🧬 biology

Model Predictive Controller to Regulate Cortisol Levels in Individuals With Adrenal Insufficiency

Dieses Paper schlägt einen Model Predictive Controller (MPC) vor, der mit einem neuartigen mathematischen Modell der Hypothalamus-Hypophysen-Nebennierenrinden-Achse (HPA-Achse) integriert ist, um als virtueller Assistent für Ärzte zu dienen, der die Optimierung der Cortisol-Ersatztherapie für Patienten mit primärer oder sekundärer Nebenniereninsuffizienz ermöglicht, während gleichzeitig Dosierungsgrenzen strikt eingehalten werden.

Ursprüngliche Autoren: Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

Veröffentlicht 2026-07-13

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Ihr Körper besitzt ein winziges, superintelligentes Thermostat in Ihrem Gehirn, das ein spezielles „Stresshormon“ namens Cortisol steuert. Dieses Hormon ist wie der Notfallkraftstoff des Körpers; es hilft Ihnen, Stress zu bewältigen, Ihre Energie hochzuhalten und Infektionen abzuwehren. Bei einem gesunden Menschen arbeitet dieses Thermostat nach einem natürlichen Tagesrhythmus, indem es morgens mehr Kraftstoff ausschüttet, um Sie wach zu machen, und nachts weniger, damit Sie schlafen können.

Doch bei Menschen mit einer Erkrankung namens Nebennierenrindeninsuffizienz (AI) ist dieses System defekt. Es ist, als ob der Ofen in ihrem Haus aufgehört hätte zu arbeiten. Sie können kein eigenes Cortisol herstellen und müssen es daher in Form einer Pille (Hydrocortison) zu sich nehmen, um zu überleben. Das große Problem dabei ist: Genau herauszufinden, wie viel man wann einnimmt, ist knifflig. Wenn sie zu wenig einnehmen, fühlen sie sich schwach und krank. Wenn sie zu viel einnehmen, kann das gefährlich werden.

Momentan spielen Ärzte meist auf Nummer sicher und nutzen einen „festen Zeitplan“. Sie sagen vielleicht: „Nehmen Sie um 8:00 Uhr 12 mg, um 14:00 Uhr 4 mg und um 20:00 Uhr 4 mg ein.“ Die Autoren dieser Arbeit haben Computersimulationen durchgeführt, um zu sehen, wie gut dieser feste Zeitplan funktioniert. Sie fanden heraus, dass er die Hormonwerte zwar in den richtigen Bereich bringt, aber nicht perfekt ist. Es ist wie das Fahren eines Autos mit Tempomat auf einer festen Geschwindigkeit; man kommt zwar an, aber das System passt sich nicht an, wenn die Straße steil oder flach wird.

Die neue Idee: Ein „virtueller Co-Pilot“

Um es besser zu machen, bauten die Forscher eine neue, superdetaillierte mathematische Landkarte davon, wie das Stresssystem des Körpers funktioniert. Diese Karte umfasst den Tagesrhythmus (die zirkadiane Uhr) und die Art und Weise, wie der Körper natürlicherweise versucht, die Produktion von Cortisol zu stoppen, wenn zu viel davon vorhanden ist.

Unter Verwendung dieser Karte entwarfen sie einen „Model Predictive Controller“ (MPC). Stellen Sie sich diesen MPC als einen intelligenten, virtuellen Co-Piloten für den Arzt vor. Anstatt nur zu raten, welcher feste Zeitplan sinnvoll ist, blickt dieser Co-Pilot ständig voraus. Er fragt: „Wenn ich jetzt diese Dosis gebe, wie werden die Hormonwerte in einer Stunde aussehen? In zwei Stunden? Werden sie zu hoch oder zu niedrig sein?“

Der Co-Pilot berechnet dann die perfekte Dosis, um die Werte genau richtig zu halten, muss dabei aber strikte Regeln befolgen:

Keine negativen Dosen: Man kann keine „Minus-Pillen“ einnehmen.
Keine Überdosierung: Er wird keine Dosis vorschlagen, die zu hoch ist (die Grenze ist so gesetzt, dass der Patient nicht durch zu viel Cortisol krank wird).
Reale Tabletten: Da man in der Apotheke keine 5,45-mg-Pille kaufen kann, rundet der Co-Pilot die Zahlen auf die nächsten 5 mg (wie 5 mg, 10 mg oder 15 mg) auf und hält sich an die üblichen Zeiten: 8:00 Uhr, 14:00 Uhr und 20:00 Uhr.

