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

| Crea un account

Denti, Paolo (2009) Nonlinear Mixed-Effects Modelling of Glucose-Insulin Metabolism. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF
2586Kb

Abstract (inglese)

Diabetes mellitus is not only a very serious disease, causing discomfort and pain to millions across the world, but with the aging of the population and the prevalence of a sedentary lifestyle, it is assuming the proportion of a real epidemic, becoming a public health and social emergency. In answer to this call, research on diabetes has been intensely carried out in the past decades and the knowledge and understanding of its etiology have been significantly improved. However, investigation is still ongoing, many important questions are still unanswered, and the causes eliciting the pathogenesis and progression of the diseases are not yet fully understood. During all these years of research, sophisticated tools have been developed to study the glucose-insulin metabolic system in vivo, and cope with the inaccessibility to direct measurement of some of the key phenomena underlying the glycemic control. Such tools, as complex test protocols and model-based approaches used to interpret the experimental data, have proven powerful weapons of investigation, but, considering the epidemic proportion of the disease, there is great demand for approaches that are less invasive, less expensive and therefore more suitable for large clinical studies. Mathematical and statistical techniques that collectively go under the name of “population approaches” have already been developed and are largely employed for pharmacokinetics and pharmacodynamics studies in drug development. However, in spite of their interesting potential, they have not found significant application yet in the context of metabolism research. Thus, investigation is required to probe the feasibility and relevance of such approaches in the study of diabetes. The research presented here addresses these issues, and is aimed at applying these sophisticated techniques to the modeling of glucose metabolism, first assessing the applicability of these approaches and tailoring them to the problem under investigation, then employing them to the analysis of data from population studies.
First, a simulated but physiologically plausible dataset is created based on previous real data and employed as a benchmark to assess the applicability of population approaches to the Intra Venous Glucose Tolerance Test (IVGTT) minimal model of glucose disappearance.
Various population algorithms have been proposed in the literature, therefore a thorough comparison of the available methodologies is performed, and a sparse data situation is replicated to test the robustness of these methods in such cases. The results select the First-Order Conditional Estimation as method of choice and show its robustness to poor sampling. Then, a larger real dataset is employed and analyzed with the same techniques, this time assessing the quality of the results with a Monte Carlo sampling approach to profile the likelihood function. Then the population model is optimized, to provide a base model for the following covariate analysis. In fact, at the time of the experiments, demographic data about the subjects has been collected, and the purpose of the covariate analysis is to determine whether some of these variables are significantly correlated with the model parameters and can be successfully used to explain part of the differences among the subjects. After a first exploratory regression analysis, different models are tested, integrating the most significant covariates directly as predictors into the model. In agreement with previous findings in literature, basal insulinemia, age and visceral abdominal fat are shown to be good predictors of insulin sensitivity and their introduction in the model is able to account for about a third of the between-subject variability of the values of this parameter. The use of covariates enhances the explanatory power of the model and opens the way for devising new lighter experimental protocols. One of the main benefits of the population approaches, in fact, consists in their ability to borrow information across the population and use it to improve the individual parameter estimates. As a result, the experimental protocols can be less demanding, both in invasiveness and economic cost, allowing in this way a broader use in large clinical studies. The results presented here, in fact, show that population approaches are very robust and able to cope with sparse data situations. In addition, the use of covariates in the model enhances even further the power of such techniques and makes them very appealing approaches to the study of glucose-insulin metabolism.
In addition, a population approach is proposed to solve the problem of the estimation of the Disposition Index (DI) of glucose tolerance in a population. Since both insulin sensitivity and beta-cell response must be taken into account to assess the actual efficiency of the glucose disposal system, the DI was proposed to condense the information conveyed by both these parameters in a single value. Traditionally, approaches based on a geometrical fit are used to determine the value of DI in a population of subjects characterized by the same degree of glucose tolerance. However, all these methods rely on the assumption that all the subjects in the population share exactly the same value of DI and are therefore not able to account for the population variability, which is inevitably inherent to biological data. In this work, a NonLinear Mixed-Effects Approach is proposed to analyze the distribution of the insulin sensitivity and beta-cell response indices across a population, and then obtaining the information on the DI from the population features thus estimates. Comparisons on simulated datasets between the newly proposed method and its competitors prove that a proper model of the variability structure is essential to avoid severe bias in the estimates.

