A Model-Based Insulin Dose Optimization Algorithm for People With Type 1 Diabetes on Multiple Daily Injections Therapy
Notice bibliographique
Résumé
OBJECTIVE: Multiple daily injections (MDI) therapy is the most common treatment for type 1 diabetes (T1D) including basal insulin doses to keep glucose levels constant during fasting conditions and bolus insulin doses with meals. Optimal insulin dosing is critical to achieving satisfactory glycemia but is challenging due to inter- and intra-individual variability. Here, we present a novel model-based iterative algorithm that optimizes insulin doses using previous-day glucose, insulin, and meal data. METHODS: Our algorithm employs a maximum-a-posteriori method to estimate parameters of a model describing the effects of changes in basal-bolus insulin doses. Then, parameter estimates, their confidence intervals, and the goodness of fit, are combined to generate new recommendations. We assessed our algorithm in three ways. First, a clinical data set of 150 days (15 participants) were used to evaluate the proposed model and the estimation method. Second, 60-day simulations were performed to demonstrate the efficacy of the algorithm. Third, a sample 6-day clinical experiment is presented and discussed. RESULTS: The model fitted the clinical data well with a root-mean-square-error of 1.75 mmol/L. Simulation results showed an improvement in the time in target (3.9-10 mmol/L) from 64% to 77% and a decrease in the time in hypoglycemia (< 3.9 mmol/L) from 8.1% to 3.8%. The clinical experiment demonstrated the feasibility of the algorithm. CONCLUSION: Our algorithm has the potential to improve glycemic control in people with T1D using MDI. SIGNIFICANCE: This work is a step forward towards a decision support system that improves their quality of life.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».