Was die Simulationen zeigten

Das Team testete diesen virtuellen Co-Piloten auf zwei verschiedene Arten von defekten Stresssystemen:

Primäre AI: Die Nebennieren (der Ofen) sind völlig defekt.
Sekundäre AI: Das Thermostat im Gehirn (Hypothalamus und Hypophyse) ist defekt, sodass es den Drang gar nicht erst gibt, die Drüsen zum Arbeiten anzuregen.

In ihren Computersimulationen war der MPC in der Lage, die Hormonwerte perfekt an ein „Ziel“ anzupassen. Egal, ob das Ziel eine gerade Linie oder eine wellenförmige Linie war, die den natürlichen Morgen-bis-Abend-Rhythmus nachahmt – der Controller passte die Dosen an, um dieser eng zu folgen.

Wenn sie das System beispielsweise anwiesen, ein Cortisolniveau von 10 µg/dL oder 15 µg/dL anzustreben, berechnete der Controller die exakte Mischung der benötigten Pillen, um dorthin zu gelangen, ohne über das Ziel hinauszuschießen. Selbst als sie versuchten, einen wechselnden Tag mit einer wellenförmigen „Sinuskurve“ als Ziel nachzubilden, passte sich der Controller an, wenngleich mit einer leichten Verzögerung (einem kleinen „Phasenverzug“) – was normal für die Reaktion des Körpers ist.

Das Fazbeit (Das Wesentliche)

Das Paper behauptet nicht, dass dies eine Heilung ist oder dass es bereits an echten Menschen getestet wurde. Stattdessen zeigen die Autoren, dass dieser smarte, regelbefolgende virtuelle Assistent in ihren Simulationen viel besser abschneidet als die alte Methode des „festen Zeitplans“. Es beweist, dass es möglich ist, Mathematik zu nutzen, um einen personalisierten, optimalen Plan für die Einnahme von Cortisol zu erstellen.

Die Forscher schlagen vor, dass der nächste Schritt darin besteht, die Mathematik so anzupassen, dass sie auf spezifische Patienten passt, und sie dann mit realen Daten zu testen. Aber für den Moment zeigt diese Studie, dass ein smarter, virtueller Co-Pilot eines Tages Ärzten helfen könnte, die perfekte Dosis Cortisol zu verschreiben, um Patienten sicher und gesund zu halten.

Technische Zusammenfassung: Modellprädiktiver Regler zur Regulierung des Cortisolspiegels bei Personen mit Nebennierenrindeninsuffizienz

Problemstellung
Die Nebennierenrindeninsuffizienz (AI) oder Hypocortisolismus ist ein Zustand, der durch die Unfähigkeit der Nebennieren gekennzeichnet ist, ausreichende Mengen an Cortisol zu produzieren, einem Hormon, das entscheidend für die Regulierung von Stress, Stoffwechsel und Immunantworten ist. Die AI manifestiert sich in zwei primären Formen: primärer AI (Nebennierenstörung) und sekundärer AI (Hypothalamus-Hypophysen-Störung). Obwohl die AI nicht geheilt werden kann, wird sie durch eine Cortisol-Ersatztherapie verwaltet, die typischerweise aus festen Dosen von Hydrocortison (HC) besteht. Herkömmliche Strategien mit Festdosierung sind jedoch oft suboptimal; sie berücksichtigen nicht die komplexen, nicht-linearen Dynamiken der Hypothalamus-Hypophysen-Nebennieren-Achse (HPA-Achse), einschließlich der endogenen zirkadianen Rhythmen und Rückkopplungsschleifen. Darüber hinaus bergen sowohl eine Überdosierung als auch eine Unterdosierung erhebliche Gesundheitsrisiken, wobei Studien darauf hinweisen, dass eine höhere Ersatztherapie mit einer erhöhten Mortalität korreliert. Die Herausforderung besteht darin, eine Behandlungsstrategie zu entwickeln, die die Dosierungsbeschränkungen strikt einhält und gleichzeitig die Cortisolwerte dynamisch innerhalb eines gesunden Bereichs reguliert.