Abstract (italiano)

Il diabete mellito è non solo una patologia molto seria, che causa disagi e sofferenze a milioni di persone nel mondo, ma, anche a causa dell’affermarsi di uno stile di vita sedentario e dell’invecchiamento della popolazione, negli ultimi decenni ha raggiunto proporzioni epidemiche, diventando una vera e propria emergenza sanitaria e sociale. Per fronteggiare questo problema, molte risorse sono state dedicate all’attività di ricerca scientifica, che ha permesso una più profonda conoscenza dell’eziologia del diabete. Tuttavia, il diabete è a tutt’oggi ancora inguaribile e molte questioni rimangono aperte, fra cui la completa comprensione dei fattori che causano e fanno progredire la malattia. Anni di ricerca hanno permesso di sviluppare molti sofisticati strumenti per studiare il sistema metabolico glucosio-insulina in vivo e poter così fronteggiare il problema dell’inaccessibilità diretta di alcuni dei fenomeni chiave che controllano la glicemia. Tali strumenti, fra cui protocolli di studio e approcci basati su modello usati per interpretare i dati sperimentali, si sono rivelati armi molto potenti nelle mani dei ricercatori, ma le proporzioni epidemiche della malattia e il parziale cambiamento delle strategie e obiettivi della ricerca hanno sollevato l’esigenza di poter disporre di metodologie meno invasive, più economiche, e quindi più adatte ad essere applicate ad estesi studi clinici. Alcuni strumenti matematici e statistici che sono collettivamente conosciuti con il nome di “approcci di popolazione” sono già stati sviluppati e vengono largamente impiegati in studi di farmacocinetica e farmacodinamica, per lo sviluppo di farmaci. Tali approcci si prefiggono come obiettivo primario di stimare la distribuzione dei parametri di un modello all’interno di una popolazione e pertanto si avvalgono, per la stima individuale, delle informazioni disponibili sull’intero gruppo di soggetti. Sono particolarmente adatti a situazioni in cui il campionamento intensivo in un singolo soggetto non è possibile, e quando l’interesse del ricercatore è focalizzato sulla variabilità inter-individuale. Tuttavia, nonostante le loro interessanti potenzialità, gli approcci di popolazione non sono ancora apprezzati all’interno dell’ambiente di ricerca sulle malattie metaboliche, e la loro applicazione in tali studi è stata molto limitata. Pertanto è necessaria dell’attività di ricerca per saggiare l’effettiva fattibilità e rilevanza dell’utilizzo di tali approcci nello studio del diabete. La ricerca qui presentata risponde a queste esigenze, proponendosi come obiettivo l’applicazione di queste sofisticate tecniche ai modelli di metabolismo del glucosio, prima testandone la fattibilità e adattandole al problema in esame, e poi impiegandole nell’analisi di dati raccolti in studi di popolazione.
Poiché in letteratura sono stati proposti molti diversi algoritmi, come primo passo, un dataset simulato è stato utilizzato per effettuare un confronto delle metodologie quando applicate al modello minimo del glucosio per il Test di Tolleranza IntraVenosa al Glucosio (IVGTT). First-Order Conditional Estimation (FOCE) si è rivelato come l’algoritmo più soddisfacente, in quanto ha fornito i risultati più accurati e robusti in caso di scarsità o rumorosità dei campioni. Successivamente, per validare i risultati trovati su dati reali, l’analisi è stata ripetuta su un dataset più esteso, relativo a 204 soggetti sani testati con IVGTT. Per poter saggiare la bontà delle soluzioni fornite dai vari algoritmi, è stato impiegato un sistema di stima della likelihood function basato su campionamento Monte Carlo. Questa analisi, non solo ha permesso di confermare la scelta di FOCE come metodo preferenziale, ma si è anche rivelata come un potente strumento per valutare la precisione delle stime dei parametri di popolazione. Successivamente, è stato messo a punto e ottimizzato un modello di popolazione, conservando nella matrice di covarianza solo i termini di correlazione fra i parametri SI-P2 e SG-VOL. Questo modello è servito come base per la successiva integrazione di covariate nel modello. Al momento dell’esecuzione degli esperimenti, infatti, sono stati raccolti alcuni dati sui pazienti, fra cui altezza, peso, sesso, età, glicemia e insulinemia basali, informazioni sul grasso corporeo. È stata effettuata una analisi per determinare quali fra queste variabili potessero essere usate per spiegare parte della variabilità nei valori dei parametri del modello minimo fra i diversi soggetti. Il risultato è un modello che integra queste informazioni direttamente nelle sue equazioni, mentre i coefficienti di regressione per ognuno dei predittori diventano veri e propri parametri del modello e il loro valore viene ottimizzato insieme agli altri parametri di popolazione. L’analisi effettuata ha trovato come buoni predittori per SI e P2 l’ età, l’insulinemia basale e il grasso addominale, che in ambo i parametri riescono a spiegare una buona fetta della variabilità inter-individuale. Sia l’impiego di metodologie di popolazione, sia l’introduzione delle covariate nel modello, permettono di aumentarne il potere predittivo, e sono in grado di usare informazioni indipendenti dai soli dati sperimentali. Questo permette di mettere a punto dei protocolli di studio meno invasivi, meno costosi, e pertanto più adatti ad un impiego su larga scala: ulteriore ricerca potrebbe avere come obiettivo l’ottimizzazione di una sampling schedule ridotta, che si avvantaggi dell’utilizzo degli approcci di popolazione. Ad ogni modo, il dataset utilizzato in questa analisi comprende solo soggetti sani, ed è quindi caratterizzato da una quantità limitata di variabilità di popolazione. Pertanto, sarebbe necessario ripetere l’analisi su altri dataset, per poter confermare questi risultati, in particolare sulle covariate.
Inoltre, in una sezione successiva, un metodo di popolazione è stato applicato anche ad un altro problema diverso, la stima del Disposition Index (DI) del glucosio. Questo è un indice calcolato combinando sensitività e responsività all’insulina, che serve per testare l’effettiva efficacia del sistema di controllo della glicemia. Ci sono due versioni proposte per la formula, una semplificata, che consiste semplicemente nel prodotto (da cui il nome di Legge Iperbolica), e una con un parametro aggiuntivo ad esponente della sensitività all’insulina. Per poter calcolare il DI medio in una popolazione, e per poter saggiare quale delle due formule sia effettivamente più adatta, in letteratura si trovano alcuni approcci basati su un fit geometrico. Tuttavia, alcune approssimazioni sono utilizzate per semplificare il fit, e sono molte le questioni metodologiche spesso sottovalutate. Pertanto viene presentato qui un nuovo metodo Total Least Squares (TLS) che affronta il problema senza l’impiego di approssimazioni. Grazie ad alcune simulazioni, si è effettuato un paragone fra i vari metodi disponibili, e il nuovo algoritmo è risultato migliore rispetto ai predecessori. Tuttavia, tutti gli algoritmi basati su fit si fondano sull’ipotesi che i soggetti appartenenti alla popolazione abbiano lo stesso valore di DI, e l’unica fonte di incertezza nei dati sia dovuta alla stima degli indici di secrezione e sensitività. Questa ipotesi sembra una forte semplificazione e, in effetti, l’analisi di un dataset reale sembra confermare la presenza di variabilità di popolazione nei valori del DI. Ulteriori simulazioni hanno confermato che tutti metodi basati su fit, TLS compreso, falliscono quando la variabilità di popolazione è presente. Pertanto, è stato ideato un altro metodo basato su approcci di popolazione e, in particolare, su NonLinear Mixed-Effects Models (NLMEM), che è in grado di separare la variabilità nei dati, poiché fondato su ipotesi meno restrittive. Tale algoritmo stima i parametri della distribuzione di probabilità congiunta degli indici di secrezione e sensitività, e poi estrae le informazioni sul DI dalla matrice di covarianza. NLMEM si è rivelato equivalente a TLS quando non c’è variabilità di popolazione, ma di gran lunga più affidabile quando le ipotesi per il fit geometrico non sono rispettate, pertanto si è deciso di utilizzarlo sul dataset reale per testare la validità della legge iperbolica. Anche se una validazione su altri dataset è auspicabile per validare i risultati qui presentati, il modello con il parametro aggiuntivo sembra spiegare i dati in maniera più soddisfacente, e il valore del parametro sembra dipendere dalla coppia di parametri usata per la definizione del DI, più che dalla popolazione in esame (anziani piuttosto che giovani). Inoltre, nello studio qui proposto, il punto di partenza sono stati i valori degli indici di secrezione già calcolati, insieme con la loro precisione, grazie ad un metodo tradizionale; un approccio ancora più potente consisterebbe nell’utilizzare un modello di popolazione per stimare contemporaneamente sia gli indici di secrezione che sensitività, sia i parametri della loro distribuzione di popolazione, da cui ricavare le informazioni sul DI.

