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

| Crea un account

Visentin, Roberto (2016) In silico testing of artificial pancreas and new type 1 diabetes treatments: model development and assessment. [Tesi di dottorato]

Full text disponibile come:

Documento PDF - Versione sottomessa

Abstract (inglese)

In healthy subjects, glucose regulation relies on a complex hormonal control system that maintains the blood glucose level in a safe range. Impairment of this regulatory system is the cause of several metabolic disorders, such as type 1 diabetes (T1DM), characterized by the absolute deficiency of insulin production, leading to a chronic hyperglycemia that, if not treated, can result in severe microvascular and macrovascular complications.
Currently, the best therapy for T1DM management makes use of a continuous subcutaneous insulin pump (CSII) coupled with a subcutaneous continuous glucose monitoring sensor (CGM), the so-called sensor-augmented-pump therapy (SAP). Nevertheless, to ease T1DM subject's life condition, in the last decade, the researchers have been focused on developing an automatic closed-loop control system for insulin infusion, the so-called Artificial Pancreas (AP), which aims to maintain the glucose level within the euglycemic range.
In this regards, simulation models allowed important steps forward in the AP research, enabling the possibility to perform several in silico tests, with relevant time- and cost- savings. In particular, in 2008 the US Food and Drug Administration accepted the T1DM simulator developed by Universities of Virginia (UVA) and Padova as a substitute for preclinical trials for certain insulin treatments, including closed-loop algorithms. This dramatically accelerated the process for the approval of human trials.
The UVA/Padova simulator (S2008) is based on a rather complex model of glucose dynamics that was identified on a data set of 204 healthy subjects for which not only plasma glucose and insulin measurements but also estimates of glucose fluxes were available. The simulator, equipped with 100 in silico adults, 100 adolescents, and 100 children, spanning the variability observed in the real type 1 diabetic population, has been updated in 2013 in order to better describe the distribution of glucose concentration observed in clinical trials (S2013). However, at the beginning of this project, the simulator validity was never been validated against clinical data. In addition, nowadays, the frontier of the AP research is the development of control algorithm effective for weekly or monthly use. However, the T1DM simulator was not fully adequate for the long-term testing, since its domain of validity was limited to a single-meal scenario.
The first aim of this research is thus to assess the simulator validity using data of the available clinical trials. The second objective is to extend the domain of validity of the simulator, making it suitable for simulating long-term clinical trials. Finally, a third scope is to illustrate the possible uses of the simulator, including setting up a paradigm for in silico trials for testing of new insulin treatments.
To achieve the first objective, a database of 24 T1DM subjects was first considered, who received dinner and breakfast in two occasions, for a total of 96 post-prandial glucose traces. Measured plasma glucose profiles were compared with those obtained with both S2008 and S2013, by replicating in 100 in silico adults the same experimental condition of the data (i.e. same meal amount and insulin delivery). The Continuous Glucose-Error Grid Analysis was used to assess the validity of the simulated traces, and the most common clinical outcome metrics, obtained in silico, were compared with the experimental ones. The results were satisfactory, proving that the virtual adults of the S2013 are representative of an age-matched T1DM population observed in a clinical trial.
Then, the T1DM model has been validated on 47 T1DM subjects who received dinner, breakfast and lunch, in three admissions, for a total of 23 hours per session. In particular, given the complexity of the model and the availability of glucose and insulin measurements only, a Bayesian approach has been adopted for model identification, considering, as \prior information, the parameter distribution included in the simulator for the generation of in silico subjects. Variability of model parameters describing glucose absorption and insulin sensitivity (SI, i.e. the ability of insulin to stimulate glucose disposal and suppress endogenous glucose production) was allowed, assuming that meal composition may be different at breakfast, lunch, and dinner (resulting in different absorption rate), and that SI may vary throughout the day. The model well described glucose traces and the posterior distribution of model parameters was similar to that included in the simulator; absorption parameters at breakfast were significantly different from those at lunch and dinner, reflecting more rapid dynamics of glucose absorption; on the other hand, insulin sensitivity varies in each individual but without a specific pattern. These results suggested the need of a time-varying simulator to better describe the glucose variability in the long-term.
In this regard, a model of intra-day variability of insulin sensitivity has been developed, by using data of a recent multiple tracer experiment performed in 20 T1DM subjects, which revealed the existence of diurnal patterns of SI, with SI lower at breakfast than lunch and dinner, on average. This difference was not statistically significant, both due to the small population size and the high inter-subject variability. In particular, seven SI daily patterns were identified, and their probabilities were estimated from the data. This information has been translated into the simulator by associating each in silico subject to one of the seven variability patterns, and modeling its SI with time-varying parameters. To test the goodness of the model, the same experimental protocol of the 20 T1DM subjects was replicated in silico: the comparison of simulated glucose against the data was satisfactory, showing that the simulated plasma glucose level was higher at breakfast than lunch and dinner, as the clinical data.
Finally, two case studies, illustrating the simulator employment, are presented. An AP adaptive control algorithm was tested first. The performance was evaluated in silico in a 1-month scenario: in particular, being able to provide a realistic time-varying behavior of the system, it was possible to prove evidence of the improved glucose control achievable with the adaptive control with respect to a non-adaptive AP algorithm. Then, the simulator was employed to evaluate the pharmacological effect of a novel inhaled insulin: in particular, the simulator have served to evaluate the post-prandial glucose in response to different insulin dosing regimens, thus allowing to determine, for each in silico subject, the best insulin pattern to optimally control post-prandial glucose.
In conclusion, in this work, the UVA/Padova T1DM simulator was assessed against clinical T1DM data; then, the T1DM model was identified on a 24-hour scenario, proving that a time-varying model was required to well describe the daily glucose variability; a model of intra-day variability of SI was thus developed and incorporated into the simulator. Finally, the use of the simulator was illustrated in two examples, i.e. the preclinical testing of an adaptive AP algorithm and the design of optimal dosing regimen of a novel inhaled insulin. In both cases, the simulator proved to be a useful tool for the in silico testing of T1DM treatments.

