles and Possible Solutions in theImplementation of Closed-Loop Control in Type 1Diabetes Mellitus,”J DiabetesSci Technol,第5卷,第1283-1286页,2011年9月.
[2]C.Cobelli,E.Renard,and B.Kovatchev,“Artificial Pancreas:Past,Present,Future,”Diabetes,第60卷,第2672-2682页,2011年11月.
[3]F.J.Doyle III,L.M.Huyett,J.B.Lee,H.C.Zisser,and E.Dassau,“ClosedLoop Artificial Pancreas Systems:Engineering the Algorithms,”Diabetes Care,第37卷,第1191-1197页,2014年5月.
[4]R.Hovorka,“Continuous glucose monitoring and closed-loop systems,”Diabetic Med,第23卷,第1-12页,2006年1月.
[5]R.S.Parker,F.J.Doyle III,and N.A.Peppas,“A Model-Based Algorithmfor Blood Glucose Control in Type I Diabetic Patients,”IEEE Trans Biomed Eng,第46卷,第148-157页,1999年2月.
[6]R.Hovorka,V.Canonico,L.J.Chassin,U.Haueter,M.Massi-Benedetti,M.O.Federici,T.R.Pieber,H.C.Schaller,L.Schaupp,T.Vering,and M.E.Wilinska,“Nonlinear model predictive control of glucose concentration in subjects withtype 1diabetes,”Physiol Meas,第25卷,第905-920页,2004年7月.
[7]L.Magni,D.M.Raimondo,C.Dalla Man,G.De Nicolao,B.Kovatchev,andC.Cobelli,“Model predictive control of glucose concentration in type1diabetic patients:An in silico trial,”Biomed Signal Process Control,第4卷,no.4,第338-346页,2009.
[8]M.Breton,A.Farret,D.Bruttomesso,S.Anderson,L.Magni,S.Patek,C.DallaMan,J.Place,S.Demartini,S.Del Favero,C.Toffanin,C.Hughes-Karvetski,E.Dassau,H.Zisser,F.J.Doyle III,G.De Nicolao,A.Avogaro,C.Cobelli,E.Renard,andB.Kovatchev,“Fully Integrated Artificial Pancreas in Type 1Diabetes:ModularClosed-Loop Glucose Control Maintains Near Normoglycemia,”Diabetes,第61卷,第2230-2237页,2012年6月.
[9]K.Turksoy,E.S.Bayrak,L.Quinn,E.Littlejohn,and A.Cinar,“Multivariable Adaptive Closed-Loop Control of an Artificial Pancreas WithoutMeal and Activity Announcement,”Diabetes Technol Ther,第15卷,第386-400页,2013年5月.
[10]G.M.Steil,K.Rebrin,C.Darwin,F.Hariri,and M.F.Saad,“Feasibility ofAutomating Insulin Delivery for the Treatment of Type 1Diabetes,”Diabetes,第55卷,第3344-3350页,2006年12月.
[11]G.Marchetti,M.Barolo,L.Jovanovic,H.Zisser,and D.E.Seborg,“Afeedforward-feedback glucose control strategy for type 1diabetes mellitus,”JProcess Control,第18卷,第149-162页,2008年2月.
[12]B.Grosman,E.Dassau,H.C.Zisser,L.Jovanovic,and F.J.Doyle III,“ZoneModel Predictive Control:A Strategy to Minimize Hyper-and HypoglycemicEvents,”J Diabetes Sci Technol,第4卷,第961-975页,2010年7月.
[13]K.van Heusden,E.Dassau,H.C.Zisser,D.E.Seborg,and F.J.Doyle III,“Control-Relevant Models for Glucose Control Using A Priori PatientCharacteristics,”IEEE Trans Biomed Eng,第59卷,第1839-1849页,2012年7月.
[14]R.Gondhalekar,E.Dassau,H.C.Zisser,and F.J.Doyle III,“Periodic-Zone Model Predictive Control for Diurnal Closed-loop Operation of anArtificial Pancreas,”J Diabetes Sci Technol,第7卷,第1446-1460页,2013年11月.
[15]J.M.Maciejowski,Predictive Control with Constraints.Harlow,England:Pearson/Prentice Hall,2002.
[16]J.B.Rawlings and D.Q.Mayne,Model Predictive Control:Theory andDesign.Madison,WI,USA:Nob Hill Publishing,2009年8月.
[17]R.Gondhalekar,E.Dassau,and F.J.Doyle III,“MPC Design for RapidPump-Attenuation and Expedited Hyperglycemia Response to Treat T1DM with anArtificial Pancreas,”in Proc AACC American Control Conf,(Portland,OR,USA),第4224-4230页,2014年6月.
[18]J.Walsh and R.Roberts,Pumping Insulin.San Diego,CA,USA:TorreyPines Press,第4版,2006.
[19]W.S.Levine,ed.,The Control Handbook.Boca Raton,FL,USA:CRC Press,第2版.,2011.
[20]C.Ellingsen,E.Dassau,H.Zisser,B.Grosman,M.W.Percival,L.Jovanovic,and F.J.Doyle III,“Safety Constraints in an Artificial Pancreatic beta Cell:An Implementation of Model Predictive Control with Insulin on Board,”JDiabetes Sci Technol,第3卷,第536-544页,2009年5月.
[21]B.P.Kovatchev,M.Breton,C.Dalla Man,and C.Cobelli,“In SilicoPreclinical Trials:A Proof of Concept in Closed-Loop Control of Type1Diabetes,”J Diabetes Sci Technol,第3卷,第44-55页,2009年1月.
[22]L.Magni,D.M.Raimondo,C.Dalla Man,M.Breton,S.Patek,G.De Nicolao,C.Cobelli,and B.Kovatchev,“Evaluating the Efficacy of Closed-Loop GlucoseRegulation via Control-Variability Grid Analysis,”J Diabetes Sci Technol,第2卷,第630-635页,2008年7月.
[23]R.Gondhalekar,E.Dassau,F.J.Doyle III,Velocity-weighting toprevent controller-induced hypoglycemia in MPC of an artificial pancreas totreat T1DM,in Proc.AACC American Control Conf,(Chicago,IL,USA),2015年6月.