Riassumendo, in questo lavoro si sono messi in luce i vantaggi dell’applicazione di approcci di popolazione nello studio nel diabete. Le potenzialità sono molte, dal miglioramento delle stime dei parametri individuali grazie all’uso dei prior di popolazione o di covariate e la relativa possibilità di mettere a punto protocolli di studio più leggeri, fino all’analisi di situazioni in cui la struttura gerarchica della variabilità è un aspetto cruciale.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Cobelli, Claudio
Correlatore:Vicini, Paolo - Bertoldo, Alessandra
Dottorato (corsi e scuole):Ciclo 21 > Scuole per il 21simo ciclo > INGEGNERIA DELL'INFORMAZIONE > BIOINGEGNERIA
Data di deposito della tesi:28 Gennaio 2009
Anno di Pubblicazione:28 Gennaio 2009
Informazioni aggiuntive:Tesi realizzata in collaborazione con la University of Washington, Seattle, WA (USA)
Parole chiave (italiano / inglese):Nonlinear mixed-effects modelling Population approaches Glucose-insulin system Two-Stage methods
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:1532
Depositato il:28 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. Agbaje, O.F., Luzio, S.D., Albarrak, A.I., Lunn, D.J., Owens, D.R., and Hovorka, R., Bayesian hierarchical approach to estimate insulin sensitivity by minimal model. Clin Sci (Lond), 2003. 105(5): p. 551-60. Cerca con Google