Abstract (italiano)

Il metabolismo del glucosio nei soggetti sani è regolato da un complesso sistema di controllo ormonale che mantiene la concentrazione plasmatica di glucosio nel range di sicurezza. Alterazioni di tale sistema sono causa di diverse malattie metaboliche, tra cui il diabete mellito di tipo 1 (T1DM), una malattia autoimmune che, a causa della totale incapacità del pancreas di secernere insulina, è caratterizzata da una iperglicemia cronica che, se non trattata, porta a complicanze cardiovascolari. Ad oggi, la miglior terapia per la gestione del T1DM è la cosiddetta Sensor-Augmented-Pump, che impiega un microinfusore di insulina (Continuous Subcutaneous Insulin Infusion, CSII) e un sensore per la misura quasi continua della glicemia (Continuous Glucose Monitoring, CGM), entrambi con accesso sottocutaneo. Tuttavia, allo scopo di migliorare ulteriormente le condizioni di vita dei pazienti diabetici, nell’ultimo decennio la ricerca si è orientata allo sviluppo del cosiddetto pancreas artificiale (AP), ossia un sistema automatico di infusione di insulina, atto a mantenere la glicemia il più possibile nel range euglicemico.
In questo contesto, i modelli di simulazione permettono di testare, velocemente e in tutta sicurezza, le performance degli algoritmi di controllo in diverse condizioni sperimentali. Tra questi, il simulatore di soggetti T1DM sviluppato dalle Università di Padova e Virginia (UVA/Padova) è stato accettato nel 2008 dalla U.S. Food and Drug Administration come sostituto alla sperimentazione preclinica animale per il test di trattamenti insulinici, tra cui gli algoritmi di controllo utilizzati nel AP. Questo ha permesso di velocizzare notevolmente il processo di approvazione alla sperimentazione nell’uomo. Il simulatore UVA/Padova (S2008) si basa su un modello matematico del sistema glucosio-insulina, che è stato identificato su un dataset di 204 soggetti non diabetici, in cui erano a disposizione sia le misure plasmatiche di glucosio e insulina che le stime dei flussi metabolici di glucosio; esso è dotato inoltre di una popolazione di soggetti virtuali, composta da 100 adulti, 100 adolescenti e 100 bambini, che rispecchia la variabilità di una popolazione diabetica reale. Nel 2013, il simulatore è stato aggiornato (S2013) per migliorare la descrizione della glicemia e renderla più simile a quella osservata nei trial clinici. Tuttavia, all’inizio di questo progetto, il simulatore non era ancora stato validato su dati clinici. Inoltre, il limite di validità del simulatore era vincolato a scenari tempo-invarianti, rendendolo, di fatto, poco adeguato al test degli algoritmi di AP di ultima generazione, che mirano al controllo glicemico nel lungo periodo.
Pertanto, lo scopo di questa tesi è innanzitutto validare il simulatore su dati clinici di soggetti T1DM, e successivamente estendere il suo dominio di validità a scenari tempo-varianti più realistici, permettendo quindi un test più robusto degli algoritmi di AP nel lungo periodo. Infine sono descritti due esempi di applicazione del simulatore, tra cui il test in silico di insuline di nuova generazione.
Per quanto riguarda il primo obbiettivo, è stato utilizzato un dataset di 96 tracce post-prandiali di glucosio, relative a 24 soggetti T1DM studiati in due occasioni, a cena e colazione. Per validare il simulatore dal punto di vista clinico, le popolazioni adulte di entrambe le versioni, S2008 e S2013, sono state confrontate con quella reale, sottoponendo i soggetti in silico alle stesse condizioni sperimentali dei soggetti reali (vale a dire stesse quantità di carboidrati e insulina somministrati). Le glicemie simulate sono state quindi confrontate con i dati utilizzando la Continuous Glucose-Error Grid Analysis e analizzando le più comuni metriche di quantificazione del controllo glicemico. I risultati ottenuti hanno dimostrato che la popolazione adulta della versione S2013 è rappresentativa di una popolazione T1DM adulta studiata in un trial clinico.
Il modello del simulatore è stato successivamente validato su un dataset di 47 soggetti T1DM studiati in tre sessioni da 23 ore ciascuna, in cui venivano somministrati tre pasti (cena, colazione, pranzo). Data la complessità del modello e la disponibilità delle sole misure di glucosio e insulina, l’identificazione del modello è stata effettuata ricorrendo a un approccio di stima Bayesiano, in cui l’informazione a priori utilizzata (prior) è la distribuzione congiunta dei parametri del modello utilizzata nel simulatore per la generazione dei soggetti in silico. Per ottenere un buon fit del modello, è stato necessario introdurre una variabilità inter-individuale nei parametri che descrivono l’assorbimento del glucosio legato al pasto e nella sensibilità insulinica (SI, un indice che quantifica la capacità dell’insulina nell’inibire la produzione endogena di glucosio e nel promuoverne l’utilizzazione da parte dei tessuti), ipotizzando l’esistenza di variazioni relative alla composizione dei pasti tra colazione, pranzo e cena, e variazioni di SI durante la giornata. I risultati hanno mostrato come il modello sia in grado di descrivere le tracce glicemiche, e la distribuzione delle stime dei parametri è risultata simile alla distribuzione inclusa nel simulatore. Come ci si attendeva, i parametri di assorbimento a colazione sono risultati significativamente differenti rispetto a quelli di pranzo e cena, denotando una dinamica di assorbimento più rapida a colazione; al contrario, i risultati mostrano che la SI varia da un pasto all’altro, ma senza evidenziare un pattern significativo. Questi risultati hanno evidenziato che, per riuscire a descrivere adeguatamente la variabilità glicemica durante la giornata, è necessario un simulatore tempo-variante.
È stato quindi sviluppato un modello della variabilità diurna di SI, sfruttando i risultati di un esperimento con traccianti multipli condotto in 20 soggetti T1DM. In questo studio la SI stimata a colazione è risultata, in media, più bassa rispetto alle stime di SI a pranzo e cena. Tale differenza, tuttavia, non è risultata statisticamente significativa a causa del modesto numero di soggetti studiati e dell’alta variabilità inter-individuale. Pertanto, i soggetti sono stati classificati in base ai valori di SI assunti durante la giornata; ciò ha permesso di identificare sette classi di variabilità, ognuna caratterizzata da una certa probabilità. Tale informazione è stata quindi implementata nel simulatore, assegnando ogni soggetto in silico a una delle sette possibili classi, e descrivendo quindi la SI del soggetto come un segnale che varia nel tempo. Il modello di variabilità di SI è stato quindi validato simulando lo stesso protocollo sperimentale dei dati e confrontando la variabilità glicemica ottenuta in simulazione con quella osservata nei dati: in particolare, le simulazioni sono risultate confrontabili con i dati clinici, mostrando escursioni post-prandiali a colazione più ampie rispetto a quelle osservate a pranzo e cena.
Infine, sono stati illustrati due esempi di utilizzo del simulatore. In un caso, il simulatore è stato impiegato per il test in silico di un algoritmo di controllo adattativo di AP. Nello specifico, la performance di controllo è stata testata simulando uno scenario di un mese in cui, grazie all’integrazione del modello di variabilità di SI, è stato possibile apprezzare come l’approccio adattativo permetta un miglior controllo glicemico rispetto a un controllore non adattativo. Nel secondo esempio, l’uso del simulatore ha permesso di testare gli effetti farmacologici di una nuova tipologia di insulina inalata: in particolare, è stato possibile valutare l’escursione glicemica post-prandiale in risposta a diversi regimi di somministrazione del farmaco, e determinare per ogni soggetto virtuale il regime di somministrazione più adatto a garantire il miglior controllo glicemico post-prandiale.
In conclusione, in questa tesi è stato innanzitutto validato il simulatore del diabete di tipo 1 UVA/Padova utilizzando dati clinici di soggetti T1DM; successivamente, il modello del simulatore è stato identificato su dati di soggetti T1DM studiati in uno scenario di 24 ore, evidenziando la necessità di un modello tempo-variante per descrivere correttamente l’andamento della glicemia durante la giornata; il simulatore è stato quindi aggiornato, integrando un modello di variabilità diurna di SI. Infine, sono stati illustrati due casi di studio, in cui il simulatore è stato impiegato per il test di un algoritmo di controllo adattativo e per l’ottimizzazione del regime di somministrazione di una nuova tipologia di insulina inalata. I risultati hanno dimostrato l’utilità del simulatore UVA/Padova per il test di trattamenti terapeutici per la gestione del diabete.

