Diabetes is a chronic disease characterized by the inefficiency of the pancreas to produce insulin (Type-1 diabetes), or by malfunctions in both insulin secretion and action (Type-2 diabetes). As a result, in a diabetic subject the plasma glycemic level exceeds the normal range, with several long and short term complications. Diabetes is taking on epidemic proportions with over 220 million individuals affected by this disease worldwide (1 over 20 adults, 95% of whom have Type-2 diabetes), a number which is expected to grow to 366 million by the year 2030. The conventional diabetes therapy is usually based on subcutaneous insulin injections, the doses of which are determined on the basis of the Self Monitoring of Blood Glucose (SMBG), which consists in 3-4 finger stick measurements per day. However, SMBG is not able to track all glycemic excursions outside the normal range that happen during daily life. For this reason, at the beginning of the 21st century new sensors have been developed which allow a quasi-continuous monitoring of blood glucose concentration (e.g. a measurement every 1 to 5 minutes), the so-called Continuous Glucose Monitoring (CGM). As discussed in Chapter 1, CGM devices are potentially an efficient tool for improving the diabetes management. First, they allow to detect more critical episodes, e.g. hypo and hyperglycemic events, than conventional SMBG thanks to the exploitation of the continuous-time information about the glycemic level. Second, they allow to perform a retrospective analysis of glucose profile, which could be very useful in the management of patient’s therapy, e.g. in the adjustment of the diet and the insulin dosage. Third, another significant improvement is represented by the embedding in many of the CGM systems of a tool able to generate visual and acoustic alerts when glucose concentration exceeds the normal-range thresholds. In the end, the huge amount of information coming from CGM devices could be managed to prevent (rather than simply detect) hypo and hyperglycemic events before they occur, e.g. by generating an alert, say, 20-30 min ahead of time. However, in order to usefully exploit all these advantages, some key features in CGM devices need to be significantly improved. One important and critical aspect that needs to be faced is the on-line enhancement of the Signal-to-Noise Ratio (SNR) of CGM profiles. In fact, CGM data are unavoidably affected by measurement error and, in order to improve e.g. the alert generation and future glucose level prediction, the noise component needs to be reduced, e.g. by using causal filters. So far, the problem of finding an optimal strategy for on-line filtering CGM data has not been yet satisfactorily treated, neither from industries nor from researchers. The aim of this work is to propose a new on-line stochastically-based filtering procedure to improve the quality and the information of CGM time series. In particular, we will prove that the new stochastically-based filtering procedure is able to cope with to inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data, significantly improving CGM device output. Deterministic approaches for filtering, e.g. the Moving-Average (MA), which is currently the most common and diffused filter methodology embedded in CGM devices, allow to improve the quality of CGM data. However, as discussed in Chapter 2, the enhancement produced is expected to be suboptimal, because MA filters do not adapt the regularization they introduce to inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data. To improve the enhancement of CGM data taking into account inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability, we developed a new stochastically-based filtering procedure, which is described in detail in Chapter 3. The core key of this new approach, implemented through the Kalman Filter (KF), lies in the exploitation of an a priori model of glucose signal smoothness. This model incorporates a parameter which can be estimated in real-time by a fully-automated Maximum Likelihood (ML)-based procedure. Performance of the new stochastic filtering procedure is first tested on a simulated dataset (Chapter 4). A Cross Validation (CV)-based procedure has been used to find the optimal a priori model of the signal smoothness. Then, the ability of the filter to cope with inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data have been demonstrated. Then, the new filter has been then applied on real data, i.e. a Menarini Glucoday and a Abbott FreeStyle Navigator datasets of 24 and 20 CGM time series, respectively (Chapter 5). A comparison with performance of the MA approach has been performed, using as criteria for the comparison the delay introduced by the filter together with its smoothing ability. Results on the two real datasets show that the new filter is able to correctly cope with inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data, introducing less delay than deterministic filters and performing a satisfactory denoising, adequately tuning the smoothing to the characteristics of the CGM profile.