2. American Diabetes Association (ADA). Available from: http://www.diabetes.org/about-diabetes.jsp. Vai! Cerca con Google

3. Barrett, P.H., Bell, B.M., Cobelli, C., Golde, H., Schumitzky, A., Vicini, P., and Foster, D.M., SAAM II: Simulation, Analysis, and Modeling Software for tracer and pharmacokinetic studies. Metabolism, 1998. 47(4): p. 484-92. Cerca con Google

4. Basu, R., Breda, E., Oberg, A.L., Powell, C.C., Dalla Man, C., Basu, A., Vittone, J.L., Klee, G.G., Arora, P., Jensen, M.D., Toffolo, G., Cobelli, C., and Rizza, R.A., Mechanisms of the age-associated deterioration in glucose tolerance: contribution of alterations in insulin secretion, action, and clearance. Diabetes, 2003. 52(7): p. 1738-48. Cerca con Google

5. Basu, R., Dalla Man, C., Campioni, M., Basu, A., Klee, G., Toffolo, G., Cobelli, C., and Rizza, R.A., Effects of age and sex on postprandial glucose metabolism: differences in glucose turnover, insulin secretion, insulin action, and hepatic insulin extraction. Diabetes, 2006. 55(7): p. 2001-14. Cerca con Google

6. Bauer, R.J., Guzy, S., and Ng, C., A survey of population analysis methods and software for complex pharmacokinetic and pharmacodynamic models with examples. AAPS J, 2007. 9(1): p. E60-83. Cerca con Google

7. Beal, S.L. and Sheiner, L.B., Estimating population kinetics. Crit Rev Biomed Eng, 1982. 8(3): p. 195-222. Cerca con Google

8. Beal, S.L., Sheiner, L.B., and Boeckmann, A.J., NONMEM Users Guides. 1989-2006, Icon Development Solutions, Ellicott City, Maryland, USA. Cerca con Google

9. Beard, J.C., Ward, W.K., Halter, J.B., Wallum, B.J., and Porte, D., Jr., Relationship of islet function to insulin action in human obesity. J Clin Endocrinol Metab, 1987. 65(1): p. 59-64. Cerca con Google

10. Bell, B.M., Approximating the marginal likelihood estimate for models with random parameters. Applied Mathematics and Computation, 2001. 119(1): p. 57-75. Cerca con Google

11. Bergman, R.N., Ider, Y.Z., Bowden, C.R., and Cobelli, C., Quantitative estimation of insulin sensitivity. Am J Physiol, 1979. 236(6): p. E667-77. Cerca con Google

12. Bergman, R.N., Phillips, L.S., and Cobelli, C., Physiologic evaluation of factors controlling glucose tolerance in man: measurement of insulin sensitivity and beta-cell glucose sensitivity from the response to intravenous glucose. J Clin Invest, 1981. 68(6): p. 1456-67. Cerca con Google

13. Bergman, R.N., Ader, M., Huecking, K., and Van Citters, G., Accurate assessment of beta-cell function: the hyperbolic correction. Diabetes, 2002. 51 Suppl 1: p. S212-20. Cerca con Google

14. Bonate, P.L., The effect of collinearity on parameter estimates in nonlinear mixed effect models. Pharm Res, 1999. 16(5): p. 709-17. Cerca con Google