Methodik
Die Autoren schlagen einen neuartigen mathematischen Rahmen vor, der fortschrittliche Modellierung mit modellprädiktiver Regelung (Model Predictive Control, MPC) kombiniert, um als virtueller Assistent für Ärzte zu dienen.

Mathematische Modellierung der HPA-Achse:
Die Studie konstruiert ein nicht-lineares Differentialgleichungsmodell der HPA-Achse, das drei Schlüsselkomponenten integriert:

Das Strukturmodell von Andersen et al. (2013), das Glukokortikoid- und Mineralokortikoidrezeptoren sowie die Größenbeschränkungen der Drüse berücksichtigt.
Die endogene zirkadiane Rhythmusfunktion $C(t)$ von Bangsgaard und Ottesen (2017), die die diurnale Variation der Hormonfreisetzung modelliert.
Starke negative Rückkopplungsmechanismen von Cortisol zu CRH, wie von Sriram et al. (2012) vorgeschlagen, um die AI-Bedingungen genau zu simulieren.
Das Modell definiert drei Zustandsvariablen: CRH-Konzentration ( $x_1$ ), ACTH-Konzentration ( $x_2$ ) und Cortisol-Konzentration ( $x_3$ ). Eine Eingabevariable $u$ repräsentiert die exogene Cortisol-Ersatztherapie. Das Modell wird separat für primäre und sekundäre AI parametrisiert, wobei spezifische Werte für Stimulationsraten und Depletionsraten aus der Literatur abgeleitet wurden.

Open-Loop-Validierung:
Vor der Implementierung der Regelung wurde das Modell mittels einer Open-Loop-Simulation der Standardklinik validiert. Es wurden feste Tagesdosen von Hydrocortison (20 mg und 25 mg), aufgeteilt in drei Verabreichungen (60 % morgens, 20 % nachmittags, 20 % abends), auf das Modell angewendet. Diese Simulationen bestätigten, dass die Festdosierung zwar das Cortisol in normale Bereiche heben konnte, dies jedoch zu nicht-optimalen Trajektorien führte und die physiologischen Nuancen der HPA-Achse nicht vollständig replizierte.
Design des modellprädiktiven Reglers (MPC):
Um eine optimale Regulierung zu erreichen, entwarfen die Autoren einen MPC-Regler.

Linearisierung und Diskretisierung: Das nicht-lineare HPA-Modell wurde um einen Gleichgewichtszustand (wo $u=0$ ) linearisiert und unter Verwendung eines Zero-Order-Hold mit einer Abtastzeit von 1 Stunde diskretisiert.
Konfiguration des Reglers: Der MPC wurde mit einem Vorhersagehorizont ( $N_p$ ) von 10 Stunden und einem Steuerhorizont ( $N_c$ ) von 4 Stunden konfiguriert. Er nutzt einen Kalman-Filter, um ungemessene Zustände (CRH und ACTH) basierend auf gemessenen Cortisolwerten zu schätzen.
Beschränkungen: Der Regler erzwingt strikte Beschränkungen: Die Eingabedosen müssen nicht-negativ sein und sind auf 15 mg pro Dosis begrenzt, mit einem täglichen Limit von 30 mg. Um der klinischen Realität zu entsprechen, werden die berechneten optimalen Dosen auf das nächste 5-mg-Intervall quantisiert.
Zielsetzung: Der Regler minimiert eine quadratische Kostenfunktion, um die Cortisolkonzentration auf eine Referenz-Trajektorie (konstant oder sinusförmig) zu führen, während die Eingabebeschränkungen eingehalten werden.

