Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Facchinetti, Andrea (2009) On-Line Filtering Algorithms for Continuous Glucose Monitoring. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF
1737Kb

Abstract (inglese)

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.

Abstract (italiano)

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.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Cobelli, Claudio
Dottorato (corsi e scuole):Ciclo 21 > Scuole per il 21simo ciclo > INGEGNERIA DELL'INFORMAZIONE > BIOINGEGNERIA
Data di deposito della tesi:27 Gennaio 2009
Anno di Pubblicazione:2009
Parole chiave (italiano / inglese):Diabetes, Biomedical Signal Processing, Signal Denoising, Kalman Filter, Filtering Algorithms, Self-Tunable, Alert
Settori scientifico-disciplinari MIUR:Area 09 - Ingegneria industriale e dell'informazione > ING-INF/06 Bioingegneria elettronica e informatica
Struttura di riferimento:Dipartimenti > Dipartimento di Ingegneria dell'Informazione
Codice ID:1499
Depositato il:27 Gen 2009
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

[1] Alspach D.L., A parallel processing solution to the adaptive Kalman fil- Cerca con Google

tering problem with vector measurements, Computers & Electrical Engineering, Cerca con Google

1973 Jun;1(1):83-94 Cerca con Google

[2] Amir O., Weinstein D., Zilberman S., Less M., Perl-Treves D., Primack Cerca con Google

H., Weinstein A., Gabis E., Fikhte B., Karasik A., Continuous Noninva- Cerca con Google

sive Glucose Monitoring Technology Based on “Occlusion Spectroscopy”, Cerca con Google

J Diabetes Sci Technol, 2007 Jul;1(4):463-9 Cerca con Google

[3] Anderson B.D.O. and Moore J.B., Optimal filtering, Dover Publications, Cerca con Google

2005 Cerca con Google

[4] Ansley C.F., Kohn R.,Wong C.M., Nonparametric spline regression with Cerca con Google

prior information, Biometrika, 1993;80:75-88 Cerca con Google

[5] Bode B., Gross K., Rikalo N., Schwartz S., Wahl T., Page C., Gross T., Cerca con Google

Mastrototaro J., Alarms based on real-time sensor glucose values alert Cerca con Google

patients to hypo and hyperglycemia: the guardian continuous monitoring Cerca con Google

system, Diabetes Technol Ther, 2004 Apr;6(2):105-13 Cerca con Google

[6] Breton M.D. and Kovatchev B.P., Analysis, Modeling, and Simulation Cerca con Google

of the Accuracy of Continuous Glucose Sensors, J Diabetes Sci Technol, Cerca con Google

2008 Sep;2(5):853-62 Cerca con Google

[7] Buckingham B., Hypoglycemia detection, and better yet, prevention, in Cerca con Google

pediatric patients, Diabetes Technol Ther, 2005 Oct;7(5):792-6 Cerca con Google

[8] Chee F., Fernando T., Savkin A., Van Heernde P.V., The Use of Min- Cerca con Google

iMed CGMS in real-time glucose monitoring, 7th Annual Australian and Cerca con Google

New Zeland Intelligence Information Systems Conference, Nov 2001, 18- Cerca con Google

21, Perth - Western Australia Cerca con Google

[9] Clarke W.L. and Kovatchev B.P., Continuous Glucose Sensors: Contin- Cerca con Google

uing Questions about Clinical Accuracy, J Diabetes Sci Technol, 2007 Cerca con Google

Sep;1(5):669-75 Cerca con Google

92 BIBLIOGRAPHY Cerca con Google

[10] Choleau C., Dokladal P., Klein J.C., Ward W.K., Wilson G.S., Reach Cerca con Google

G., Prevention of hypoglycemia using risk assessment with a continuous Cerca con Google

glucose monitoring system, Diabetes, 2002 Nov;51(11):3263-73 Cerca con Google

[11] De Nicolao G., Sparacino G., Cobelli C., Nonparametric Input Esti- Cerca con Google

mation in Physiological Systems: Problem, Methods, and Case Studies, Cerca con Google

Automatica, 1997 May;33(5):851-70 Cerca con Google

[12] De Nicolao G., Ferrari-Trecate G., Sparacino G., Fast spline smoothing Cerca con Google

via spectral factorization concepts, Automatica, 2000 Nov;36(11):1733-9 Cerca con Google

[13] Facchinetti A., Sparacino G., Cobelli C., Reconstruction of glucose in Cerca con Google

plasma from interstitial fluid continuous glucose monitoring data: role Cerca con Google

of sensor calibration, J Diabetes Sci Technol, 2007 Sep;1(5):617-23. Cerca con Google

