An evolutionary methodology for estimating blood glucose levels from interstitial glucose measurements and their derivatives

Abstract

Pacienti s diabetem jsou vystaveni několika vážným zdravotním rizikům, které mohou vést k smrtelným následkům. Pro zvýšení kvality života těchto pacientů je nutné navrhnout umělou slinivku, která bude podávat inzulín v případě potřeby. Tento článek představuje algoritmus založený na genetickém programování pro extrapolaci regresního modelu schopného odhadnout hladinu glukózy v krvi (BG) pomocí měření intersticiální glukózy (IG) a jejich derivácí. Tento algoritmus představuje možný krok při budování základního prvku umělé slinivky, jmenovitě nové evoluční výpočetní metodologie pro odvození matematického vztahu mezi BG a IG. Navržený evoluční postup je vyhodnocen na základě reálné databáze, která se skládá z měření BG i IG u osob trpících diabetem 1. typu. Zjištěný model je validován porovnáním s dalšími technikami během experimentální fáze.

The patients suffering from diabetes are subjected to several serious medical risks that can lead also to fatal consequences. To enhance the quality of life of these patients there is the necessity to devise an artificial pancreas able to inject an insulin bolus when needed. This paper presents a genetic-programming based algorithm to extrapolate a regression model able to estimate the blood glucose (BG) level through interstitial glucose (IG) measurements and their derivatives. This algorithm represents a possible step in building the fundamental element of such an artificial pancreas, namely a new evolutionary computation-based metodology to derive a mathematical relationship between BG and IG. The proposed evolutionary automatic procedure is evaluated on a real-world database made up of both BG and IG measurements of people suffering from Type 1 diabetes. The discovered model is validated through a comparison with other techniques during the experimental phase