Claims (8)

1.一种用于1型糖尿病应用的人工胰腺的速度加权控制的方法，包括：利用受到作为葡萄糖速度的函数的因数所调制的成本来惩罚预测的葡萄糖结果，其中当葡萄糖水平高时，针对越来越负的葡萄糖速度，葡萄糖结果越来越少地受到惩罚，和/或其中，已经收敛到血糖正常区域的高血糖值导致控制器的校正动作比在高血糖状态稳定的情况下更少。
2.一种用于治疗1型糖尿病的人工胰腺(AP)的闭环操作的模型预测控制(MPC)的方法，包括在MPC问题的成本函数内可积分的速度加权机制步骤，其中基于预测的血糖水平的变化率对预测的高血糖血糖偏移进行惩罚，其中，所述方法提供了独立地成形对高血糖偏移的AP的上坡与下坡响应。
3.一种控制胰岛素输送的方法，包括：
(a)结合速度加权和速度惩罚，其中，所述速度加权减少了控制器引起的低血糖的发生，所述速度惩罚产生更有效的高血糖校正；
(b)使用非对称输入成本函数以及速度加权成本函数，其中，所述非对称输入成本函数通过允许控制器更容易地减弱胰岛素输送来改善安全性，所述速度加权成本函数在高血糖状态处于校正过程中时通过策略性地降低控制器的激进性来帮助防止控制器引起的低血糖；或者
(c)使用速度加权来施加在高血糖偏移的上坡段上激进的但在下坡段上保守的控制，其中用于惩罚葡萄糖偏差的二次成本是速度相关的，其中二次成本参数本身是葡萄糖输出的变化率的函数。
4.根据权利要求1-3中任一项所述的方法，所述方法在能够合并到装置、策略或进一步的算法中的人工胰腺的模型预测控制(MPC)算法中实施以治疗1型糖尿病，所述模型预测控制算法基于例如在胰岛素泵、连续葡萄糖监测系统或人工胰腺中的血糖测量反馈来控制至1型糖尿病患者的胰岛素输送。
5.根据权利要求1-4中任一项所述的方法，其能够操作地与以下结合：
(a)连续葡萄糖监测器(CGM)传感器；
(b)状态反馈控制系统；和/或
(c)警报或通知系统。
6.一种被编程为实施根据权利要求1-5中任一项所述的方法的控制器。
7.根据权利要求6所述的控制器的用于控制胰岛素输送以治疗1型糖尿病的用途。
8.一种药物输送系统，包括被编程为实施根据权利要求1-5中任一项所述的方法的控制器、状态监测系统、药物泵或计量系统、以及可选地要输送的药物。
CN201680044685.7A 2015-06-28 2016-06-29 用于1型糖尿病应用的人工胰腺的速度-加权模型预测控制 Active CN107851224B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201562185694P 2015-06-28 2015-06-28
PCT/US2016/040220 WO2017004278A1 (en) 2015-06-28 2016-06-29 Velocity-weighting model predictive control of an artificial pancreas for type 1 diabetes applications