Il diabete è una malattia cronica caratterizzata dell’impossibilità da parte del pancreas di produrre insulina (diabete di Tipo-1) o dal malfunzionamento sia nella secrezione insulinica che nell’azione che essa svolge (diabete di Tipo-2). Come risultato, nel soggetto diabetico il livello glicemico nel sangue può oltrepassare il range di normalità, portando a diverse complicazioni sia a breve che lungo termine. Dal punto di vista quantitativo, il diabete sta assumendo proporzioni di tipo epidemico, con una stima di oltre 220 milioni di individui in tutto il mondo affetti da questa patologia (1 adulto ogni 20, il 95% dei quali è affetto da diabete di Tipo-2), numero che le previsioni indicano crescere a 366 milioni entro il 2030. La terapia convenzionale per il suo trattamento è basata su iniezioni sottocutanee di insulina, le cui dosi sono calcolate ed aggiustate mediante automonitoraggio della glicemia (Self Monitoring Blood Glucose, SMBG), che consiste in 3-4 misurazioni pungi-dito al giorno. Purtroppo, il SMBG non è in grado di identificare tutte le escursioni glicemiche al di fuori del range di normalità che si possono verificare durante la vita quotidiana. Per questo motivo, all’inizio del XXI secolo sono stati sviluppati dei nuovi dispositivi che consentono di effettuare il monitoraggio (quasi) in continuo (ovvero una misurazione ogni 1-5 minuti) della concentrazione glicemica, comunemente chiamato Continuous Glucose Monitoring (CGM). Come verrà introdotto nel Capitolo 1, i dispositivi CGM posso essere considerati, potenzialmente, uno efficace strumento per il miglioramento della terapia del diabete. Per prima cosa, essi consentono di individuare un numero maggiore di episodi pericolosi, quali eventi di ipo e iperglicemia, rispetto al convenzionale SMBG, sfruttando informazioni a tempo continuo sul livello glicemico. Secondo, essi consentono di effettuare un’analisi retrospettiva dell’andamento glicemico stesso, analisi che può risultare estremamente utile nella gestione della terapia del paziente, per esempio nell’aggiustarne la dieta o le dosi di insulina. Terzo, un altro miglioramento significativo è rappresentato dal fatto che molti dispositivi CGM incorporano al loro interno un meccanismo che consente di generare allarmi sonori e visivi quando la concentrazione glicemica oltrepassa le soglie del range di normalità. Infine, la grossa quantità di informazioni prodotta da questi dispositivi può essere sfruttata per prevenire (piuttosto che semplicemente individuare) episodi di ipo e iperglicemia, per esempio generando un allarme con 20-30 minuti di preavviso. In ogni caso, per poter sfruttare al meglio tutti questi vantaggi, è necessario che alcuni aspetti chiave dei sensori CGM vengano notevolmente migliorati. Un aspetto critico, che necessita di essere affrontato e risolto, è quello relativo al miglioramento in tempo reale (on-line enhancement) del Rapporto Segnale-Rumore (Signal-to-Noise Ratio, SNR) dei profili CGM. Infatti, i dati CGM sono inevitabilmente corrotti da un rumore di misura e, per poter migliorare la generazione di allarmi e la predizione del livello glicemico, questa componente rumorosa deve essere ridotta, per es. utilizzando dei filtri causali. Fino ad ora, il problema di trovare una strategia ottima per il filtraggio on-line dei dati CGM non è stato ancora trattato in modo soddisfacente né dalle case produttrici di sensori né da ricercatori. L’obiettivo di questo lavoro è quello di proporre una nuova procedura di filtraggio, sviluppata in un contesto stocastico, per migliorare la qualità delle serie temporali CGM e le informazioni in esse contenute. In particolare, mostreremo come la nuova procedura sia in grado di affrontare con successo la variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, portando ad un miglioramento significativo nella qualità dei dati forniti in output dal sensore. Nel Capitolo 2 vedremo come un metodo di filtraggio di tipo deterministico, per es. il filtro a Media Mobile (Moving-Average, MA), che attualmente è il filtro più utilizzato all’interno dei dispositivi CGM, consenta di migliorare la qualità dei dati CGM. Tuttavia, il miglioramento prodotto risulta essere subottimo, in quanto tale approccio non è in grado di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM. Per migliorare la qualità dei dati CGM, tenendo in considerazione la loro variabilità, abbiamo sviluppato un nuovo approccio di filtraggio di tipo stocastico, che verrà descritto in dettaglio nel Capitolo 3. La caratteristica chiave di questo nuovo approccio, implementato mediante il Filtro di Kalman (Kalman Filter, KF), è legata al fatto che esso incorpora un modello a priori sulla regolarità del segnale glicemico. Questo modello è caratterizzato da un parametro che può essere stimato in real-time mediante una procedura automatica basata su un criterio di Massima Verosimiglianza (Maximum Likelihood, ML) dei dati. Le prestazioni della nuova procedura di filtraggio stocastico sono state testate prima di tutto su dati simulati (Capitolo 4). Una procedura basata sul criterio di Cross Validation (CV) è stata utilizzata per individuare il miglior modello a priori per descrivere la regolarità del segnale glicemico. Successivamente, le capacità del filtro di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, sono state illustrate in dettaglio. Successivamente, il nuovo filtro è stato applicato su dati reali (Capitolo 5), ovvero su un dataset Glucoday (Menarini) e su uno FreeStyle Navigator (Abbott), composti rispettivamente da 24 e 20 serie temporali CGM. Le prestazioni del nuovo filtro sono state confrontate con il filtro MA, usando come indici di confronto il ritardo introdotto dal filtro e la sua capacità di regolarizzare il segnale. I risultati ottenuti sui due dataset mostrano come il nuovo filtro sia correttamente in grado di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, introducendo un ritardo minore di quello prodotto dai filtri deterministici e riducendo in maniera soddisfacente la componente rumorosa, adeguando la regolarizzazione del segnale in base alle caratteristiche del profilo CGM.

