Full metadata record
DC poleHodnotaJazyk
dc.contributor.authorÚbl, Martin
dc.contributor.authorKoutný, Tomáš
dc.contributor.authorDella Cioppa, Antonio
dc.contributor.authorDe Falco, Ivanoe
dc.contributor.authorTarantino, Ernesto
dc.contributor.authorScafuri, Umberto
dc.date.accessioned2023-03-06T11:00:27Z-
dc.date.available2023-03-06T11:00:27Z-
dc.date.issued2022
dc.identifier.citationÚBL, M. KOUTNÝ, T. DELLA CIOPPA, A. DE FALCO, I. TARANTINO, E. SCAFURI, U. Distributed Assessment of Virtual Insulin-Pump Settings Using SmartCGMS and DMMS.R for Diabetes Treatment. Sensors, 2022, roč. 22, č. 23, s. 1-17. ISSN: 1424-8220cs
dc.identifier.issn1424-8220
dc.identifier.uri2-s2.0-85143794515
dc.identifier.urihttp://hdl.handle.net/11025/51662
dc.description.abstractDiabetes je heterogenní skupina onemocnění, která se projevuje zvýšenou hladinou glukózy v krvi. Inzulín snižuje tuto hladinu tím, že umožňuje spotřebu glukózy, a tedy zabraňuje krátkodobé i dlouhodobé poškození orgánů kvůli zvýšené koncentraci glukózy. Pacient s diabetem používá inzulínovou pumpu k dávkování inzulínu. Pumpa používá regulátor k výpočtu a dávkování odpovídající dávky inzulínu, aby zajistila, že se bude glykemie pohybovat v bezpečném rozmezí. Vývoj regulátoru inzulínové pumpy je neustálý proces, jež má za cíl získat plně uzavřenou regulační smyčku. Regulátory vstupující na trh musí být vyhodnoceny, aby byla zajištěna jejich bezpečnost. Navrhujeme metodu založenou na simulátoru diabetického pacienta schváleného organizací FDA. Tato metoda vyhodnocuje kartézský součin individuálních parametrů inzulínové pumpy s jemnou granularitou. Vzhledem k tomu, že jde o výpočetně náročný úkol, simulátor běží v distribuovaném prostředí. Metodou nalezneme bezpečné a potenciálně nebezpečné kombinace nastavení parametrů inzulínové pumpy užitím binomického modelu a rozhodovacích stromů. Výsledkem je nástroj pro ověření bezpečnosti regulátorů. V tomto článku demonstrujeme tento nástroj na algoritmu Low-Glucose Suspend a nástroji OpenAPS. V průměru s ± standardní odchylkou, LGS a OpenAPS vykazovalo 1.7 ± 0.6% a 3.2 ± 1.8% lokálních extrémů (dobrých nastavení inzulínové pumpy) vzhledem ke všem možným prvkům kartézského součinu. Souvislý region kolem nejlepších kombinací (globálního extrému) se rozprostíral v oblasti 4.0 ± 1.1% a 4.1 ± 1.3% prvků kartézského součinu.cs
dc.format17 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isoenen
dc.publisherMDPIen
dc.relation.ispartofseriesSensorsen
dc.rights© authorsen
dc.subjectdiabetescs
dc.subjectinzulínová pumpacs
dc.subjectregulátorcs
dc.subjectin silicocs
dc.subjectsmartcgmscs
dc.titleDistributed Assessment of Virtual Insulin-Pump Settings Using SmartCGMS and DMMS.R for Diabetes Treatmenten
dc.title.alternativeDistribuované vyhodnocení nastavení inzulínové pumpy s využitím SmartCGMS a DMMS.R pro léčbu diabetucs
dc.typečlánekcs
dc.typearticleen
dc.rights.accessopenAccessen
dc.type.versionpublishedVersionen
dc.description.abstract-translatedDiabetes is a heterogeneous group of diseases that share a common trait of elevated blood glucose levels. Insulin lowers this level by promoting glucose utilization, thus avoiding short- and long-term organ damage due to the elevated blood glucose level. A patient with diabetes uses an insulin pump to dose insulin. The pump uses a controller to compute and dose the correct amount of insulin to keep blood glucose levels in a safe range. Insulin-pump controller development is an ongoing process aiming at fully closed-loop control. Controllers entering the market must be evaluated for safety. We propose an evaluation method that exploits an FDA-approved diabetic patient simulator. The method evaluates a Cartesian product of individual insulin-pump parameters with a fine degree of granularity. As this is a computationally intensive task, the simulator executes on a distributed cluster. We identify safe and risky combinations of insulin-pump parameter settings by applying the binomial model and decision tree to this product. As a result, we obtain a tool for insulin-pump settings and controller safety assessment. In this paper, we demonstrate the tool with the Low-Glucose Suspend and OpenAPS controllers. For average ± standard deviation, LGS and OpenAPS exhibited 1.7 ± 0.6% and 3.2 ± 1.8% of local extrema (i.e., good insulin-pump settings) out of all the entire Cartesian products, respectively. A continuous region around the best-discovered settings (i.e., the global extremum) of the insulin-pump settings spread across 4.0 ± 1.1% and 4.1 ± 1.3% of the Cartesian products, respectively.en
dc.subject.translateddiabetesen
dc.subject.translatedinsulin pumpen
dc.subject.translatedcontrolleren
dc.subject.translatedin silicoen
dc.subject.translatedsmartcgmsen
dc.identifier.doi10.3390/s22239445
dc.type.statusPeer-revieweden
dc.identifier.document-number897385000001
dc.identifier.obd43937424
dc.project.IDSGS-2022-015/Nové metody pro medicínská, prostorová a komunikační datacs
Vyskytuje se v kolekcích:Články / Articles (KIV)
OBD

Soubory připojené k záznamu:
Soubor VelikostFormát 
Úbl, Koutný a kol. clanek.pdf724,98 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/51662

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD