Pancreas Artificiale per pazienti diabetici di tipo 1: un approccio multi-modello per la predizione della glicemia

Diabetes mellitus is a rapidly growing chronic disease affecting millions of people globally. In 2021, the International Diabetes Federation reported that over 537 million individuals were living with diabetes, with projections indicating a continued increase. Although there is no cure, various diabetes management strategies are available, tailored to the specific type of diabetes. This thesis specifically addresses the automation of insulin therapy for individuals with type 1 diabetes. This research introduces two Model Predictive Control (MPC) strategies for automatic insulin delivery, designed for integration into a wearable Artificial Pancreas (AP) system. One of these strategies is well-established and commonly used in the literature, while the other is the first contribution of this work exploiting an asymmetric nonlinear cost function. This thesis uses advanced personalization techniques to address inter-patient variability, resulting in customized models capable of predicting glucose-insulin dynamics. Intra-day variability is managed through the Multiple Model Predictor (MMP) in the control algorithm. It is a method studied in literature that has been modified in this research with a soft-switching mechanism to account for patients' physiological dynamics. The identification and control methods proposed in this study were validated in-silico using the well-known UVA/Padova metabolic simulator, which includes a comprehensive virtual population of diabetic adults, adolescents, and children. For each adult patient, both the Daily Model Predictor (DMP) and MMP were developed and validated. In the case of the MMP, the optimal combination of Basic Models (BMs) it is composed of, was determined for each patient and subsequently tested with both proposed MPC algorithms. Notably, the asymmetric version of the MPC (AC-MPC) presented in this thesis demonstrated better results in terms of reliability and safety. However, some patients still fail to achieve a satisfactory response to the provided insulin treatment, indicating a need for further investigation on a case-by-case basis to improve both the model and other control parameters.

Il diabete mellito è una malattia cronica in rapida crescita che colpisce milioni di persone a livello globale. Nel 2021, la International Diabetes Federation ha riportato che oltre 537 milioni di individui erano affetti da diabete, con proiezioni che indicavano un ulteriore aumento. Sebbene non esista una cura, sono disponibili diverse strategie di gestione del diabete, personalizzate in base al tipo. Questa tesi affronta specificamente l'automazione della terapia insulinica per le persone affette da diabete di tipo 1. La tesi introduce due strategie di controllo predittivo (Model Predictive Control, MPC) per la somministrazione automatica di insulina, progettate per l'integrazione in un sistema di pancreas artificiale (AP) indossabile. Una di queste strategie è ben consolidata e utilizzata in letteratura, mentre l'altra costituisce uno dei contributi di questa tesi, utilizzando una funzione di costo non lineare asimmetrica. Per affrontare la variabilità inter-paziente, in questa tesi vengono utilizzate tecniche avanzate di personalizzazione, che generano modelli capaci di prevedere la dinamica glucosio-insulina. La variabilità intra-giornaliera è gestita attraverso l'uso di un Multiple Model Predictor (MMP) all'interno del controllore. Si tratta di un metodo studiato in letteratura che è stato modificato in questo lavoro con un meccanismo di soft-switching per tenere conto delle dinamiche fisiologiche dei pazienti. I metodi di identificazione e controllo proposti in questa tesi sono stati validati in-silico utilizzando il simulatore metabolico UVA/Padova, che include una popolazione virtuale di adulti, adolescenti e bambini diabetici. Per ciascun paziente adulto, sono stati sviluppati e validati sia il Daily Model Predictor (DMP) sia il MMP. Nel caso del MMP, la combinazione ottimale dei Basic Models (BMs) che lo compongono, è stata determinata per ogni paziente e successivamente testata con entrambi gli algoritmi MPC proposti. La versione asimmetrica dell'MPC (AC-MPC) presentata in questa tesi, ha dimostrato risultati migliori in termini di affidabilità e sicurezza. Tuttavia, alcuni pazienti non sono riusciti a ottenere una risposta soddisfacente al trattamento insulinico fornito, indicando la necessità di ulteriori indagini paziente per paziente per migliorare sia il modello che altri parametri del controllo.