[14] Facchinetti A., Baruzzo T., Vio E., Sparacino G., Cobelli C., On- Cerca con Google

Line Time-Series Prediction Models for Continuous Glucose Monitoring Cerca con Google

(CGM) Data, Proceedings of 7th Annual Diabetes Technology Meeting Cerca con Google

(DTM), San Francisco (CA), 2007 Oct:A36 Cerca con Google

[15] Facchinetti A., Cappellotto P., Sparacino G., Cobelli C., A New On-Line Cerca con Google

Method for Improving Calibration of Continuous Glucose Monitoring Cerca con Google

(CGM) Sensor, Proceedings of 8th Annual Diabetes Technology Meeting Cerca con Google

(DTM), Bethesda (MD), 2008 Nov:A37 Cerca con Google

[16] Feldman B., Brazg R.,Schwartz S., Weinstein R., A Continuous Glucose Cerca con Google

Sensor Based on Wired EnzymeTM Technology - Results from a 3-Day Cerca con Google

Trial in Patients with Type 1 Diabetes, Diabetes Technol Ther, 2003 Cerca con Google

Oct;5(5):769-79 Cerca con Google

[17] Feldman B.J., McGarraugh G.V., Method of calibrating an analyte- Cerca con Google

measurement device, and associated methods, devices and systems, US Cerca con Google

Patent No. 7299082; 2007 Cerca con Google

[18] Gamber H.A., Choice of an optimal shape parameter when smoothing Cerca con Google

noisy data, Commun. Statist., 1979;A8:1425-36 Cerca con Google

[19] Gelb A., Ksper F., Nash R.A., Price C.F., Sutherland A.A., Applied Cerca con Google

Optimal Estimation, MIT Press, Cambridge, MA, 1974 Cerca con Google

[20] Ginsberg B.H., The Current Environment of CGM Technologies, J Diabetes Cerca con Google

Sci Technol, 2007 Jan;1(1):117-21 Cerca con Google

[21] Grewal M.S. and Andrews A.P., Kalman Filtering: Theory and Practice Cerca con Google

Using MATLAB, John Wiley & Sons, 2001 Cerca con Google

BIBLIOGRAPHY 93 Cerca con Google

[22] Heinemann L., Overcoming obstacles: new management options., Eur J Cerca con Google

Endocrinol, 2004 Oct;151 Suppl 2:T23-7; discussion T29-30 Cerca con Google

[23] Heise T., Koschinsky T., Heinemann L., Lodwig V., Overcoming Cerca con Google

obstacles: new management options, Diabetes Technol Ther, 2003 Cerca con Google

Aug;5(4):563-7 Cerca con Google

[24] Klonoff D.C., Continuous Glucose Monitoring: Roadmap for 21st century Cerca con Google

diabetes therapy, Diabetes Care, 2005 May;28(5):1231-9 Cerca con Google

[25] Klonoff D.C., Benefits and Limitation of Self Monitoring Blood Glucose, Cerca con Google

J Diabetes Sci Technol, 2007 Jan;1(1):130-2 Cerca con Google

[26] Knobbe E.J., Buckingham B., The extended Kalman filter for continuous Cerca con Google

glucose monitoring, Diabetes Technol Ther, 2005 Feb;7(1):15-27 Cerca con Google

[27] Kovatchev B.P., Gonder-Frederick L.A., Cox D.J., Clarke W.L., Evalu- Cerca con Google

ating the accuracy of continuous glucose-monitoring sensors: continuous Cerca con Google

glucose-error grid analysis illustrated by TheraSense Freestyle Navigator Cerca con Google

data, Diabetes Care, 2004 Aug;27(8):1922-8 Cerca con Google

[28] Kovatchev B.P., Anderson S., Heinemann L., Clarke W.L., Compari- Cerca con Google

son of the numerical and clinical accuracy of four continuous glucose Cerca con Google

monitors, Diabetes Care. 2008 Jun;31(6):1160-4 Cerca con Google

[29] Kubiak T.,W¨orle B., Kuhr B., Nied I., Gl¨asner G., Hermanns N., Kulzer Cerca con Google

B., Haak T., Microdialysis-based 48-hour continuous glucose monitoring Cerca con Google

with GlucoDay: clinical performance and patients’ acceptance, Diabetes Cerca con Google

Technol Ther, 2006 Oct;8(5):570-5 Cerca con Google

[30] Kuure-Kinsey M., Palerm C.C., Bequette B.W., A dual-rate Kalman Cerca con Google

filter for continuous glucose monitoring, Conf Proc IEEE Eng Med Biol Cerca con Google

