فن آوری تشخیص غذا، یک گام لوزالمعده مصنوعی را به واقعیت نزدیک تر می کند

12نوامبر 2019-محققان هوش مصنوعی در انستیتوی فناوری استیونز، سیستمی را ابداع کرده اند که می تواند زمان خوردن غذا را تشخیص دهد و مقدار کربوهیدراتی را که فرد مصرف می کند با دقت و سرعتی بی سابقه محاسبه کند. این کار، پیشرفت قابل توجهی برای افرادی است که از مانیتور مداوم قند خون به عنوان بخشی از درمان دیابت خود استفاده می کنند، بدین ترتیب انسولین نزدیکتر به زمانی که واقعاً به آن نیاز است، به بدن بیمار تحویل داده می شود که باعث کاهش نوسانات خطرناک در سطح قند خون می گردد.

سامانا کلینبرگ، متخصص فناوریهای پوشیدنی و دانشمند کامپیوتر در انستیتوی استیونز گفت: این پیشرفت ما را یک گام به ساخت لوزالمعده مصنوعی که بتواند به سرعت تغییرات گلوکز را در خون تشخیص و این تغییرات را با تحویل دوز مناسب انسولین در زمان مناسب از طریق پمپ بدون نظارت کاربر اصلاح کند، نزدیک تر می کند. نتایج این تحقیق در شماره ی سپتامبر ژورنال انجمن انفورماتیک پزشکی آمریکا بصورت آنلاین منتشر شده است.

در طی 20 سال گذشته، نظارت مداوم بر گلوکز یاCGM ، سیستم ها و پمپ های انسولین باعث متحول شدن مراقبت از دیابت در خانه برای میلیون ها فرد مبتلا به دیابت شده است، و نیاز به آزمایش های دردناک باسوراخ کردن نوک انگشتو تزریق انسولین بصورت دستی را کاهش داده است. با این حال، این روند همچنان با سختی هایی همراه است. افراد مبتلا به دیابت باید تعداد کربوهیدرات هایی را که باید بخورند، وارد سیستم کنند، سپس CGM تغییرات سطح گلوکز را تشخیص دهد و بعد از آن بیماران دوز انسولین مورد نیاز برای مقابله با کربوهیدرات های موجود در وعده غذایی خود را محاسبه کنند. معمولاً 1 واحد انسولین به ازای هر 15 گرم کربوهیدرات هایی که باید بخورند، اگرچه این مقدار بسته به حساسیت بدنشان به انسولین متفاوت است.

این کار باید برای خوردن هر وعده غذایی و میان وعده توسط بیمار یا مراقبین او انجام شود و می تواند منجر به تعیین دوز ناصحیح انسولین شود. سیستم های شناسایی وعده غذایی قبلی نیز بر پیش بینی تغییرات در سطح گلوکز متمرکز بودند، اما کلینبرگ و تیمش از جمله Min Zhen  و  Baohua Niرویکرد متفاوتی را در پیش گرفتند.

به جای پیش بینی تغییرات گلوکز به طور مستقیم، در سیستم تشخیص وعده غذایی آنها، واریانسCGMs  و داده های فعالیت بدنی با انواعی از واریانس هایی که از طیف وسیعی از وعده های غذایی مختلف انتظار می رود، مقایسه می شود. کلینبرگ توضیح داد: ما در حال شبیه سازی انواع وعده های غذایی مختلفی هستیم که یک فرد می تواند بخورد و از آن شبیه سازی ها برای توضیح داده هایی که حسگرها ارسال می کنند، استفاده می کنیم.

تخمین های این سیستم در مورد وعده های غذایی انسان به طرز چشمگیری دقیق است: این سیستم میزان مصرف کربوهیدرات را می تواند با دقت 1.2 گرم تعیین کند، در حالیکه در بهترین سیستمهای قبلی میانگین میزان خطا بیش از 17 گرم بود.

تخمین های سیستم نیز بسیار سریع صورت می گیرد که این موضوع نیز به همان اندازه مهم است، حتی گاهی اوقات در حالی که یک شخص هنوز در حال خوردن غذا است سیستم تخمین می زند که چه مقدار کربوهیدرات توسط فرد مصرف شده و یا خواهد شد، این سرعت عمل سبب می شود که زمان تحویل انسولین به زمان مورد نیاز آن در بدن، نزدیکتر شود. به طور متوسط​​، این سیستم می تواند میزان کربوهیدرات موجود در وعده های غذایی را در طی 25 دقیقه ،- خیلی سریعتر از 48 دقیقه مورد نیاز برای بهترین سیستم های قبلی- تشخیص دهد.

با ترکیب داده های فعالیت بدنی، سیستم محققان استیونز همچنین می تواند نوسانات قند خون ناشی از ورزش را به حساب آورد و بیشتر باعث افزایش صحت عملکرد خود شود. نسخه های آینده ی این سیستم می توانند با ترکیب داده های نرم افزارهای ردیابی قاعدگی، ابزار ردیابی خواب یا نشانگرهای استرس فیزیولوژیکی، هنوز هم خود را بهبود بخشند.

اکنون، تمرکز محققان بر استفاده از مجموعه داده های بزرگتر برای ایجاد شبیه سازی های دقیق تر است. نتایج منتشر شده مبتنی بر شبیه سازی براساس داده های سه روزه، برای هر شرکت کننده بود. کلاینبرگ اکنون در تلاش است تا الگوریتم هایی را ایجاد کند که با گذشت زمان بهبود یابند، به این ترتیب که با فهمیدن عادات رژیم غذایی کاربر و پاسخ های فیزیولوژیکی بدن فرد، می توانند سریع تر و دقیق تر رشد کنند.

این سیستم همچنین می تواند اثرات دوزهای مختلف انسولین را تحت نظر داشته باشد و در صورت عدم مصرف یک دوز کمتر به کاربر هشدار دهد و یا در تنظیم دقیق و ظریف دوز انسولین، به کاربر کمک کند. کلینبرگ گفت: محاسبه ی ناصحیح دوز انسولین بر اساس وعده ی غذایی یک مشکل اساسی است. اگر بتوانیم اندازه ی یک وعده غذایی را تشخیص دهیم، می توانیم در پاسخ به این سوال که چه مقدار انسولین مورد نیاز است، پیشنهاداتی را ارائه دهیم.

با وجود 629 میلیون نفر که احتمالاً تا سال 2050 به دیابت مبتلا می شوند، پیش بینی می شود سیستم های نظارت مداوم بر گلوکز در سال های آینده بطور فزاینده ای مورد استفاده قرار گیرند. در حالی که آزمایشات بیشتری لازم است، کلینبرگ امیدوار است که بتوانند این سیستم را به صورت رایگان در دسترس بیماران قرار دهند تا برای بیماران دیابتی این امکان ایجاد گردد که نرم افزار open-source که کنترل کننده ی سیستم مانیتور مداوم گلوکز و پمپ های انسولین است را ارتقا بخشند.

منبع:

https://medicalxpress.com/news/2019-11-meal-detection-technology-artificial-pancreas-closer.html