15. Breda, E., Cavaghan, M.K., Toffolo, G., Polonsky, K.S., and Cobelli, C., Oral glucose tolerance test minimal model indexes of beta-cell function and insulin sensitivity. Diabetes, 2001. 50(1): p. 150-8. Cerca con Google

16. Buchanan, T.A., Metzger, B.E., Freinkel, N., and Bergman, R.N., Insulin sensitivity and B-cell responsiveness to glucose during late pregnancy in lean and moderately obese women with normal glucose tolerance or mild gestational diabetes. Am J Obstet Gynecol, 1990. 162(4): p. 1008-14. Cerca con Google

17. Caumo, A., Vicini, P., and Cobelli, C., Is the minimal model too minimal? Diabetologia, 1996. 39(8): p. 997-1000. Cerca con Google

18. Caumo, A., Vicini, P., Zachwieja, J.J., Avogaro, A., Yarasheski, K., Bier, D.M., and Cobelli, C., Undermodeling affects minimal model indexes: insights from a two-compartment model. Am J Physiol, 1999. 276(6 Pt 1): p. E1171-93. Cerca con Google

19. Centers for Disease Control and Prevention (CDC). Available from: http://apps.nccd.cdc.gov/DDTSTRS/default.aspx. Vai! Cerca con Google

20. Chen, M., Bergman, R.N., Pacini, G., and Porte, D., Jr., Pathogenesis of age-related glucose intolerance in man: insulin resistance and decreased beta-cell function. J Clin Endocrinol Metab, 1985. 60(1): p. 13-20. Cerca con Google

21. Cobelli, C. and Caumo, A., Using what is accessible to measure that which is not: necessity of model of system. Metabolism, 1998. 47(8): p. 1009-35. Cerca con Google

22. Cobelli, C., Presentation at the University of Virginia: Measurement of Insulin Sensitivity and ?-cell Function from Intravenous and Oral Glucose Tolerance Tests: Necessity of Models. 2005. Cerca con Google

23. Cutfield, W.S., Jefferies, C.A., Jackson, W.E., Robinson, E.M., and Hofman, P.L., Evaluation of HOMA and QUICKI as measures of insulin sensitivity in prepubertal children. Pediatr Diabetes, 2003. 4(3): p. 119-25. Cerca con Google

24. Dalla Man, C., Caumo, A., and Cobelli, C., The oral glucose minimal model: estimation of insulin sensitivity from a meal test. IEEE Trans Biomed Eng, 2002. 49(5): p. 419-29. Cerca con Google

25. Davidian, M. and Giltinan, D.M., Nonlinear models for repeated measurement data. Monographs on statistics and applied probability 62. 1998, Boca Raton, Fla.: Chapman & Hall/CRC. xv, 359 p. Cerca con Google

26. De Gaetano, A., Mingrone, G., and Castageneto, M., NONMEM improves group parameter estimation for the minimal model of glucose kinetics. Am J Physiol, 1996. 271(5 Pt 1): p. E932-7. Cerca con Google

27. DeFronzo, R.A., Glucose intolerance and aging: evidence for tissue insensitivity to insulin. Diabetes, 1979. 28(12): p. 1095-101. Cerca con Google

28. DeFronzo, R.A., Tobin, J.D., and Andres, R., Glucose clamp technique: a method for quantifying insulin secretion and resistance. Am J Physiol, 1979. 237(3): p. E214-23. Cerca con Google

29. DeFronzo, R.A., Pathogenesis of type 2 diabetes mellitus. Med Clin North Am, 2004. 88(4): p. 787-835, ix. Cerca con Google

30. Efron, B., Nonparametric Estimates of Standard Error - the Jackknife, the Bootstrap and Other Methods. Biometrika, 1981. 68(3): p. 589-599. Cerca con Google

31. Erichsen, L., Agbaje, O.F., Luzio, S.D., Owens, D.R., and Hovorka, R., Population and individual minimal modeling of the frequently sampled insulin-modified intravenous glucose tolerance test. Metabolism, 2004. 53(10): p. 1349-54. Cerca con Google

32. Festa, A., Williams, K., D'Agostino, R., Jr., Wagenknecht, L.E., and Haffner, S.M., The natural course of beta-cell function in nondiabetic and diabetic individuals: the Insulin Resistance Atherosclerosis Study. Diabetes, 2006. 55(4): p. 1114-20. Cerca con Google

33. Finegood, D.T., Hramiak, I.M., and Dupre, J., A modified protocol for estimation of insulin sensitivity with the minimal model of glucose kinetics in patients with insulin-dependent diabetes. J Clin Endocrinol Metab, 1990. 70(6): p. 1538-49. Cerca con Google