Publications (2)

Publication Number Publication Date
CN107851224A true CN107851224A (zh) 2018-03-27
CN107851224B CN107851224B (zh) 2022-07-08

Family

ID=57609055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680044685.7A Active CN107851224B (zh) 2015-06-28 2016-06-29 用于1型糖尿病应用的人工胰腺的速度-加权模型预测控制

Country Status (7)

Country Link
US (1) US10617822B2 (zh)
EP (1) EP3314548B1 (zh)
JP (1) JP6853198B2 (zh)
CN (1) CN107851224B (zh)
AU (1) AU2016287512B2 (zh)
CA (1) CA2991047C (zh)
WO (1) WO2017004278A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927802A (zh) * 2021-01-28 2021-06-08 北京理工大学 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
CN114464291A (zh) * 2021-12-22 2022-05-10 北京理工大学 一种基于贝叶斯优化的mdi剂量建议系统

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7959598B2 (en) 2008-08-20 2011-06-14 Asante Solutions, Inc. Infusion pump systems and methods
GB2523989B (en) 2014-01-30 2020-07-29 Insulet Netherlands B V Therapeutic product delivery system and method of pairing
WO2016134137A1 (en) 2015-02-18 2016-08-25 Insulet Corporation Fluid delivery and infusion devices, and methods of use thereof
EP3374905A1 (en) 2016-01-13 2018-09-19 Bigfoot Biomedical, Inc. User interface for diabetes management system
EP3453414A1 (en) 2016-01-14 2019-03-13 Bigfoot Biomedical, Inc. Adjusting insulin delivery rates
US11883630B2 (en) 2016-07-06 2024-01-30 President And Fellows Of Harvard College Event-triggered model predictive control for embedded artificial pancreas systems
WO2018058041A1 (en) 2016-09-23 2018-03-29 Insulet Corporation Fluid delivery device with sensor
WO2018132765A1 (en) 2017-01-13 2018-07-19 Mazlish Bryan Insulin delivery methods, systems and devices
EP3618713B1 (en) 2017-05-05 2021-12-15 Eli Lilly and Company Closed loop control of physiological glucose
EP3438858A1 (en) 2017-08-02 2019-02-06 Diabeloop Closed-loop blood glucose control systems and methods
CN111542884B (zh) 2017-12-21 2024-03-15 益首药物治疗股份公司 生理葡萄糖的闭环控制
USD928199S1 (en) 2018-04-02 2021-08-17 Bigfoot Biomedical, Inc. Medication delivery device with icons
CA3099113A1 (en) 2018-05-04 2019-11-07 Insulet Corporation Safety constraints for a control algorithm-based drug delivery system
US20210162127A1 (en) * 2018-06-19 2021-06-03 President And Fellows Of Harvard College Adaptive zone model predictive control with a glucose and velocity dependent dynamic cost function for an artificial pancreas
CN112313754A (zh) 2018-06-22 2021-02-02 伊莱利利公司 胰岛素和普兰林肽输送系统、方法和设备
AU2019347755B2 (en) 2018-09-28 2023-02-02 Insulet Corporation Activity mode for artificial pancreas system
WO2020077223A1 (en) 2018-10-11 2020-04-16 Insulet Corporation Event detection for drug delivery system
USD920343S1 (en) 2019-01-09 2021-05-25 Bigfoot Biomedical, Inc. Display screen or portion thereof with graphical user interface associated with insulin delivery
US11986629B2 (en) * 2019-06-11 2024-05-21 Medtronic Minimed, Inc. Personalized closed loop optimization systems and methods
US11801344B2 (en) 2019-09-13 2023-10-31 Insulet Corporation Blood glucose rate of change modulation of meal and correction insulin bolus quantity