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Dalla Man, Chiara
Dottorato (corsi e scuole):Ciclo 28 > Scuole 28 > INGEGNERIA DELL'INFORMAZIONE > BIOINGEGNERIA
Data di deposito della tesi:01 Febbraio 2016
Anno di Pubblicazione:01 Febbraio 2016
Parole chiave (italiano / inglese):Modeling, Simulation, Diabetes, Glucose metabolism
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:9394
Depositato il:06 Ott 2016 15:08
Simple Metadata
Full Metadata
EndNote Format


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] A. M. Albisser, B. S. Leibel, T. G. Ewart, Z. Davidovac, C. K. Botz, and W. Zingg, “An artificial endocrine pancreas,” Diabetes, vol. 23, no. 5, pp. 389–396, 1974. Cerca con Google

[2] S. Andreassen, J. J. Benn, R. Hovorka, K. G. Olesen, and E. R. Carson, “A probabilistic approach to glucose prediction and insulin dose adjustment: description of metabolic model and pilot evaluation study,” Comput Methods Programs Biomed, vol. 41, no. 3–4, pp. 153–165, 1994. Cerca con Google

[3] R. Basu, C. Dalla Man, M. Campioni, A. Basu, G. Klee, G. Toffolo, C. Cobelli, and R. A. Rizza, “Effects of age and sex on postprandial glucose metabolism: differences in glucose turnover, insulin secretion, insulin action, and hepatic insulin extraction,” Diabetes, vol. 55, no. 7, pp. 2001–2014, 2006. Cerca con Google

[4] R. Basu, B. Di Camillo, G. Toffolo, A. Basu, P. Shah, A. Vella, R. Rizza, and C. Cobelli, “Use of a novel triple-tracer approach to assess postprandial glucose metabolism,” Am. J. Physiol. Endocrinol. Metab., vol. 284, no. 1, pp. 55–69, 2003. Cerca con Google

[5] R. M. Bergenstal, W. V Tamborlane, A. Ahmann, J. B. Buse, G. Dailey, S. N. Davis, C. Joyce, T. Peoples, B. A. Perkins, J. B. Welsh, S. M. Willi, M. A. Wood, W. S. Lane, K. Arey, T. Przestrzelski, S. Mehta, L. Laffel, J. Aggarwal, K. Pratt, M. Duclos, J. Largay, K. Osei, C. Casey-Boyer, H. Breedlove, R. Slover, S. Kassels, S. Sullivan, J. B. Green, J. English-Jones, E. Gleason, L. Wagner, R. J. Tanenberg, C. Knuckey, D. R. Liljenquist, J. E. Liljenquist, B. Sulik, R. L. Houlden, T. LaVallee, A. Breen, R. Barrett, R. Rosal, J. Shartel, L. Myers, D. Ballard, M. Meredith, C. Trantow, L. F. Meneghini, J. Sparrow-Bodenmiller, R. Agramonte, A. B. Criego, S. Borgman, M. E. May, C. Root, S. A. Weinzimer, L. Carria, J. Sherr, M. Daniels, J. S. Krantz, H. Speer, J. Less, T. Calvano, E. Garth, C. Bogan, V. Chambers, B. Wollam, Y. C. Kudva, B. Wirt, C. Orlowski, S. Bates, B. Johnson, J. C. Reed, J. Tapia, K. Wardell, S. Newsome, D. Gibbons, J. O’Leary, N. H. White, M. Coleman, R. C. McEvoy, C. Girard, C. M. Foster, T. Brown, E. Nuttall, A. Orszag, H. Tildesley, B. Pottinger, R. A. Guthrie, J. Dvorak, B. Childs, T. Battelino, E. S. Horton, S. W. Lee, R. R. Rubin, and K. A. Schulman, “Effectiveness of sensor-augmented insulin-pump therapy in type 1 diabetes,” N. Engl. J. Med., vol. 363, no. 4, pp. 311–320, 2010. Cerca con Google

[6] A. H. Boss, R. Petrucci, and D. Lorber, “Coverage of prandial insulin requirements by means of an ultra-rapid-acting inhaled insulin,” J Diabetes Sci Technol, vol. 6, no. 4, pp. 773–779, 2012. Cerca con Google

[7] M. Breton, A. Farret, D. Bruttomesso, S. Anderson, L. Magni, S. Patek, C. Dalla Man, J. Place, S. Demartini, S. Del Favero, C. Toffanin, C. Hughes-Karvetski, E. Dassau, H. Zisser, F. J. Doyle, G. De Nicolao, A. Avogaro, C. Cobelli, E. Renard, and B. Kovatchev, “Fully integrated artificial pancreas in type 1 diabetes: modular closed-loop glucose control maintains near normoglycemia,” Diabetes, vol. 61, no. 9, pp. 2230–2237, 2012. Cerca con Google