Wesentliche Beiträge
Die Arbeit skizziert fünf spezifische Beiträge:

Die Entwicklung eines neuartigen HPA-Achsen-Modells, das explizit sowohl zirkadiane als auch ultradiane Rhythmen einbezieht.
Die Simulation zweier unterschiedlicher AI-Bedingungen: primäre und sekundäre Nebenniereninsuffizienz.
Die Einführung einer Eingabevariable $u$ , um die Cortisol-Ersatztherapie mathematisch zu modellieren.
Die Verifizierung des vorgeschlagenen Modells anhand veröffentlichter Patientendaten für primäre AI.
Die Konstruktion eines MPC-basierten virtuellen Assistenten, der in der Lage ist, optimale, beschränkte Cortisol-Ersatzstrategien für beide AI-Typen zu generieren.

Ergebnisse
Die Simulationsergebnisse demonstrieren die Wirksamkeit des vorgeschlagenen Ansatzes:

Open-Loop: Simulationen mit Festdosierung zeigten, dass die Strategie zwar das Cortisol in den Normalbereich bringen konnte, aber nicht optimal war und Spitzenwerte aufwies, die von Tag zu Tag variierten.
Closed-Loop (MPC): Der MPC regulierte die Cortisolspiegel für sowohl primäre als auch sekundäre AI erfolgreich über verschiedene Referenz-Trajektorien hinweg (konstant 10 µg/dL, konstant 15 µg/dL und ein sinusförmiges Profil, das die diurnale Variation nachbildet).
- Bei primärer AI unterdrückte der Regler effektiv erhöhte CRH- und ACTH-Spiegel über negative Rückkopplung, während er die Ziel-Cortisolwerte verfolgte.
- Bei sekundärer AI hielt der Regler die unterdrückten CRH- und ACTH-Spiegel (konsistent mit der Pathologie) aufrecht und verfolgte erfolgreich die Referenz-Cortisol-Trajektorie.
- Der MPC zeigte die Fähigkeit, die Dosierungsmuster an wechselnde Referenzanforderungen anzupassen, wobei nur ein geringfügiger physiologischer Phasenverzug zwischen der Referenz und dem verabreichten Cortisol beobachtet wurde.
Umgang mit Beschränkungen: Der Regler hielt sich erfolgreich an die auferlegten Beschränkungen (nicht-negativ, max. 15 mg/Dosis, max. 30 mg/Tag) und quantisierte die Ausgabe auf klinisch verfügbare Dosen (Vielfache von 5 mg).

Bedeutung und Ansprüche
Die Arbeit behauptet, dass der vorgeschlagene MPC-basierte virtuelle Assistent eine rigorose Methode darstellt, um die mit der Cortisol-Ersatztherapie inhärenten Beschränkungen zu adressieren, welche durch Festdosierungsstrategien nicht erreicht werden können. Durch die Integration eines physiologisch genauen Modells mit einem optimierungsbasierten Regler kann das System Behandlungsstrategien generieren, die das Cortisol innerhalb eines gesunden Bereichs halten und gleichzeitig die Risiken einer Über- oder Unterdosierung minimieren. Die Autoren positionieren diese Arbeit als Schritt in Richtung personalisierter Medizin, bei der die Entscheidungsfindung eines Arztes durch ein Werkzeug unterstützt wird, das in der Lage ist, optimale, patientenspezifische Dosierungsschemata zu berechnen. Die Studie kommt zu dem Schluss, dass die aktuelle Modellierung zwar gegen bestehende Daten validiert wurde, zukünftige Arbeiten jedoch darauf abzielen werden, die Modellparameter an spezifische Individuen anzupassen und potenziell maschinelles Lernen sowie fortgeschrittene nicht-lineare Beobachter zu integrieren, um die prädiktive Genauigkeit weiter zu verfeinern und Wechselwirkungen mit anderen endokrinen Achsen, wie der Hypothalamus-Hypophysen-Thyreoid-Achse (HPT-Achse), zu untersuchen.

Mehr davon