Data-Driven Personalization of Automated Insulin Delivery

Resumen Técnico: Personalización Basada en Datos de la Entrega Automatizada de Insulina

Planteamiento del Problema
Los sistemas de Entrega Automatizada de Insulina (AID, por sus siglas en inglés) dependen actualmente de controladores ajustados a nivel poblacional, utilizando a menudo búsquedas exhaustivas sobre cohortes virtuales (por ejemplo, el simulador UVA/Padova aceptado por la FDA). Si bien esto garantiza la seguridad en una población amplia, no logra contabilizar la significativa variabilidad inter e intra-paciente en las necesidades de insulina causada por patrones de alimentación, actividad física, ritmos circadianos y fluctuaciones en la sensibilidad a la insulina. Los enfoques adaptativos existentes suelen depender de la reidentificación de los parámetros del modelo fisiológico (por ejemplo, la sensibilidad a la insulina), lo que requiere una alta fidelidad e identificabilidad del modelo. Alternativamente, los métodos de adaptación directa como el Control de Búsqueda de Extremos (ESC) tienen dificultades con el ruido inherente al Monitoreo Continuo de Glucosa (CGM) y la variabilidad metabólica, requiriendo a menudo un filtrado agresivo que ralentiza la convergencia o introduce oscilaciones.

Metodología
Los autores proponen un marco de personalización en tiempo real basado en datos que adapta los parámetros del controlador directamente a partir de los datos glucémicos diarios de un individuo sin reidentificar el modelo fisiológico subyacente.

1. Arquitectura de Control: El sistema utiliza un marco de Control Predictivo Basado en Modelo (MPC) donde la salida del controlador $u$ es una función del estado $x$ y de parámetros ajustables $\theta = (\alpha, \beta)$.

   • $\beta$ escala el punto de operación para alcanzar un objetivo de glucosa en ayunas específico.
   • $\alpha$ ajusta el conservadurismo respecto al apilamiento de insulina.
   • A diferencia de los factores de escala globales (por ejemplo, $\gamma$ para la Insulina Total Diaria), estos parámetros permiten que el controlador aproveche perfiles farmacocinéticos/farmacodinámicos (PK/PD) específicos, como los de las formulaciones de insulina ultra-rápida.

2. Ley de Adaptación: El núcleo del enfoque es un algoritmo de Descenso de Gradiente Proyectado que opera sobre una métrica de riesgo diaria $J_k$. La regla de actualización es:
   $$\theta_{k+1} = \Pi_T (\theta_k - \eta \hat{\nabla} J_k + \xi_k)$$
   donde $\Pi_T$ es la proyección euclidiana sobre el conjunto admisible, $\eta$ es la tasa de aprendizaje y $\xi_k$ es una señal de dither acotada para la exploración persistente.

3. Estimación del Gradiente: Para manejar el ruido del CGM y la variabilidad metabólica, los autores introducen un estimador de gradiente de Mínimos Cuadrados Ponderados Regularizados (RWLS).

   • Ponderación de Proximidad Espacial: Las muestras más cercanas al punto de operación actual $\theta_k$ se ponderan más fuertemente para aproximar el gradiente local.
   • Regularización Adaptativa: El coeficiente de regularización $\rho$ se ajusta dinámicamente basándose en la varianza espacial ponderada del lote de datos. Esto actúa como una "región de confianza escalada dinámicamente", evitando pasos de gradiente grandes cuando los datos están distantes de la estimación actual, equilibrando así la atenuación del ruido frente al sesgo de curvatura.

4. Validación Teórica:

   • Teoría de Contracción: Los autores asumen que el sistema de lazo cerrado es contractivo (una propiedad respaldada por la estructura de la fisiología de la Diabetes Tipo 1, donde la dinámica de la insulina y la glucosa forman un sistema en cascada y disipativo). Esto asegura que, bajo perturbaciones periódicas (rutinas diarias), el sistema converja a una órbita periódica única, definiendo una función de riesgo de estado estacionario bien planteada $\bar{J}(\theta)$.
   • Estabilidad: Utilizando la teoría de contracción, los autores demuestran que el sistema de lazo cerrado con la ley de adaptación es Estable con respecto al Estado y a la Entrada (ISS). Derivan límites para la tasa de aprendizaje $\eta$ que aseguran la convergencia exponencial hacia los parámetros óptimos bajo perturbaciones periódicas y la convergencia hacia un entorno del óptimo bajo condiciones ruidosas y no periódicas.

Contribuciones Clave

1. Estimador de Gradiente RWLS: Desarrollo de un nuevo estimador con ponderación de proximidad espacial y regularización adaptativa diseñado específicamente para la personalización de AID. El artículo proporciona un límite de error teórico que muestra que el error de estimación se controla bajo condiciones de regularidad de curvatura y excitación persistente.
2. Análisis Basado en Contracción: Demostración de que, bajo una rutina diaria nominal, la dinámica de la glucosa de lazo cerrado se reduce a una órbita periódica. Esto establece una base teórica para analizar la ley de adaptación como un descenso de gradiente proyectado sobre una métrica de riesgo de estado estacionario.
3. Validación ISS: Prueba de que el sistema con el esquema de adaptación basado en el rendimiento (PAS) es Estable con respecto al Estado y a la Entrada (ISS), validado mediante ensayos in silico bajo variabilidad de comidas, conductuales y metabólicas realistas.

Resultos
El método fue evaluado utilizando la cohorte de 100 adultos del simulador de T1D UVA/Padova aceptado por la FDA bajo dos escenarios: condiciones constantes y condiciones con variabilidad de comidas/metabólica.

• Reducción de Riesgo: El método propuesto redujo el riesgo glucémico en comparación con las líneas de base no adaptativas y los métodos existentes de escalado $\gamma$.
• Tiempo en Rango (TIR): En el escenario de variabilidad, el método aumentó el TIR (70–180 mg/dL) en un:
  • 2% tras 4 semanas.
  • 3% tras 8 semanas.
  • 4% tras 17 semanas.
• Comparación: La adaptación de los parámetros específicos $(\alpha, \beta)$ produjo un riesgo menor y un TIR más alto en comparación con la adaptación únicamente del factor de escala global $\gamma$. Un enfoque híbrido (adaptando inicialmente $\gamma$, luego cambiando a $(\alpha, \beta)$) mostró convergencia hacia el riesgo más bajo de todos.
• Robustez: El sistema mantuvo la estabilidad y mejoró el rendimiento a pesar de las variaciones en el tiempo de las comidas ($\pm 20$ minutos), el tamaño de la comida y la sensibilidad a la insulina.

Significancia y Reivindicaciones
El artículo afirma que este enfoque ofrece una alternativa robusta y libre de modelo para la identificación de parámetros fisiológicos para personalizar los sistemas AID. Al aprovechar la teoría de contracción, los autores aseguran que el proceso de adaptación no desestabilice el sistema de lazo cerrado, incluso en presencia de ruido metabólico significativo. El método es particularmente significativo para integrar formulaciones de insulina ultra-rápida, donde el simple escalado global de la Insulina Total Diaria (TDI) es insuficiente para capturar los perfiles temporales alterados de PK/PD. Los autores enfatizan que su marco permite a los controladores reducir de forma segura el conservadurismo respecto al apilamiento de insulina, permitiendo así controlar los picos postprandiales de forma más agresiva mientras se mitiga la hipoglucemia de aparición tardía, todo ello manteniendo la estabilidad de entrada a estado (ISS).