34. Gastaldelli, A., Miyazaki, Y., Pettiti, M., Matsuda, M., Mahankali, S., Santini, E., DeFronzo, R.A., and Ferrannini, E., Metabolic effects of visceral fat accumulation in type 2 diabetes. J Clin Endocrinol Metab, 2002. 87(11): p. 5098-103. Cerca con Google

35. Godsland, I.F., Agbaje, O.F., and Hovorka, R., Evaluation of nonlinear regression approaches to estimation of insulin sensitivity by the minimal model with reference to Bayesian hierarchical analysis. Am J Physiol Endocrinol Metab, 2006. 291(1): p. E167-74. Cerca con Google

36. Kahn, S.E., Larson, V.G., Beard, J.C., Cain, K.C., Fellingham, G.W., Schwartz, R.S., Veith, R.C., Stratton, J.R., Cerqueira, M.D., and Abrass, I.B., Effect of exercise on insulin action, glucose tolerance, and insulin secretion in aging. Am J Physiol, 1990. 258(6 Pt 1): p. E937-43. Cerca con Google

37. Kahn, S.E., Prigeon, R.L., McCulloch, D.K., Boyko, E.J., Bergman, R.N., Schwartz, M.W., Neifing, J.L., Ward, W.K., Beard, J.C., Palmer, J.P., and et al., Quantification of the relationship between insulin sensitivity and beta-cell function in human subjects. Evidence for a hyperbolic function. Diabetes, 1993. 42(11): p. 1663-72. Cerca con Google

38. Kahn, S.E. and Halban, P.A., Release of incompletely processed proinsulin is the cause of the disproportionate proinsulinemia of NIDDM. Diabetes, 1997. 46(11): p. 1725-32. Cerca con Google

39. Kahn, S.E., Andrikopoulos, S., and Verchere, C.B., Islet amyloid: a long-recognized but underappreciated pathological feature of type 2 diabetes. Diabetes, 1999. 48(2): p. 241-53. Cerca con Google

40. Kahn, S.E., Beta cell failure: causes and consequences. Int J Clin Pract Suppl, 2001(123): p. 13-8. Cerca con Google

41. Kahn, S.E., The relative contributions of insulin resistance and beta-cell dysfunction to the pathophysiology of Type 2 diabetes. Diabetologia, 2003. 46(1): p. 3-19. Cerca con Google

42. Karlsson, M.O. and Savic, R.M., Diagnosing model diagnostics. Clin Pharmacol Ther, 2007. 82(1): p. 17-20. Cerca con Google

43. Katz, A., Nambi, S.S., Mather, K., Baron, A.D., Follmann, D.A., Sullivan, G., and Quon, M.J., Quantitative insulin sensitivity check index: a simple, accurate method for assessing insulin sensitivity in humans. J Clin Endocrinol Metab, 2000. 85(7): p. 2402-10. Cerca con Google

44. Krudys, K.M., Kahn, S.E., and Vicini, P., Population approaches to estimate minimal model indexes of insulin sensitivity and glucose effectiveness using full and reduced sampling schedules. Am J Physiol Endocrinol Metab, 2006. 291(4): p. E716-23. Cerca con Google

45. Magni, P., Sparacino, G., Bellazzi, R., Toffolo, G.M., and Cobelli, C., Insulin minimal model indexes and secretion: proper handling of uncertainty by a Bayesian approach. Ann Biomed Eng, 2004. 32(7): p. 1027-37. Cerca con Google

46. Magni, P., Sparacino, G., Bellazzi, R., and Cobelli, C., Reduced sampling schedule for the glucose minimal model: importance of Bayesian estimation. Am J Physiol Endocrinol Metab, 2006. 290(1): p. E177-E184. Cerca con Google

47. Mallows, C.L., Some Comments on Cp. Technometrics, 1973. 15(4): p. 661-675. Cerca con Google

48. Mari, A., Pacini, G., Murphy, E., Ludvik, B., and Nolan, J.J., A model-based method for assessing insulin sensitivity from the oral glucose tolerance test. Diabetes Care, 2001. 24(3): p. 539-48. Cerca con Google

49. Mari, A., Schmitz, O., Gastaldelli, A., Oestergaard, T., Nyholm, B., and Ferrannini, E., Meal and oral glucose tests for assessment of beta -cell function: modeling analysis in normal subjects. Am J Physiol Endocrinol Metab, 2002. 283(6): p. E1159-66. Cerca con Google