US11935637B2 (en) 2019-09-27 2024-03-19 Insulet Corporation Onboarding and total daily insulin adaptivity
EP4354455A3 (en) 2019-12-06 2024-07-10 Insulet Corporation Techniques and devices providing adaptivity and personalization in diabetes treatment
US11833329B2 (en) 2019-12-20 2023-12-05 Insulet Corporation Techniques for improved automatic drug delivery performance using delivery tendencies from past delivery history and use patterns
US11551802B2 (en) 2020-02-11 2023-01-10 Insulet Corporation Early meal detection and calorie intake detection
US11547800B2 (en) 2020-02-12 2023-01-10 Insulet Corporation User parameter dependent cost function for personalized reduction of hypoglycemia and/or hyperglycemia in a closed loop artificial pancreas system
US11986630B2 (en) 2020-02-12 2024-05-21 Insulet Corporation Dual hormone delivery system for reducing impending hypoglycemia and/or hyperglycemia risk
US11324889B2 (en) 2020-02-14 2022-05-10 Insulet Corporation Compensation for missing readings from a glucose monitor in an automated insulin delivery system
US11607493B2 (en) 2020-04-06 2023-03-21 Insulet Corporation Initial total daily insulin setting for user onboarding
US11684716B2 (en) 2020-07-31 2023-06-27 Insulet Corporation Techniques to reduce risk of occlusions in drug delivery systems
US11904140B2 (en) 2021-03-10 2024-02-20 Insulet Corporation Adaptable asymmetric medicament cost component in a control system for medicament delivery
US11738144B2 (en) 2021-09-27 2023-08-29 Insulet Corporation Techniques enabling adaptation of parameters in aid systems by user input
US11439754B1 (en) 2021-12-01 2022-09-13 Insulet Corporation Optimizing embedded formulations for drug delivery
WO2024059261A1 (en) * 2022-09-16 2024-03-21 President And Fellows Of Harvard College System and methods for bolus determination based on glucose rate of change and insulin on board jointly weighted zone model predictive control

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140276554A1 (en) * 2013-03-15 2014-09-18 Animas Corporation Method and system for closed-loop control of an artificial pancreas
CN104837517A (zh) * 2012-12-07 2015-08-12 安尼马斯公司 用于调谐人工胰腺的闭环控制器的方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2016603A1 (en) * 1990-05-11 1991-11-11 Yash P. Gupta Method for optimizing a model predictive control system
WO2009086220A1 (en) * 2007-12-21 2009-07-09 University Of Florida Systems and methods for offset-free model predictive control
US10463282B2 (en) * 2012-10-04 2019-11-05 Roche Diabetes Care, Inc. System and method for assessing risk associated with a glucose state
US9907909B2 (en) * 2012-12-20 2018-03-06 Animas Corporation Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
US10722650B2 (en) * 2014-03-28 2020-07-28 Roche Diabetes Care, Inc. System and method for adjusting therapy based on risk associated with a glucose state
US10332633B2 (en) * 2016-06-01 2019-06-25 Roche Diabetes Care, Inc. Control-to-range aggressiveness