On-Line Filtering Algorithms for Continuous Glucose Monitoring / Facchinetti, Andrea. - (2009).

On-Line Filtering Algorithms for Continuous Glucose Monitoring

Facchinetti, Andrea
2009

Abstract

Il diabete è una malattia cronica caratterizzata dell’impossibilità da parte del pancreas di produrre insulina (diabete di Tipo-1) o dal malfunzionamento sia nella secrezione insulinica che nell’azione che essa svolge (diabete di Tipo-2). Come risultato, nel soggetto diabetico il livello glicemico nel sangue può oltrepassare il range di normalità, portando a diverse complicazioni sia a breve che lungo termine. Dal punto di vista quantitativo, il diabete sta assumendo proporzioni di tipo epidemico, con una stima di oltre 220 milioni di individui in tutto il mondo affetti da questa patologia (1 adulto ogni 20, il 95% dei quali è affetto da diabete di Tipo-2), numero che le previsioni indicano crescere a 366 milioni entro il 2030. La terapia convenzionale per il suo trattamento è basata su iniezioni sottocutanee di insulina, le cui dosi sono calcolate ed aggiustate mediante automonitoraggio della glicemia (Self Monitoring Blood Glucose, SMBG), che consiste in 3-4 misurazioni pungi-dito al giorno. Purtroppo, il SMBG non è in grado di identificare tutte le escursioni glicemiche al di fuori del range di normalità che si possono verificare durante la vita quotidiana. Per questo motivo, all’inizio del XXI secolo sono stati sviluppati dei nuovi dispositivi che consentono di effettuare il monitoraggio (quasi) in continuo (ovvero una misurazione ogni 1-5 minuti) della concentrazione glicemica, comunemente chiamato Continuous Glucose Monitoring (CGM). Come verrà introdotto nel Capitolo 1, i dispositivi CGM posso essere considerati, potenzialmente, uno efficace strumento per il miglioramento della terapia del diabete. Per prima cosa, essi consentono di individuare un numero maggiore di episodi pericolosi, quali eventi di ipo e iperglicemia, rispetto al convenzionale SMBG, sfruttando informazioni a tempo continuo sul livello glicemico. Secondo, essi consentono di effettuare un’analisi retrospettiva dell’andamento glicemico stesso, analisi che può risultare estremamente utile nella gestione della terapia del paziente, per esempio nell’aggiustarne la dieta o le dosi di insulina. Terzo, un altro miglioramento significativo è rappresentato dal fatto che molti dispositivi CGM incorporano al loro interno un meccanismo che consente di generare allarmi sonori e visivi quando la concentrazione glicemica oltrepassa le soglie del range di normalità. Infine, la grossa quantità di informazioni prodotta da questi dispositivi può essere sfruttata per prevenire (piuttosto che semplicemente individuare) episodi di ipo e iperglicemia, per esempio generando un allarme con 20-30 minuti di preavviso. In ogni caso, per poter sfruttare al meglio tutti questi vantaggi, è necessario che alcuni aspetti chiave dei sensori CGM vengano notevolmente migliorati. Un aspetto critico, che necessita di essere affrontato e risolto, è quello relativo al miglioramento in tempo reale (on-line enhancement) del Rapporto Segnale-Rumore (Signal-to-Noise Ratio, SNR) dei profili CGM. Infatti, i dati CGM sono inevitabilmente corrotti da un rumore di misura e, per poter migliorare la generazione di allarmi e la predizione del livello glicemico, questa componente rumorosa deve essere ridotta, per es. utilizzando dei filtri causali. Fino ad ora, il problema di trovare una strategia ottima per il filtraggio on-line dei dati CGM non è stato ancora trattato in modo soddisfacente né dalle case produttrici di sensori né da ricercatori. L’obiettivo di questo lavoro è quello di proporre una nuova procedura di filtraggio, sviluppata in un contesto stocastico, per migliorare la qualità delle serie temporali CGM e le informazioni in esse contenute. In particolare, mostreremo come la nuova procedura sia in grado di affrontare con successo la variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, portando ad un miglioramento significativo nella