[8] S. A. Brown, B. P. Kovatchev, M. D. Breton, S. M. Anderson, P. Keith-Hynes, S. D. Patek, B. Jiang, N. Ben Brahim, P. Vereshchetin, D. Bruttomesso, A. Avogaro, S. Del Favero, F. Boscari, S. Galasso, R. Visentin, M. Monaro, and C. Cobelli, “Multinight ‘bedside’ closed-loop control for patients with type 1 diabetes.” Diabetes Technol. Ther., 17(3):203-209, Mar 2015. Cerca con Google

[9] J. P. Cassidy, R. A. Baughman, S. L. Schwartz, P. C. Haworth, A. H. Boss, and P. C. Richardson, “AFRESA (Technosphere insulin) dosage strengths are interchangeable,” 69\textsuperscriptth Am. Diabetes Assoc. Sci. Sess., 2009. Cerca con Google

[10] W. L. Clarke, “The original Clarke Error Grid Analysis (EGA),” Diabetes Technol. Ther., vol. 7, no. 5, pp. 776–779, 2005. Cerca con Google

[11] A. H. Clemens, P. H. Chang, and R. W. Myers, “The development of Biostator, a Glucose Controlled Insulin Infusion System (GCIIS),” Horm. Metab. Res., vol. Suppl 7, pp. 23–33, 1977. Cerca con Google

[12] C. Cobelli and E. Carson, Introduction to Modeling in Physiology and Medicine. New York: Elsevier/Academic, 2008. Cerca con Google

[13] C. Cobelli, C. Dalla Man, G. Sparacino, L. Magni, G. De Nicolao, and B. P. Kovatchev, “Diabetes: Models, Signals, and Control,” IEEE Rev Biomed Eng, vol. 2, pp. 54–96, 2009. Cerca con Google

[14] C. Cobelli, G. Federspil, G. Pacini, A. Salvan, and S. C., “An integrated mathematical model of the dynamics of blood glucose and its hormonal control,” Math Biosci, vol. 58, pp. 27–60, 1982. Cerca con Google

[15] C. Cobelli and A. Mari, “Validation of mathematical models of complex endocrine-metabolic systems. A case study on a model of glucose regulation,” Med Biol Eng Comput, vol. 21, no. 4, pp. 390–399, 1983. Cerca con Google

[16] C. Cobelli, E. Renard, and B. Kovatchev, “Artificial pancreas: past, present, future,” Diabetes, vol. 60, no. 11, pp. 2672–2682, Nov. 2011. Cerca con Google

[17] C. Cobelli, E. Renard, B. P. Kovatchev, P. Keith-Hynes, N. Ben Brahim, J. Place, S. Del Favero, M. Breton, A. Farret, D. Bruttomesso, E. Dassau, H. Zisser, F. J. Doyle, S. D. Patek, and A. Avogaro, “Pilot studies of wearable outpatient artificial pancreas in type 1 diabetes,” Diabetes Care, vol. 35, no. 9, pp. e65–67, 2012. Cerca con Google

[18] C. Cobelli and A. Ruggeri, “Evaluation of portal/peripheral route and of algorithms for insulin delivery in the closed-loop control of glucose in diabetes--a modeling study,” IEEE Trans Biomed Eng, vol. 30, no. 2, pp. 93–103, Feb. 1983. Cerca con Google

[19] C. Dalla Man, M. Camilleri, and C. Cobelli, “A system model of oral glucose absorption: validation on gold standard data,” IEEE Trans Biomed Eng, vol. 53, no. 12 Pt 1, pp. 2472–2478, 2006. Cerca con Google

[20] C. Dalla Man, F. Micheletto, D. Lv, M. Breton, B. Kovatchev, and C. Cobelli, “The UVA/PADOVA Type 1 Diabetes Simulator: New Features,” J Diabetes Sci Technol, vol. 8, no. 1, pp. 26–34, 2014. Cerca con Google

[21] C. Dalla Man, D. M. Raimondo, R. A. Rizza, and C. Cobelli, “GIM, simulation software of meal glucose-insulin model,” J Diabetes Sci Technol, vol. 1, no. 3, pp. 323–330, 2007. Cerca con Google

[22] C. Dalla Man, R. A. Rizza, and C. Cobelli, “Meal simulation model of the glucose-insulin system,” IEEE Trans Biomed Eng, vol. 54, no. 10, pp. 1740–1749, 2007. Cerca con Google

[23] C. Dalla Man, G. Toffolo, R. Basu, R. a. Rizza, and C. Cobelli, “A model of glucose production during a meal,” Annu. Int. Conf. IEEE Eng. Med. Biol. - Proc., vol. 0, no. 0, pp. 5647–5650, 2006. Cerca con Google

[24] P. C. Davidson, H. R. Hebblewhite, B. W. Bode, and et al., “Statistically-based CSII parameters: correction factor, CF (1700 rule), carbohydrate-insulin ratio, CIR (2,8 rule), and basal-to-total ratio (abstract),” Diabetes Technol Ther, vol. 5, no. 2, p. 237, 2003. Cerca con Google

[25] S. Del Favero, D. Bruttomesso, F. Di Palma, G. Lanzola, R. Visentin, A. Filippi, R. Scotton, C. Toffanin, M. Messori, S. Scarpellini, P. Keith-Hynes, B. P. Kovatchev, J. H. Devries, E. Renard, L. Magni, A. Avogaro, and C. Cobelli, “First use of model predictive control in outpatient wearable artificial pancreas,” Diabetes Care, vol. 37, no. 5, pp. 1212–1215, 2014. Cerca con Google

[26] S. Del Favero, A. Facchinetti, G. Sparacino, and C. Cobelli, “Improving accuracy and precision of glucose sensor profiles: retrospective fitting by constrained deconvolution,” IEEE Trans Biomed Eng, vol. 61, no. 4, pp. 1044–1053, Apr. 2014. Cerca con Google

[27] S. Del Favero, J. Place, J. Kropff, M. Messori, P. Keith-Hynes, R. Visentin, M. Monaro, S. Galasso, F. Boscari, C. Toffanin, F. Di Palma, G. Lanzola, S. Scarpellini, A. Farret, B. Kovatchev, A. Avogaro, D. Bruttomesso, L. Magni, J. H. DeVries, C. Cobelli, and E. Renard, “Multicenter outpatient dinner/overnight reduction of hypoglycemia and increased time of glucose in target with a wearable artificial pancreas using modular model predictive control in adults with type 1 diabetes,” Diabetes Obes Metab, vol. 17, no. 5, pp. 468–476, 2015. Cerca con Google