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104837517A (zh) * 2012-12-07 2015-08-12 安尼马斯公司 用于调谐人工胰腺的闭环控制器的方法和系统
US20140276554A1 (en) * 2013-03-15 2014-09-18 Animas Corporation Method and system for closed-loop control of an artificial pancreas

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAVI GONDHALEDAR等: "MPC design for rapid pump-attenuation and expedited hyperglycemia response to treat T1DM with an Artificial Pancreas", 《2014 AMERICAN CONTROL CONFERENCE(ACC)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927802A (zh) * 2021-01-28 2021-06-08 北京理工大学 一种专家经验辅助的餐前胰岛素剂量学习优化决策系统
CN114464291A (zh) * 2021-12-22 2022-05-10 北京理工大学 一种基于贝叶斯优化的mdi剂量建议系统

Also Published As

Publication number Publication date
US20170143899A1 (en) 2017-05-25
CA2991047A1 (en) 2017-01-05
AU2016287512B2 (en) 2021-12-16
WO2017004278A1 (en) 2017-01-05
CA2991047C (en) 2020-04-14
EP3314548B1 (en) 2021-10-06
JP6853198B2 (ja) 2021-03-31
EP3314548A1 (en) 2018-05-02
JP2018528794A (ja) 2018-10-04
EP3314548A4 (en) 2018-08-08
CN107851224B (zh) 2022-07-08
US10617822B2 (en) 2020-04-14
AU2016287512A1 (en) 2018-02-08

Similar Documents

Publication Publication Date Title
CN107851224A (zh) 用于1型糖尿病应用的人工胰腺的速度‑加权模型预测控制
Gondhalekar et al. Velocity-weighting & velocity-penalty MPC of an artificial pancreas: Improved safety & performance
Gondhalekar et al. Periodic zone-MPC with asymmetric costs for outpatient-ready safety of an artificial pancreas to treat type 1 diabetes
Colmegna et al. Automatic regulatory control in type 1 diabetes without carbohydrate counting
Mauseth et al. Use of a “fuzzy logic” controller in a closed-loop artificial pancreas
KR102211352B1 (ko) 제1형 당뇨병 응용을 위한 인공 췌장의 모델-기반 개인화 방식
JP2012519018A (ja) 糖尿病に関連した治療を自動モニタリングする方法およびシステム
Gondhalekar et al. MPC design for rapid pump-attenuation and expedited hyperglycemia response to treat T1DM with an artificial pancreas
Quiroz The evolution of control algorithms in artificial pancreas: A historical perspective
Zavitsanou et al. In silico closed-loop control validation studies for optimal insulin delivery in type 1 diabetes
Gondhalekar et al. Velocity-weighting to prevent controller-induced hypoglycemia in MPC of an artificial pancreas to treat T1DM
Reenberg et al. Nonlinear model predictive control and system identification for a dual-hormone artificial pancreas
Huang et al. Modeling and qualitative analysis of diabetes therapies with state feedback control
Gondhalekar et al. Tackling problem nonlinearities & delays via asymmetric, state-dependent objective costs in MPC of an artificial pancreas
Matamoros-Alcivar et al. Implementation of MPC and PID control algorithms to the artificial pancreas for diabetes mellitus type 1
Dansa et al. Blood glucose regulation in patients with type 1 diabetes by means of output-feedback sliding mode control
Gantt et al. Type 1 diabetic patient insulin delivery using asymmetric pi control
Sejersen et al. Initial titration for people with type 1 diabetes using an artificial pancreas
Rashid et al. Plasma insulin cognizant predictive control for artificial pancreas
Ko et al. Model predictive control of blood glucose for type 1 diabetic rats in a cyber-physical system
Litinskaia et al. Automatic regulation of basal insulin infusion in a personalized insulin therapy system
El Hachimi et al. FPSO-MPC Control of Artificial Pancreas
Dansa et al. Bihormonal sliding mode controller applied to blood glucose regulation in patients with type 1 diabetes
Das et al. Artificial Pancreas Blood Glucose-Insulin Regularization System Using PID Controller
El Hachimi et al. Overcoming control challenges in the artificial pancreas

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant