Tesi doctoral d'Alvis Cabrera Tejera: "Predicción probabilística de estados glucémicos para pacientes con diabetes tipo 1 mediante elanálisis de datos composicionales". Direcció: Dr. Josep Vehí Casellas i Dr. Aleix Beneyto Tantiña. Departament D'Enginyeria Elèctrica, Electrònica i Automàtica
La diabetis mellitus (DM) és una malaltia crònica que afecta un gran nombre de persones a tot el món, sent una pandèmia global. La diabetis tipus 1 (T1D) representa aproximadament el 10% de tots els casos. Es caracteritza per una destrucció autoimmune de les cèl·lules β del pàncrees, que són les encarregades de produir l'insulina. Aquesta pèrdua de cèl·lules β condueix a una falta permanent d'insulina, fet que provoca un estat anormal d'homeòstasi de la glucosa la sang (BG), conegut com hiperglucèmia. Alhora, pot causar complicacions cròniques tant microvasculars (retinopatia, neuropatia i nefropatia), com macrovasculars (malalties cardiovasculars i cerebrovasculars) i altres complicacions agudes.
En el tractament de la T1D, cal recórrer a l'insulina exògena per reduir els nivells de BG fins a la normoglucèmia (70-180 mg/dl), que s'ha establert com a objectiu de control. La normalització de la glucèmia és la tasca principal del tractament de la diabetis, intentant minimitzar els esdeveniments d'hipoglucèmia i hiperglucèmia. Els mecanismes principals d'intervenció en el control glucèmic en persones amb T1D són l'administració d'insulina i l'ajust de la dieta. En tots dos casos, l'eficàcia del tractament està influenciada pel retard en l'absorció i l'acció de l'insulina i l'alimentació. Per tant, l'habilitat per predir el perfil glucèmic en el futur és essencial per ajudar el pacient a prendre decisions i evitar situacions de risc.
La disponibilitat de sistemes de monitoratge continu de la glucosa (CGM) ha permès la recopilació sistemàtica de mesuraments de glucèmia a intervals curts (5 o 15 min), generant una gran quantitat de dades en temps real. Aquest augment en la disponibilitat de dades ha donat lloc al desenvolupament de nous models matemàtics de predicció, que, juntament amb la millora en la precisió dels mesuraments, permeten realitzar prediccions més fiables i a llarg termini malgrat la incertesa i variabilitat inherents a la mesurament de la glucèmia.
En aquesta tesi es presenta una eina de simulació per a T1D, on es generen cohorts de pacients virtuals (VPs), s'hi incorporen models d'insulines d'acció perllongada per avaluar teràpies de múltiples injeccions diàries (MDI) i d'infusió contínua d'insulina subcutània (CSII) a escenaris desafiadors i realistes. Es proposa una metodologia matemàtica basada en dades composicionals (CoDa) per validar un model probabilístic de transició entre diferents categories de períodes, brindant una mètrica nova que podria utilitzar-se en qualsevol procés que es vulgui validar les dades del qual siguin composicionals. Finalment, es presenta un model individualitzat per predir la mitjana i el coeficient de variació (CV) de la glucèmia per a les 2 i 4 hores següents. A partir d'aquestes prediccions, calculeu els valors mínims i màxims estimats de BG. S'ha implementat i validat un sistema d'informació de “traffic light” que actualitza a les persones sobre el seu estat glucèmic, els riscos relacionats amb hiperglucèmia, hipoglucèmia i CV per a les properes hores.
Es va avaluar la incorporació d'insulina d'acció perllongada al simulador de diabetis de MiceLab, on es van comparar els resultats en simulació amb els obtinguts en assaigs clínics. La validació i la proposta dels algorismes de predicció es van avaluar considerant conjunts de mesuraments de persones amb T1D que utilitzen dispositius CGM. Els resultats són prometedors i suggereixen que aquests models podrien millorar la precisió en la predicció de la BG, contribuint així als avenços de la tecnologia i l'optimització de les teràpies per millorar la qualitat de vida de les persones amb T1D.