[28] D. Elleri, J. M. Allen, K. Kumareswaran, L. Leelarathna, M. Nodale, K. Caldwell, P. Cheng, C. Kollman, A. Haidar, H. R. Murphy, M. E. Wilinska, C. L. Acerini, D. B. Dunger, and R. Hovorka, “Closed-loop basal insulin delivery over 36 hours in adolescents with type 1 diabetes: randomized clinical trial,” Diabetes Care, vol. 36, no. 4, pp. 838–844, Apr. 2013. Cerca con Google

[29] B. Feldman, R. Brazg, S. Schwartz, and R. Weinstein, “A continuous glucose sensor based on wired enzyme technology -- results from a 3-day trial in patients with type 1 diabetes,” Diabetes Technol. Ther., vol. 5, no. 5, pp. 769–779, 2003. Cerca con Google

[30] E. Ferrannini and C. Cobelli, “The kinetics of insulin in man. I. General aspects,” Diabetes Metab Rev, vol. 3, no. 2, pp. 335–363, Apr. 1987. Cerca con Google

[31] J. R. Guyton, R. O. Foster, J. S. Soeldner, M. H. Tan, C. B. Kahn, L. Koncz, and R. E. Gleason, “A model of glucose-insulin homeostasis in man that incorporates the heterogeneous fast pool theory of pancreatic insulin release,” Diabetes, vol. 27, no. 10, pp. 1027–1042, 1978. Cerca con Google

[32] A. Haidar, M. Wilinska, J. Graveston, and R. Hovorka, “Stochastic Virtual Population of Subjects with Type 1 Diabetes for the Assessment of Closed Loop Glucose Controllers,” IEEE Trans Biomed Eng, pp. 3524–3533, 2013. Cerca con Google

[33] P. Herrero, P. Pesl, M. Reddy, N. Oliver, P. Georgiou, and C. Toumazou, “Advanced Insulin Bolus Advisor Based on Run-To-Run Control and Case-Based Reasoning,” IEEE J Biomed Heal. Inf., vol. 19, no. 3, pp. 1087–1096, 2015. Cerca con Google

[34] L. Hinshaw, C. Dalla Man, D. K. Nandy, A. Saad, A. E. Bharucha, J. A. Levine, R. A. Rizza, R. Basu, R. E. Carter, C. Cobelli, Y. C. Kudva, and A. Basu, “Diurnal pattern of insulin action in type 1 diabetes: implications for a closed-loop system,” Diabetes, vol. 62, no. 7, pp. 2223–2229, 2013. Cerca con Google

[35] R. Hovorka, V. Canonico, L. J. Chassin, U. Haueter, M. Massi-Benedetti, M. Orsini Federici, T. R. Pieber, H. C. Schaller, L. Schaupp, T. Vering, and M. E. Wilinska, “Nonlinear model predictive control of glucose concentration in subjects with type 1 diabetes,” Physiol Meas, vol. 25, no. 4, pp. 905–920, 2004. Cerca con Google

[36] R. Hovorka, J. K. Powrie, G. D. Smith, P. H. Sonksen, E. R. Carson, and R. H. Jones, “Five-compartment model of insulin kinetics and its use to investigate action of chloroquine in NIDDM,” Am. J. Physiol., vol. 265, no. 1 Pt 1, pp. E162–175, 1993. Cerca con Google

[37] R. Hovorka, F. Shojaee-Moradie, P. V Carroll, L. J. Chassin, I. J. Gowrie, N. C. Jackson, R. S. Tudor, A. M. Umpleby, and R. H. Jones, “Partitioning glucose distribution/transport, disposal, and endogenous production during IVGTT,” Am. J. Physiol. Endocrinol. Metab., vol. 282, no. 5, pp. 992–1007, 2002. Cerca con Google

[38] D. C. Howey, R. R. Bowsher, R. L. Brunelle, and J. R. Woodworth, “[Lys(B28), Pro(B29)]-human insulin. A rapidly absorbed analogue of human insulin,” Diabetes, vol. 43, no. 3, pp. 396–402, Mar. 1994. Cerca con Google

[39] A. H. Kadish, “Automation control of blood sugar. I. A servomechanism for glucose monitoring and control,” Am J Med Electron, vol. 3, pp. 82–86, 1964. Cerca con Google

[40] P. Keith-Hynes, S. Guerlain, B. Mize, C. Hughes-Karvetski, M. Khan, M. McElwee-Malloy, and B. P. Kovatchev, “DiAs user interface: a patient-centric interface for mobile artificial pancreas systems,” J Diabetes Sci Technol, vol. 7, no. 6, pp. 1416–1426, Nov. 2013. Cerca con Google

[41] D. C. Klonoff, “Continuous glucose monitoring: roadmap for 21st century diabetes therapy,” Diabetes Care, vol. 28, no. 5, pp. 1231–1239, 2005. Cerca con Google

[42] B. P. Kovatchev, M. Breton, C. Dalla Man, and C. Cobelli, “In silico model and computer simulation environment approximating the human glucose/insulin utilization,” Food Drug Adm. Master File MAF 1521, 2008. Cerca con Google

[43] B. P. Kovatchev, M. Breton, C. Dalla Man, and C. Cobelli, “In silico preclinical trials: a proof of concept in closed-loop control of type 1 diabetes,” J Diabetes Sci Technol, vol. 3, no. 1, pp. 44–55, 2009. Cerca con Google

[44] B. P. Kovatchev, C. Cobelli, E. Renard, S. Anderson, M. Breton, S. Patek, W. Clarke, D. Bruttomesso, A. Maran, S. Costa, A. Avogaro, C. Dalla Man, A. Facchinetti, L. Magni, G. De Nicolao, J. Place, and A. Farret, “Multinational study of subcutaneous model-predictive closed-loop control in type 1 diabetes mellitus: summary of the results,” J Diabetes Sci Technol, vol. 4, no. 6, pp. 1374–1381, Nov. 2010. Cerca con Google

[45] B. P. Kovatchev, D. J. Cox, L. Gonder-Frederick, and W. L. Clarke, “Methods for quantifying self-monitoring blood glucose profiles exemplified by an examination of blood glucose patterns in patients with type 1 and type 2 diabetes,” Diabetes Technol. Ther., vol. 4, no. 3, pp. 295–303, 2002. Cerca con Google

[46] B. P. Kovatchev, D. J. Cox, L. A. Gonder-Frederick, D. Young-Hyman, D. Schlundt, and W. Clarke, “Assessment of risk for severe hypoglycemia among adults with IDDM: validation of the low blood glucose index,” Diabetes Care, vol. 21, no. 11, pp. 1870–1875, Nov. 1998. Cerca con Google

[47] B. P. Kovatchev, L. S. Farhy, and D. J. Cox, “Modeling insulin-glucose dynamics during insulin induced hypoglycemia. Evaluation of glucose counterregulation,” J. Theor. Med., vol. 1, pp. 313–323, 1999. Cerca con Google

[48] B. P. Kovatchev, L. A. Gonder-Frederick, D. J. Cox, and W. L. Clarke, “Evaluating the accuracy of continuous glucose-monitoring sensors: continuous glucose-error grid analysis illustrated by TheraSense Freestyle Navigator data,” Diabetes Care, vol. 27, no. 8, pp. 1922–1928, 2004. Cerca con Google

[49] B. P. Kovatchev, E. Renard, C. Cobelli, H. C. Zisser, P. Keith-Hynes, S. M. Anderson, S. A. Brown, D. R. Chernavvsky, M. D. Breton, A. Farret, M. J. Pelletier, J. Place, D. Bruttomesso, S. Del Favero, R. Visentin, A. Filippi, R. Scotton, A. Avogaro, and F. J. Doyle, “Feasibility of outpatient fully integrated closed-loop control: first studies of wearable artificial pancreas,” Diabetes Care, vol. 36, no. 7, pp. 1851–1858, 2013. Cerca con Google

[50] B. P. Kovatchev, M. Straume, D. J. Cox, and L. S. Farhy, “Risk analysis of blood glucose data: a quantitative approach to optimizing the control of insulin dependent diabetes,” J. Theor. Med., vol. 3, pp. 1–10, 1999. Cerca con Google

[51] B. P. Kovatchev, M. Straume, L. S. Farhy, and D. J. Cox, “Dynamic network model of glucose counterregulation in subjects with insulin-requiring diabetes,” Meth. Enzym., vol. 321, pp. 396–410, 2000. Cerca con Google

[52] E. W. Kraegen, L. V Campbell, Y. O. Chia, H. Meler, and L. Lazarus, “Control of blood glucose in diabetics using an artificial pancreas,” Aust N Z J Med, vol. 7, no. 3, pp. 280–286, 1977. Cerca con Google

[53] J. Kropff, S. Del Favero, J. Place, C. Toffanin, R. Visentin, M. Monaro, M. Messori, F. Di Palma, G. Lanzola, A. Farret, F. Boscari, S. Galasso, P. Magni, A. Avogaro, P. Keith-Hynes, B. P. Kovatchev, D. Bruttomesso, C. Cobelli, J. H. DeVries, E. Renard, and L. Magni, “2 month evening and night closed-loop glucose control in patients with type 1 diabetes under free-living conditions: a randomised crossover trial,” Lancet Diabetes Endocrinol, vol. 3, no. 12, pp. 939–947, 2015. Cerca con Google

[54] L. Leelarathna, S. Dellweg, J. K. Mader, J. M. Allen, C. Benesch, W. Doll, M. Ellmerer, S. Hartnell, L. Heinemann, H. Kojzar, L. Michalewski, M. Nodale, H. Thabit, M. E. Wilinska, T. R. Pieber, S. Arnolds, M. L. Evans, and R. Hovorka, “Day and night home closed-loop insulin delivery in adults with type 1 diabetes: three-center randomized crossover study,” Diabetes Care, vol. 37, no. 7, pp. 1931–1937, 2014. Cerca con Google

[55] L. Leelarathna, S. Dellweg, J. K. Mader, K. Barnard, C. Benesch, M. Ellmerer, L. Heinemann, H. Kojzar, H. Thabit, M. E. Wilinska, T. Wysocki, T. R. Pieber, S. Arnolds, M. L. Evans, and R. Hovorka, “Assessing the effectiveness of 3 months day and night home closed-loop insulin delivery in adults with suboptimally controlled type 1 diabetes: a randomised crossover study protocol,” BMJ Open, vol. 4, no. 9, p. e006075, 2014. Cerca con Google

[56] E. D. Lehmann and T. Deutsch, “A physiological model of glucose-insulin interaction in type 1 diabetes mellitus,” J Biomed Eng, vol. 14, no. 3, pp. 235–242, 1992. Cerca con Google

[57] G. Livesey, P. D. Wilson, J. R. Dainty, J. C. Brown, R. M. Faulks, M. A. Roe, T. A. Newman, J. Eagles, F. A. Mellon, and R. H. Greenwood, “Simultaneous time-varying systemic appearance of oral and hepatic glucose in adults monitored with stable isotopes,” Am. J. Physiol., vol. 275, no. 4 Pt 1, pp. E717–728, 1998. Cerca con Google

[58] Y. M. Luijf, J. H. DeVries, K. Zwinderman, L. Leelarathna, M. Nodale, K. Caldwell, K. Kumareswaran, D. Elleri, J. M. Allen, M. E. Wilinska, M. L. Evans, R. Hovorka, W. Doll, M. Ellmerer, J. K. Mader, E. Renard, J. Place, A. Farret, C. Cobelli, S. Del Favero, C. Dalla Man, A. Avogaro, D. Bruttomesso, A. Filippi, R. Scotton, L. Magni, G. Lanzola, F. Di Palma, P. Soru, C. Toffanin, G. De Nicolao, S. Arnolds, C. Benesch, and L. Heinemann, “Day and night closed-loop control in adults with type 1 diabetes: a comparison of two closed-loop algorithms driving continuous subcutaneous insulin infusion versus patient self-management.,” Diabetes Care, vol. 36, no. 12, pp. 3882–7, Dec. 2013. Cerca con Google

[59] L. Magni, M. Forgione, C. Toffanin, C. Dalla Man, B. Kovatchev, G. De Nicolao, and C. Cobelli, “Run-to-run tuning of model predictive control for type 1 diabetes subjects: in silico trial,” J Diabetes Sci Technol, vol. 3, no. 5, pp. 1091–1098, 2009. Cerca con Google

[60] L. Magni, D. M. Raimondo, C. D. Man, M. Breton, S. Patek, G. D. Nicolao, C. Cobelli, and B. P. Kovatchev, “Evaluating the efficacy of closed-loop glucose regulation via control-variability grid analysis,” J Diabetes Sci Technol, vol. 2, no. 4, pp. 630–635, 2008. Cerca con Google

