Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 13 Núm. 2 (2022)
Vol. 13 Núm. 2 (2022): Vol. 13 Núm. 2 (2022): Vol 13, Núm.2 (2022): Julio-Diciembre

Artículos de investigación / Research papers

Control óptimo de la glucosa en la sangre mediante infusión continua de insulina

https://doi.org/10.19053/01217488.v13.n2.2022.14173

Publicado 2022-07-12

  • Edwar Fabián Panqueba Moreno
    • ,
  • Jorge Mauricio Ruiz Vera

Edwar Fabián Panqueba Moreno
Universidad Nacional de Colombia

Jorge Mauricio Ruiz Vera


Resumen

En este trabajo se plantea el problema del régimen de suministro de insulina en un paciente diabético como un problema de control óptimo, de tal manera que no se genere sobredosis o insuficiencia del medicamento hormonal bajo diferentes estilos de alimentación. La interacción entre la glucosa e insulina se modela como un sistema no lineal de ecuaciones diferenciales ordinarias. Se prueba la existencia y unicidad global de la solución de dicho sistema, al igual que la del control óptimo. El problema de control óptimo se resuelve de manera directa empleando el método de programación cuadrática secuencial. Los resultados numéricos sugieren establecer, según el estilo de alimentación del paciente, el nivel de concentración de glucosa prescrito a mantener durante el día. Se espera que el estudio analítico y numérico de esta propuesta sea de ayuda en futuros desarrollos en bombas de insulina.

Palabras clave

Control óptimo, programación no lineal, dinámica glucosa-insulina, diabetes, biología matemática

PDF

Citas

  1. Ackerman, E., Gatewood, L., Rosevear, J. & Molnar, G. Model studies of blood-glucose regulation. Bulletin Of Mathematical Biology. vol. 27, pp. 21-37, 1965. DOI: https://doi.org/10.1007/BF02477259
  2. Ajmera, I., Swat, M., Laibe, C., Novère, N. & Chelliah, V. The impact of mathematical modeling on the understanding of diabetes and related complications. CPT: Pharmacometrics & Systems Pharmacology, vol. 2, pp. 1-14, 2013. DOI: https://doi.org/10.1038/psp.2013.30
  3. Alonso Cisneros, I. Técnicas de control en modelos matemáticos para la diabetes. Universidad de Cantrabria, 2015.
  4. Andrikov, D. & Kurbanov, S. Development of a Linear Model of Diabetes Mellitus with a PID Controller and a Method for Automatic Adjustment of the PID Controller. Intelligent Sustainable Systems, pp. 43-49, 2022. DOI: https://doi.org/10.1007/978-981-16-6309-3_5
  5. Apablaza,P.,Soto,N.,Román,R.&Codner,E. Nuevas Tecnologías en diabets. Revista Médica Clínica Las Condes, vol. 27, pp. 213-226, 2016. DOI: https://doi.org/10.1016/j.rmclc.2016.04.011
  6. Barbu, V. Mathematical methods in optimiza- tion of differential systems. Springer Science & Business Media, 2012.
  7. Barragán, F. Técnicas de control robusto H2/H para sistemas controlados a través de redes de comunicación. Universidad de Sevilla, 2012.
  8. Beato, P. Sistemas de páncreas artificial disponibles en el mercado español: ¿qué aportan al paciente?. Revista Diabetes. vol. 58, pp. 28-32, 2019.
  9. Bergman, R., Ider, Y., Bowden, C. & Cobelli, C. Quantitative estimation of insulin sensitivity. American Journal Of Physiology- Endocrinology And Metabolism, 236, E667, 1979. DOI: https://doi.org/10.1152/ajpendo.1979.236.6.E667
  10. Bolie, V. Coefficients of normal blood glucose regulation. Journal Of Applied Physiology, vol. 16, pp. 783-788, 1961. DOI: https://doi.org/10.1152/jappl.1961.16.5.783
  11. Bulirsch, R. & Stoer, J. Introduction to numerical analysis. Springer, 1996.
  12. Fatsecret Chile Calculadora conteo de calorías y carbohidratos por porción de alimento, 2021. https://www.fatsecret.cl/calorias-nutricion/
  13. Fisher, M. & Teo, K. Optimal insulin infusion resulting from a mathematical model of blood glucose dynamics. IEEE Transactions On Biomedical Engineering, vol. 36, pp. 479-486, 1989. DOI: https://doi.org/10.1109/10.18755
  14. Staten, M., Stern, M., Miller, W., Steffes, M., Campbell, S. & Workgroup, I. Insulin assay standardization: leading to measures of insulin sensitivity and secretion for practical clinical care. Diabetes Care, vol. 33, pp. 205-206, 2010. DOI: https://doi.org/10.2337/dc09-1206
  15. Huang, M., Li, J., Song, X. & Guo, H. Modeling impulsive injections of insulin: towards artificial pancreas. SIAM Journal On Applied Mathematics, vol. 72, pp. 1524-1548, 2012. DOI: https://doi.org/10.1137/110860306
  16. Kapur, J. Mathematical modelling. New Age International, 1988.
  17. Knopp, J., Holder-Pearson, L. & Chase, J. Insulin Units and Conversion Factors: A Story of Truth, Boots, and Faster Half-Truths. Journal Of Diabetes Science And Technology, vol. 13, pp. 597-600, 2019. DOI: https://doi.org/10.1177/1932296818805074
  18. König Quantifying the Contribution of the Liver to Glucose Homeostasis: A Detailed Kinetic Model of Human Hepatic Glucose Metabolism. PLOS Computational Biology, vol. 8, pp. 1-17, 2012. DOI: https://doi.org/10.1371/journal.pcbi.1002577
  19. Leon, B., Alanis, A., Sanchez, E., Ornelas- Tellez, F. & Ruiz-Velazquez, E. Neural inverse optimal control applied to type 1 diabetes mellitus patients. Analog Integrated Circuits And Signal Processing, vol. 76, pp. 343-352, 2013. DOI: https://doi.org/10.1007/s10470-013-0109-8
  20. ̈Medtronic Minmed Inc Información básica sobre el tratamiento con bomba de insulina. (2015),
  21. Mirzaee, A., Dehghani, M. & Mohammadi, M. Optimal impulsive blood glucose control through multiple injections. Chaos, Solitons & Fractals, vol. 152, pp. 111326, 2021. DOI: https://doi.org/10.1016/j.chaos.2021.111326
  22. Myfitnesspal Calculadora conteo de calorías y carbohidratos por porción de alimento, 2021. https://www.myfitnesspal.com/es/food/search
  23. Nocedal, J. & Wright, S. Numerical opti- mization. Springer Science & Business Media, 2006.
  24. Pan, D., Wang, K., Zhou, Z., Liu, X. & Shen, J. FAHP-based Mathematical Model for Exercise Rehabilitation Management
  25. of Diabetes Mellitus. arXiv, 2022. https://arxiv.org/abs/2201.07884
  26. Parker, R., Doyle, F. & Peppas, N. A model- based algorithm for blood glucose control in
  27. Type I diabetic patients. IEEE Transactions On Biomedical Engineering, vol. 46, pp. 148-157, 1999. DOI: https://doi.org/10.1109/10.740877
  28. Pedregal, P. Introduction to optimization. Springer New York, 2006.
  29. Rathee, S. & Nilam ODE models for the man- agement of diabetes: A review. International Journal Of Diabetes In Developing Countries, vol. 37, pp. 4-15, 2017. DOI: https://doi.org/10.1007/s13410-016-0475-8
  30. Song, X., Huang, M. & Li, J. Modeling Impulsive Insulin Delivery in Insulin Pump with Time Delays. SIAM Journal On Applied Mathematics, vol. 74, pp. 1763-1785, 2014. DOI: https://doi.org/10.1137/130933137
  31. Swan, G. An optimal control model of diabetes mellitus. Bulletin Of Mathematical Biology, vol. 44, pp. 793-808, 1982. DOI: https://doi.org/10.1016/S0092-8240(82)80043-8
  32. Uvaliyeva, I. & Ismukhamedova, A. Mathe- matical Model for Early Diagnosis of Diabetes Mellitus 2021 International Young Engineers Forum (YEF-ECE), pp. 104-108, 2021. DOI: https://doi.org/10.1109/YEF-ECE52297.2021.9505105
  33. Velásquez, S., Velásquez, R., Leyton, M., Borjas, J. & Custodio, A. Modelado del control de la regulación de Glucosa. Universidad, Ciencia Y Tecnología, vol. 17, 2013.
  34. Wang, L. PID Control System Design and Automatic Tuning using MATLAB/Simulink. Wiley-IEEE Press, 2020. DOI: https://doi.org/10.1002/9781119469414

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 3 > >> 

También puede {advancedSearchLink} para este artículo.