50. Matsuda, M. and DeFronzo, R.A., Insulin sensitivity indices obtained from oral glucose tolerance testing: comparison with the euglycemic insulin clamp. Diabetes Care, 1999. 22(9): p. 1462-70. Cerca con Google

51. McGarry, J.D., Banting lecture 2001: dysregulation of fatty acid metabolism in the etiology of type 2 diabetes. Diabetes, 2002. 51(1): p. 7-18. Cerca con Google

52. Miyazaki, Y., Glass, L., Triplitt, C., Wajcberg, E., Mandarino, L.J., and DeFronzo, R.A., Abdominal fat distribution and peripheral and hepatic insulin resistance in type 2 diabetes mellitus. Am J Physiol Endocrinol Metab, 2002. 283(6): p. E1135-43. Cerca con Google

53. Pacini, G., Thomaseth, K., and Ahren, B., Contribution to glucose tolerance of insulin-independent vs. insulin-dependent mechanisms in mice. Am J Physiol Endocrinol Metab, 2001. 281(4): p. E693-703. Cerca con Google

54. Peiris, A.N., Sothmann, M.S., Hennes, M.I., Lee, M.B., Wilson, C.R., Gustafson, A.B., and Kissebah, A.H., Relative contribution of obesity and body fat distribution to alterations in glucose insulin homeostasis: predictive values of selected indices in premenopausal women. Am J Clin Nutr, 1989. 49(5): p. 758-64. Cerca con Google

55. Pillonetto, G., Sparacino, G., Magni, P., Bellazzi, R., and Cobelli, C., Minimal model S(I)=0 problem in NIDDM subjects: nonzero Bayesian estimates with credible confidence intervals. Am J Physiol Endocrinol Metab, 2002. 282(3): p. E564-73. Cerca con Google

56. Pillonetto, G., Sparacino, G., and Cobelli, C., Numerical non-identifiability regions of the minimal model of glucose kinetics: superiority of Bayesian estimation. Math Biosci, 2003. 184(1): p. 53-67. Cerca con Google

57. Pouliot, M.C., Despres, J.P., Nadeau, A., Moorjani, S., Prud'Homme, D., Lupien, P.J., Tremblay, A., and Bouchard, C., Visceral obesity in men. Associations with glucose tolerance, plasma insulin, and lipoprotein levels. Diabetes, 1992. 41(7): p. 826-34. Cerca con Google

58. Prigeon, R.L., Kahn, S.E., and Porte, D., Jr., Changes in insulin sensitivity, glucose effectiveness, and B-cell function in regularly exercising subjects. Metabolism, 1995. 44(10): p. 1259-63. Cerca con Google

59. Riggs, D.S., Guarnieri, J.A., and Addelman, S., Fitting straight lines when both variables are subject to error. Life Sci, 1978. 22(13-15): p. 1305-60. Cerca con Google

60. Sparacino, G., Tombolato, C., and Cobelli, C., Maximum-likelihood versus maximum a posteriori parameter estimation of physiological system models: the C-peptide impulse response case study. IEEE Trans Biomed Eng, 2000. 47(6): p. 801-11. Cerca con Google

61. Steil, G.M., Volund, A., Kahn, S.E., and Bergman, R.N., Reduced sample number for calculation of insulin sensitivity and glucose effectiveness from the minimal model. Suitability for use in population studies. Diabetes, 1993. 42(2): p. 250-6. Cerca con Google

62. Steimer, J.L., Mallet, A., Golmard, J.L., and Boisvieux, J.F., Alternative approaches to estimation of population pharmacokinetic parameters: comparison with the nonlinear mixed-effect model. Drug Metab Rev, 1984. 15(1-2): p. 265-92. Cerca con Google

63. Stumvoll, M., Mitrakou, A., Pimenta, W., Jenssen, T., Yki-Jarvinen, H., Van Haeften, T., Renn, W., and Gerich, J., Use of the oral glucose tolerance test to assess insulin release and insulin sensitivity. Diabetes Care, 2000. 23(3): p. 295-301. Cerca con Google

64. The MathWorks. Matlab 2007b. Available from: http://www.mathworks.com/. Vai! Cerca con Google

65. The R foundation. The R Project for Statistical Computing. 2.7.0: Available from: http://www.r-project.org/. Vai! Cerca con Google

66. The RFPK team - University of Washington. System for Population Kinetics (SPK). Available from: http://spk.rfpk.washington.edu. Vai! Cerca con Google

67. Toffolo, G., De Grandi, F., and Cobelli, C., Estimation of beta-cell sensitivity from intravenous glucose tolerance test C-peptide data. Knowledge of the kinetics avoids errors in modeling the secretion. Diabetes, 1995. 44(7): p. 845-54. Cerca con Google

68. Toffolo, G., Cefalu, W.T., and Cobelli, C., Beta-cell function during insulin-modified intravenous glucose tolerance test successfully assessed by the C-peptide minimal model. Metabolism, 1999. 48(9): p. 1162-6. Cerca con Google

69. Turner, R.C., Holman, R.R., Matthews, D., Hockaday, T.D., and Peto, J., Insulin deficiency and insulin resistance interaction in diabetes: estimation of their relative contribution by feedback analysis from basal plasma insulin and glucose concentrations. Metabolism, 1979. 28(11): p. 1086-96. Cerca con Google

70. Utzschneider, K.M., Carr, D.B., Hull, R.L., Kodama, K., Shofer, J.B., Retzlaff, B.M., Knopp, R.H., and Kahn, S.E., Impact of intra-abdominal fat and age on insulin sensitivity and beta-cell function. Diabetes, 2004. 53(11): p. 2867-72. Cerca con Google

71. Utzschneider, K.M., Prigeon, R.L., Carr, D.B., Hull, R.L., Tong, J., Shofer, J.B., Retzlaff, B.M., Knopp, R.H., and Kahn, S.E., Impact of differences in fasting glucose and glucose tolerance on the hyperbolic relationship between insulin sensitivity and insulin responses. Diabetes Care, 2006. 29(2): p. 356-62. Cerca con Google

72. Van Cauter, E., Mestrez, F., Sturis, J., and Polonsky, K.S., Estimation of insulin secretion rates from C-peptide levels. Comparison of individual and standard kinetic parameters for C-peptide clearance. Diabetes, 1992. 41(3): p. 368-77. Cerca con Google

73. Vicini, P. and Cobelli, C., The iterative two-stage population approach to IVGTT minimal modeling: improved precision with reduced sampling. Intravenous glucose tolerance test. Am J Physiol Endocrinol Metab, 2001. 280(1): p. E179-86. Cerca con Google

74. Vicini, P., Gastonguay, M.R., and Foster, D.M., Model-based approaches to biomarker discovery and evaluation: a multidisciplinary integrated review. Crit Rev Biomed Eng, 2002. 30(4-6): p. 379-418. Cerca con Google

75. Vicini, P., Bell, B.M., Burke, J.V., Salinger, D.H., and the RFPK. Assessing Nonlinear Mixed-Effects Model Parameter Estimates via Profiling of the True Likelihood. . in ACOP Meeting. 2008. ucson, AZ. Cerca con Google

76. Wagenknecht, L.E., Langefeld, C.D., Scherzinger, A.L., Norris, J.M., Haffner, S.M., Saad, M.F., and Bergman, R.N., Insulin sensitivity, insulin secretion, and abdominal fat: the Insulin Resistance therosclerosis Study (IRAS) Family Study. Diabetes, 2003. 52(10): p. 2490-6. Cerca con Google

77. Wahlby, U., Jonsson, E.N., and Karlsson, M.O., Assessment of actual significance levels for covariate effects in NONMEM. J Pharmacokinet Pharmacodyn, 2001. 28(3): p. 231-52. Cerca con Google

78. Wahlby, U., Jonsson, E.N., and Karlsson, M.O., Comparison of stepwise covariate model building strategies in population pharmacokinetic-pharmacodynamic analysis. AAPS PharmSci, 2002. (4): p. E27. Cerca con Google

79. Wallace, T.M., Levy, J.C., and Matthews, D.R., Use and abuse of HOMA modeling. Diabetes Care, 2004. 27(6): p. 1487-95. Cerca con Google

80. Ward, W.K., LaCava, E.C., Paquette, T.L., Beard, J.C., Wallum, B.J., and Porte, D., Jr., Disproportionate elevation of immunoreactive proinsulin in type 2 (non-insulin-dependent) diabetes ellitus and in experimental insulin resistance. Diabetologia, 1987. 30(9): p. 698-702. Cerca con Google

81. World Health Organization (WHO). Available from: http://www.who.int/diabetes/en/. Vai! Cerca con Google

82. Yang, Y.J., Youn, J.H., and Bergman, R.N., Modified protocols improve insulin sensitivity estimation using the minimal model. Am J Physiol, 1987. 253(6 Pt 1): p. E595-602. Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record