[61] V. Melki, E. Renard, V. Lassmann-Vague, S. Boivin, B. Guerci, H. Hanaire-Broutin, J. Bringer, P. Belicar, N. Jeandidier, L. Meyer, P. Blin, B. Augendre-Ferrante, and J. P. Tauber, “Improvement of HbA1c and blood glucose stability in IDDM patients treated with lispro insulin analog in external pumps,” Diabetes Care, vol. 21, no. 6, pp. 977–982, 1998. Cerca con Google

[62] J. Mirouze, J. L. Selam, T. C. Pham, and D. Cavadore, “Evaluation of exogenous insulin homoeostasis by the artificial pancreas in insulin-dependent diabetes,” Diabetologia, vol. 13, no. 3, pp. 273–278, 1977. Cerca con Google

[63] M. F. Nielsen, R. Basu, S. Wise, A. Caumo, C. Cobelli, and R. A. Rizza, “Normal glucose-induced suppression of glucose production but impaired stimulation of glucose disposal in type 2 diabetes: evidence for a concentration-dependent defect in uptake,” Diabetes, vol. 47, no. 11, pp. 1735–1747, Nov. 1998. Cerca con Google

[64] G. Nucci and C. Cobelli, “Models of subcutaneous insulin kinetics. A critical review,” Comput Methods Programs Biomed, vol. 62, no. 3, pp. 249–257, 2000. Cerca con Google

[65] A. I. Orlov, “Mahalanobis distance,” in Encyclopedia of Mathematics, Springer, 2001. Vai! Cerca con Google

[66] C. Owens, H. Zisser, L. Jovanovic, B. Srinivasan, D. Bonvin, and F. J. Doyle, “Run-to-run control of blood glucose concentrations for people with Type 1 diabetes mellitus,” IEEE Trans Biomed Eng, vol. 53, no. 6, pp. 996–1005, 2006. Cerca con Google

[67] C. C. Palerm, H. Zisser, W. C. Bevier, L. Jovanovic, and F. J. Doyle, “Prandial insulin dosing using run-to-run control: application of clinical data and medical expertise to define a suitable performance metric,” Diabetes Care, vol. 30, no. 5, pp. 1131–1136, 2007. Cerca con Google

[68] C. C. Palerm, H. Zisser, L. Jovanovic, and F. J. Doyle, “A run-to-run control strategy to adjust basal insulin infusion rates in type 1 diabetes,” J. Process Control, vol. 18, no. 3–4, pp. 258–265, 2008. Cerca con Google

[69] C. C. Palerm, H. Zisser, L. Jovanovic, and F. J. Doyle III, “A run-to-run framework for prandial insulin dosing: handling real-life uncertainty,” Int. J. Robust Nonlinear Control, vol. 17, no. 13, pp. 1194–1213, 2007. Cerca con Google

[70] S. D. Patek, L. Magni, E. Dassau, C. Karvetski, C. Toffanin, G. De Nicolao, S. Del Favero, M. Breton, C. D. Man, E. Renard, H. Zisser, F. J. Doyle, C. Cobelli, B. P. Kovatchev, S. Anderson, A. Avogaro, M. Breton, S. Brown, D. Bruttomesso, W. Clarke, C. Cobelli, C. D. Man, E. Dassau, S. Del Favero, G. De Nicolao, S. Dimartini, F. J. Doyle, A. Farret, C. Hughes, P. Keith-Hynes, B. Kovatchev, L. Magni, A. Maran, S. D. Patek, J. Place, E. Renard, C. Toffanin, M. Vedovato, and H. Zisser, “Modular closed-loop control of diabetes,” IEEE Trans Biomed Eng, vol. 59, no. 11, pp. 2986–2999, Nov. 2012. Cerca con Google

[71] E. F. Pfeiffer, C. Thum, and A. H. Clemens, “The artificial beta cell--a continuous control of blood sugar by external regulation of insulin infusion (glucose controlled insulin infusion system),” Horm. Metab. Res., vol. 6, no. 5, pp. 339–342, 1974. Cerca con Google

[72] J. Pickup and H. Keen, “Continuous subcutaneous insulin infusion at 25 years: evidence base for the expanding use of insulin pump therapy in type 1 diabetes,” Diabetes Care, vol. 25, no. 3, pp. 593–598, Mar. 2002. Cerca con Google

[73] G. Pillonetto, G. Sparacino, and C. Cobelli, “Reconstructing insulin secretion rate after a glucose stimulus by an improved stochastic deconvolution method,” IEEE Trans Biomed Eng, vol. 48, no. 11, pp. 1352–1354, Nov. 2001. Cerca con Google

[74] E. Potocka, R. A. Baughman, and H. Derendorf, “Population pharmacokinetic model of human insulin following different routes of administration,” J Clin Pharmacol, vol. 51, no. 7, pp. 1015–1024, 2011. Cerca con Google

[75] R. Prager, P. Wallace, and J. M. Olefsky, “In vivo kinetics of insulin action on peripheral glucose disposal and hepatic glucose output in normal and obese subjects,” J. Clin. Invest., vol. 78, no. 2, pp. 472–481, 1986. Cerca con Google

[76] R. A. Rizza, L. J. Mandarino, and J. E. Gerich, “Dose-response characteristics for effects of insulin on production and utilization of glucose in man,” Am. J. Physiol., vol. 240, no. 6, pp. E630–639, 1981. Cerca con Google

[77] S. J. Russell, F. H. El-Khatib, M. Sinha, K. L. Magyar, K. McKeon, L. G. Goergen, C. Balliro, M. A. Hillard, D. M. Nathan, and E. R. Damiano, “Outpatient glycemic control with a bionic pancreas in type 1 diabetes,” N. Engl. J. Med., vol. 371, no. 4, pp. 313–325, 2014. Cerca con Google

[78] E. Salzsieder, G. Albrecht, U. Fischer, and E. J. Freyse, “Kinetic modeling of the glucoregulatory system to improve insulin therapy,” IEEE Trans Biomed Eng, vol. 32, no. 10, pp. 846–855, 1985. Cerca con Google

[79] M. Schiavon, C. Dalla Man, L. Hinshaw, Y. C. Kudva, M. Persson, R. Basu, C. Cobelli, and A. Basu, “Novel tracer approach to estimate postprandial complex carbohydrate metabolism: glucose fluxes,” Submitt. Abstr. 76\textsuperscriptth Am. Diabetes Assoc. Sci. Sess., 2016. Cerca con Google