qualità dei dati forniti in output dal sensore. Nel Capitolo 2 vedremo come un metodo di filtraggio di tipo deterministico, per es. il filtro a Media Mobile (Moving-Average, MA), che attualmente è il filtro più utilizzato all’interno dei dispositivi CGM, consenta di migliorare la qualità dei dati CGM. Tuttavia, il miglioramento prodotto risulta essere subottimo, in quanto tale approccio non è in grado di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM. Per migliorare la qualità dei dati CGM, tenendo in considerazione la loro variabilità, abbiamo sviluppato un nuovo approccio di filtraggio di tipo stocastico, che verrà descritto in dettaglio nel Capitolo 3. La caratteristica chiave di questo nuovo approccio, implementato mediante il Filtro di Kalman (Kalman Filter, KF), è legata al fatto che esso incorpora un modello a priori sulla regolarità del segnale glicemico. Questo modello è caratterizzato da un parametro che può essere stimato in real-time mediante una procedura automatica basata su un criterio di Massima Verosimiglianza (Maximum Likelihood, ML) dei dati. Le prestazioni della nuova procedura di filtraggio stocastico sono state testate prima di tutto su dati simulati (Capitolo 4). Una procedura basata sul criterio di Cross Validation (CV) è stata utilizzata per individuare il miglior modello a priori per descrivere la regolarità del segnale glicemico. Successivamente, le capacità del filtro di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, sono state illustrate in dettaglio. Successivamente, il nuovo filtro è stato applicato su dati reali (Capitolo 5), ovvero su un dataset Glucoday (Menarini) e su uno FreeStyle Navigator (Abbott), composti rispettivamente da 24 e 20 serie temporali CGM. Le prestazioni del nuovo filtro sono state confrontate con il filtro MA, usando come indici di confronto il ritardo introdotto dal filtro e la sua capacità di regolarizzare il segnale. I risultati ottenuti sui due dataset mostrano come il nuovo filtro sia correttamente in grado di adattarsi alla variabilità inter- ed intra-individuale del SNR, e quella da sensore a sensore, presente nei dati CGM, introducendo un ritardo minore di quello prodotto dai filtri deterministici e riducendo in maniera soddisfacente la componente rumorosa, adeguando la regolarizzazione del segnale in base alle caratteristiche del profilo CGM.
2009
Diabetes is a chronic disease characterized by the inefficiency of the pancreas to produce insulin (Type-1 diabetes), or by malfunctions in both insulin secretion and action (Type-2 diabetes). As a result, in a diabetic subject the plasma glycemic level exceeds the normal range, with several long and short term complications. Diabetes is taking on epidemic proportions with over 220 million individuals affected by this disease worldwide (1 over 20 adults, 95% of whom have Type-2 diabetes), a number which is expected to grow to 366 million by the year 2030. The conventional diabetes therapy is usually based on subcutaneous insulin injections, the doses of which are determined on the basis of the Self Monitoring of Blood Glucose (SMBG), which consists in 3-4 finger stick measurements per day. However, SMBG is not able to track all glycemic excursions outside the normal range that happen during daily life. For this reason, at the beginning of the 21st century new sensors have been developed which allow a quasi-continuous monitoring of blood glucose concentration (e.g. a measurement every 1 to 5 minutes), the so-called Continuous Glucose Monitoring (CGM). As discussed in Chapter 1, CGM devices are potentially an efficient tool for improving the diabetes management. First, they allow to detect more critical episodes, e.g. hypo and hyperglycemic events, than conventional SMBG thanks to the exploitation of the continuous-time information about the glycemic level. Second, they allow to perform a retrospective analysis of glucose profile, which could be very useful in the management of patient’s therapy, e.g. in the adjustment of the diet and the insulin dosage. Third, another