Soc. 2006;1:63-6 Cerca con Google

[31] Lesperance L.M., Spektor A., McLeod K.J., Calibration of the contin- Cerca con Google

uous glucose monitoring system for transient glucose monitoring, Diabetes Cerca con Google

Technol Ther, 2007 Apr;9(2):183-90 Cerca con Google

[32] Lodwig V., Heinemann L., Glucose Monitoring Study Group, Continu- Cerca con Google

ous glucose monitoring with glucose sensors: calibration and assessment Cerca con Google

criteria, Diabetes Technol Ther, 2003;5(4):572-86 Cerca con Google

[33] Maran A., Crepaldi C., Tiengo A., Grassi G,. Vitali E., Pagano G., Cerca con Google

Bistoni S., Calabrese G., Santeusanio F., Leonetti F., Ribaudo M., Di Cerca con Google

94 BIBLIOGRAPHY Cerca con Google

Mario U., Annuzzi G., Genovese S., Riccardi G., Previti M., Cucinotta Cerca con Google

D., Giorgino F. Bellomo A., Giorgino R., Poscia A., Varalli M., Contin- Cerca con Google

uous subcutaneous glucose monitoring in diabetic patients: a multicenter Cerca con Google

analysis, Diabetes Care, 2002 Feb;25(2):347-52 Cerca con Google

[34] Mastrototaro J.J., Gross T.M., Shin J.J., Glucose monitor calibration Cerca con Google

methods, US Patent No. 6424847; 2002 Cerca con Google

[35] Mehra R.K., On the identification of variances and adaptive Kalman Cerca con Google

filtering, IEEE Trans Aut Cont, 1970;AC-15:175-84 Cerca con Google

[36] Palerm C.C., Willis J.P., Desemone J., Bequette B.W., Hypoglycemia Cerca con Google

prediction and detection using optimal estimation, Diabetes Technol Cerca con Google

Ther, 2005 Feb;7(1):3-14 Cerca con Google

[37] Palerm C., Bequette W., Hypoglycemia Detection and Prediction Using Cerca con Google

Continuous Glucose Monitoring-A Study on Hypoglycemic Clamp Data, Cerca con Google

J Diabetes Sci Technol, 2007 Sep;1(5):624-9 Cerca con Google

[38] Rebrin K., Steil G.M., van Antwerp W.P., Mastrototaro J.J., Subcu- Cerca con Google

taneous glucose predicts plasma glucose independent of insulin: impli- Cerca con Google

cations for continuous monitoring, Am J Physiol, 1999 Sep;277(3 Pt Cerca con Google

1):E561-71 Cerca con Google

[39] Rebrin K., Steil G.M., Can interstitial glucose assessment replace blood Cerca con Google

glucose measurements?, Diabetes Technol Ther, 2000 Apr;2(3):461-72 Cerca con Google

[40] Reifman J., Rajaraman S., Gribok A., Ward K.W., Predictive Monitor- Cerca con Google

ing for Improved Management of Glucose Levels, J Diabetes Sci Technol, Cerca con Google

2007 Jul;1(4):478-86 Cerca con Google

[41] Ryan C., Anderson S.M., Breton M., Less M., Clarke W.L., Kovatchev Cerca con Google

B.P., Modeling of Calibration Effectiveness and Blood-to-Interstitial Glu- Cerca con Google

cose Dynamics as Potential Confounders of the Accuracy of Continuous Cerca con Google

Glucose Sensors during Hyperinsulinemic Clamp, J Diabetes Sci Technol, Cerca con Google

2007 May;1(3):317-22 Cerca con Google

[42] Sparacino G. and Cobelli C., A stochastic deconvolutio method to recon- Cerca con Google

struct insulin secretion rate after a glucose stimulus, IEEE Trans Biomed Cerca con Google

Eng, 1996 May;43(5):512-29 Cerca con Google

[43] Sparacino G., Milani S., Arslan E., Cobelli C., A Bayesian approach to Cerca con Google

estimate evoked potentials, Comput Methods Programs Biomed, 2002 Cerca con Google

Jun;68(3):233-48 Cerca con Google

BIBLIOGRAPHY 95 Cerca con Google

[44] Sparacino G., Zanderigo F., Corazza S., Maran A., Facchinetti A., Cobelli Cerca con Google

C., Glucose concentration can be predicted ahead in time from con- Cerca con Google

tinuous glucose monitoring sensor time-series, IEEE Trans Biomed Eng, Cerca con Google

2007 May;54(5):931-7 Cerca con Google

[45] Sparacino G., Facchinetti A., Maran A., Cobelli C., Continuous glu- Cerca con Google

cose monitoring time series and hypo/hyperglycemia prevention: require- Cerca con Google

ments, methods, open problems, Curr Diabetes Rev, 2008 Aug;4(3):182- Cerca con Google

91 Cerca con Google

[46] Steil G.M., Rebrin K., Hariri F., Jinagonda S., Tadros S., Darwin C., Cerca con Google

Saad M.F., Interstitial fluid glucose dynamics during insulin-induced hy- Cerca con Google

poglycaemia, Diabetologia, 2005 Sep;48(9):1833-40 Cerca con Google

[47] Tierney M.J., Tamada J.A., Potts R.O., Eastman R.C., Pitzer K., Ackerman Cerca con Google

N.R., Fermi S.J., The GlucoWatch Biographer: a frequent, auto- Cerca con Google

matic and noninvasive glucose monitor, Ann Med 2000 Dec;32(9):632-41 Cerca con Google

[48] Voskanyan G., Keenan D.B., Mastrototaro J.J., Steil G.M., Putative Cerca con Google

delays in interstitial fluid (ISF) glucose kinetics can be attributed to the Cerca con Google

glucose sensing systems used to measure them rather than the dalay in Cerca con Google

ISF glucose itself, J Diabetes Sci Technol, 2007 Sep;1(5):639-44 Cerca con Google

[49] Wahba G. and Wendelberger J., Some new mathematical methods for Cerca con Google

variational objective analysis using splines and cross-validation,Monthly Cerca con Google

Wheater Rev., 1980;108:36-57 Cerca con Google

[50] Wahba G., Bayesian ’confidence intervals’ for the cross-validated Cerca con Google

smoothing spline, J. R. Stat. Soc. Ser. B, 1983;45(1):133-50 Cerca con Google

[51] Ward W.K., House J.L., Birck J., Anderson E.M., Jansen L.B., A wire- Cerca con Google

based dual-analyte sensor for glucose and lactate: in vitro and in vivo Cerca con Google

evaluation, Diabetes Technol Ther, 2004 Jun;6(3):389-401 Cerca con Google

[52] Ward W.K., The role of new technology in the early detection of hypo- Cerca con Google

glycemia, Diabetes Technol Ther, 2004 Apr;6(2):115-7 Cerca con Google

[53] Weinstein R.L., Schwartz S.L., Brazg R.L., Bugler J.R., Peyser T.A., Cerca con Google

McGarraugh G.V., Accuracy of the 5-day FreeStyle Navigator Contin- Cerca con Google

uous Glucose Monitoring System: comparison with frequent laboratory Cerca con Google

reference measurements, Diabetes Care, 2007 May;30(5):1125-30 Cerca con Google

[54] Wentholt I.M., Vollebregt M.A., Hart A.A., Hoekstra J.B., DeVries Cerca con Google

J.H., Comparison of a needle-type and a microdialysis continuous glucose Cerca con Google

96 BIBLIOGRAPHY Cerca con Google

monitor in type 1 diabetic patients, Diabetes Care, 2005 Dec;28(12):2871- Cerca con Google

6 Cerca con Google

[55] Weiss R., Yegorchikov Y., Shusterman A., Raz I., Noninvasive contin- Cerca con Google

uous glucose monitoring using photoacoustic technology-results from the Cerca con Google

first 62 subjects, Diabetes Technol Ther, 2007 Feb;9(1):68-74 Cerca con Google

[56] Zhou J. , Luecke R.H., Estimation of the covariances of the process noise Cerca con Google

and measurement noise for a linear discrete dynamic system, Computers Cerca con Google

& Chemical Engineering, 1995 Feb;19(2):187-95 Cerca con Google

[57] http://www.abbottdiabetescare.com Vai! Cerca con Google

[58] http://www.dexcom.com/ Vai! Cerca con Google

[59] http://www.diabetesnet.com/diabetes technology/continuous monitoring.php Vai! Cerca con Google

[60] http://glucosecontrol.ucsd.edu Vai! Cerca con Google

[61] http://www.lifescan.com/products/ Vai! Cerca con Google

[62] http://www.medcompare.com/details/33037/CGMS-System-Gold- Vai! Cerca con Google

Continuous-Glucose-Monitoring.html Cerca con Google

[63] http://www.menarini.com Vai! Cerca con Google

[64] http://www.minimed.com/products/guardian/ Vai! Cerca con Google

[65] http://www.who.int/diabetes/BOOKLET HTML/en/index5.html Vai! Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record