[80] M. Schiavon, C. Dalla Man, Y. C. Kudva, A. Basu, and C. Cobelli, “Quantitative estimation of insulin sensitivity in type 1 diabetic subjects wearing a sensor-augmented insulin pump,” Diabetes Care, vol. 37, no. 5, pp. 1216–1223, 2014. Cerca con Google

[81] S. Schmidt and K. Nørgaard, “Sensor-augmented pump therapy at 36 months,” Diabetes Technol. Ther., vol. 14, no. 12, pp. 1174–1177, 2012. Cerca con Google

[82] M. Shichiri, R. Kawamori, Y. Yamasaki, M. Inoue, Y. Shigeta, and H. Abe, “Computer algorithm for the artificial pancreatic beta cell,” Artif Organs, vol. 2, p. (Suppl.):247-250, 1978. Cerca con Google

[83] R. H. Slover, J. B. Welsh, A. Criego, S. A. Weinzimer, S. M. Willi, M. A. Wood, and W. V Tamborlane, “Effectiveness of sensor-augmented pump therapy in children and adolescents with type 1 diabetes in the STAR 3 study,” Pediatr Diabetes, vol. 13, no. 1, pp. 6–11, Feb. 2012. Cerca con Google

[84] J. T. Sorensen, “A Physiologic Model of Glucose Metabolism in Man and Its Use to Design and Assess Improved Insulin Therapies for Diabetes.,” Massachusetts Institute of Technology, Department of Chemical Engineering, 1985. Cerca con Google

[85] P. Soru, G. De Nicolao, C. Toffanin, C. Dalla Man, C. Cobelli, L. Magni, and on behalf of the AP@home consortium, “MPC based Artificial Pancreas: Strategies for individualization and meal compensation,” Annu. Rev. Control, vol. 36, no. 1, pp. 118–128, 2012. Cerca con Google

[86] R. Srinivasan, A. H. Kadish, and R. Sridhar, “A mathematical model for the control mechanism of free fatty acid-glucose metabolism in normal humans,” Comput. Biomed. Res., vol. 3, no. 2, pp. 146–165, Apr. 1970. Cerca con Google

[87] G. M. Steil, A. E. Panteleon, and K. Rebrin, “Closed-loop insulin delivery-the path to physiological glucose control,” Adv. Drug Deliv. Rev., vol. 56, no. 2, pp. 125–144, Feb. 2004. Cerca con Google

[88] W. V Tamborlane, R. W. Beck, B. W. Bode, and et al.; Juvenile Diabetes Research Foundation Continuous Glucose Monitoring Study Group., “Continuous glucose monitoring and intensive treatment of type 1 diabetes,” N. Engl. J. Med., vol. 359, no. 14, pp. 1464–1476, 2008. Cerca con Google

[89] C. Toffanin, M. Messori, C. Cobelli, and L. Magni, “Automatic adaptation of basal therapy for Type 1 diabetic patients: a Run-to-Run approach,” Biomed. Signal Process. Control. Cerca con Google

[90] C. Toffanin, M. Messori, F. Di Palma, G. De Nicolao, C. Cobelli, and L. Magni, “Artificial pancreas: model predictive control design from clinical experience,” J Diabetes Sci Technol, vol. 7, no. 6, pp. 1470–1483, Nov. 2013. Cerca con Google

[91] G. Toffolo, E. Breda, M. K. Cavaghan, D. A. Ehrmann, K. S. Polonsky, and C. Cobelli, “Quantitative indexes of beta-cell function during graded up&down glucose infusion from C-peptide minimal models,” Am. J. Physiol. Endocrinol. Metab., vol. 280, no. 1, pp. 2–10, 2001. Cerca con Google

[92] J. Tuo, H. Sun, D. Shen, H. Wang, and Y. Wang, “Optimization of insulin pump therapy based on high order run-to-run control scheme,” Comput Methods Programs Biomed, vol. 120, no. 3, pp. 123–134, 2015. Cerca con Google

[93] P. Vicini, A. Caumo, and C. Cobelli, “The hot IVGTT two-compartment minimal model: indexes of glucose effectiveness and insulin sensitivity,” Am. J. Physiol., vol. 273, no. 5 Pt 1, pp. E1024–1032, Nov. 1997. Cerca con Google

[94] R. Visentin, C. Dalla Man, and C. Cobelli, “One-Day Bayesian Cloning of Type 1 Diabetes Subjects: Towards a Single-Day UVA/Padova Type 1 Diabetes Simulator,” IEEE Trans Biomed Eng, under Revis. Cerca con Google

[95] R. Visentin, C. Dalla Man, B. Kovatchev, and C. Cobelli, “The University of Virginia/Padova Type 1 Diabetes Simulator Matches the Glucose Traces of a Clinical Trial,” Diabetes Technol. Ther., vol. 16, no. 7, pp. 428–434, 2014. Cerca con Google

[96] R. Visentin, C. Dalla Man, Y. C. Kudva, A. Basu, and C. Cobelli, “Circadian variability of insulin sensitivity: physiological input for in silico artificial pancreas,” Diabetes Technol. Ther., vol. 17, no. 1, pp. 1–7, 2015. Cerca con Google

[97] R. Visentin, T. Klabunde, M. Grant, C. Dalla Man, and C. Cobelli, “Incorporation of inhaled insulin into the FDA accepted University of Virginia/Padova Type 1 Diabetes Simulator,” Conf Proc IEEE Eng Med Biol Soc, vol. 2015, pp. 3250–3253, 2015. Cerca con Google

[98] Y. Wang, F. Gao, and F. J. Doyle III, “Threshold-based insulin-pump interruption for reduction of hypoglycemia,” J. Process Control, vol. 19, no. 10, pp. 1589–1600, 2009. Cerca con Google

[99] Vai! Cerca con Google

[100] Vai! Cerca con Google

[101] Vai! Cerca con Google

[102] H. Yki-Jarvinen, A. A. Young, C. Lamkin, and J. E. Foley, “Kinetics of glucose disposal in whole body and across the forearm in man,” J. Clin. Invest., vol. 79, no. 6, pp. 1713–1719, 1987. Cerca con Google

[103] H. Zisser and L. Jovanovic, “OmniPod Insulin Management System: patient perceptions, preference, and glycemic control,” Diabetes Care, vol. 29, no. 9, p. 2175, 2006. Cerca con Google

[104] H. Zisser, L. Jovanovic, F. Doyle, P. Ospina, and C. Owens, “Run-to-run control of meal-related insulin dosing,” Diabetes Technol. Ther., vol. 7, no. 1, pp. 48–57, Feb. 2005. Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record