significant improvement is represented by the embedding in many of the CGM systems of a tool able to generate visual and acoustic alerts when glucose concentration exceeds the normal-range thresholds. In the end, the huge amount of information coming from CGM devices could be managed to prevent (rather than simply detect) hypo and hyperglycemic events before they occur, e.g. by generating an alert, say, 20-30 min ahead of time. However, in order to usefully exploit all these advantages, some key features in CGM devices need to be significantly improved. One important and critical aspect that needs to be faced is the on-line enhancement of the Signal-to-Noise Ratio (SNR) of CGM profiles. In fact, CGM data are unavoidably affected by measurement error and, in order to improve e.g. the alert generation and future glucose level prediction, the noise component needs to be reduced, e.g. by using causal filters. So far, the problem of finding an optimal strategy for on-line filtering CGM data has not been yet satisfactorily treated, neither from industries nor from researchers. The aim of this work is to propose a new on-line stochastically-based filtering procedure to improve the quality and the information of CGM time series. In particular, we will prove that the new stochastically-based filtering procedure is able to cope with to inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data, significantly improving CGM device output. Deterministic approaches for filtering, e.g. the Moving-Average (MA), which is currently the most common and diffused filter methodology embedded in CGM devices, allow to improve the quality of CGM data. However, as discussed in Chapter 2, the enhancement produced is expected to be suboptimal, because MA filters do not adapt the regularization they introduce to inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data. To improve the enhancement of CGM data taking into account inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability, we developed a new stochastically-based filtering procedure, which is described in detail in Chapter 3. The core key of this new approach, implemented through the Kalman Filter (KF), lies in the exploitation of an a priori model of glucose signal smoothness. This model incorporates a parameter which can be estimated in real-time by a fully-automated Maximum Likelihood (ML)-based procedure. Performance of the new stochastic filtering procedure is first tested on a simulated dataset (Chapter 4). A Cross Validation (CV)-based procedure has been used to find the optimal a priori model of the signal smoothness. Then, the ability of the filter to cope with inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data have been demonstrated. Then, the new filter has been then applied on real data, i.e. a Menarini Glucoday and a Abbott FreeStyle Navigator datasets of 24 and 20 CGM time series, respectively (Chapter 5). A comparison with performance of the MA approach has been performed, using as criteria for the comparison the delay introduced by the filter together with its smoothing ability. Results on the two real datasets show that the new filter is able to correctly cope with inter-individual SNR, intra-individual SNR, and sensor-to-sensor variability of CGM data, introducing less delay than deterministic filters and performing a satisfactory denoising, adequately tuning the smoothing to the characteristics of the CGM profile.
Diabetes, Biomedical Signal Processing, Signal Denoising, Kalman Filter, Filtering Algorithms, Self-Tunable, Alert
On-Line Filtering Algorithms for Continuous Glucose Monitoring / Facchinetti, Andrea. - (2009).
File in questo prodotto:
File Dimensione Formato  
Andrea_Facchinetti_-_PhD_Thesis.pdf

accesso aperto

Tipologia: Tesi di dottorato
Licenza: Non specificato
Dimensione 1.74 MB
Formato Adobe PDF
1.74 MB Adobe PDF Visualizza/Apri
Pubblicazioni consigliate

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11577/3425934
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact