Taylor-Series-Based Hybrid Adaptive Sliding Mode Control with Online Meal Disturbance Estimation for Artificial Pancreas Systems

Sintesi Tecnica: Controllo a Modo Sforzato Ibrido Adattivo Basato su Serie di Taylor per Sistemi di Pancreas Artificiale

Definizione del Problema
La regolazione del glucosio ematico nel Diabete Mellito di Tipo 1 (T1DM) tramite sistemi di Pancreas Artificiale (AP) affronta sfide significative dovute a incertezze fisiologiche e disturbi esterni imprevedibili, specificamente l'assunzione di pasti. Sebbene il Controllo a Modo Sforzato (SMC) offra una robustezza intrinseca e una convergenza in tempo finito, le formulazioni SMC convenzionali soffrono di due critiche limitazioni in contesti clinici:

1. Guadagni Fissi: La maggior parte dei controllori basati su SMC utilizza guadagni fissi che non possono adattarsi alla dinamica specifica del paziente o alla sensibilità insulinica variabile nel tempo.
2. Limiti del Disturbo: Il Controllo a Modo Sforzato di Ordine Superiore (HOSMC) standard e gli approcci adattivi richiedono spesso la conoscenza a priori dei limiti del disturbo (ad esempio, la dimensione massima del pasto) per garantire la stabilità. Nella pratica, il contenuto di carboidrati del pasto è sconosciuto e imprevedibile, rendendo necessaria una sintonizzazione conservativa basata sul caso peggiore, il che spesso porta a un eccessivo rilascio di insulina o a "chattering" (oscillazioni ad alta frequenza).

Le strategie esistenti come il Controllo Predittivo del Modello (MPC) dipendono fortemente dall'accuratezza del modello e dalle risorse computazionali, mentre i controllori PID mancano di adattabilità alle condizioni variabili nel tempo. I metodi di controllo intelligente (fuzzy/neurali) spesso mancano di garanzie formali di stabilità. Di conseguenza, è necessario un framework di controllo che garantisca robustezza, rapido recupero postprandiale e un rilascio di insulina fluido senza richiedere la conoscenza preventiva dell'entità del disturbo del pasto.

Metodologia
Il documento propone un framework di Controllo a Modo Sforzato Adattivo (ASMC) unificato basato su un modello esteso Bergman Minimal Model (BMM). La metodologia integra tre componenti principali:

1. Modellazione del Sistema: La dinamica glucosio-insulina è modellata utilizzando il BMM, esteso con un termine di disturbo del pasto esplicito $D(t)$. Il disturbo è modellato come una funzione a decadimento esponenziale con un'ampiezza $A$ sconosciuta (che rappresenta il contenuto di carboidrati del pasto) e un tasso di decadimento $\beta$ noto.
2. Parametrizzazione tramite Serie di Taylor: Per gestire l'ampiezza sconosciuta del disturbo $A$, gli autori applicano il teorema di Taylor alla funzione di disturbo. Ciò consente di decomporre la dinamica non lineare del disturbo in una forma di regressore lineare. Nello specifico, il termine non lineare raggruppato nella dinamica del sistema viene separato in dinamiche di sistema nominali e una componente relativa al disturbo parametrizzata da $A$. Ciò produce un vettore regressore noto $\Psi$ dipendente dagli stati misurabili ($G, X, I$) e dal tempo, consentendo la stima di $A$ online.
3. Legge di Controllo Adattiva:
   • Viene definita una superficie di scorrimento del secondo ordine $S$ basata sull'errore di inseguimento del glucosio e sulle sue derivate.
   • L'ingresso di controllo $u$ è suddiviso in un controllo equivalente (basato sulla dinamica stimata) e un termine di commutazione discontinuo.
   • Fondamentalmente, l'ampiezza sconosciuta $A$ è sostituita da una stima online $\hat{A}$.
   • Una legge adattiva basata su Lyapunov è derivata per aggiornare $\hat{A}$ in tempo reale. La legge di aggiornamento è progettata in modo che la derivata temporale della funzione di Lyapunov sia non positiva, garantendo l'limitatezza di tutti i segnali in ciclo chiuso.
   • L'analisi teorica dimostra la convergenza in tempo finito della superficie di scorrimento verso lo zero senza richiedere la conoscenza a priori del limite superiore del disturbo.

Contributi Chiave
Il documento identifica tre contributi primari:

1. Sviluppo di un ASMC con Stima Online: La formulazione di un controllore adattivo che stima l'ampiezza del disturbo del pasto sconosciuta online utilizzando un regressore parametrizzato tramite serie di Taylor, eliminando la necessità di limiti di disturbo a priori o annunci di pasti.
2. Analisi Rigorosa della Stabilità: Un'analisi formale della stabilità basata su Lyapunov che stabilisce la convergenza in tempo finito per il sistema in ciclo chiuso, provando che la legge adattiva garantisce l'limitatezza di tutti i segnali (glucosio, insulina ed errore di stima).
3. Valutazione Comparativa Esaustiva: Una validazione tramite simulazione rispetto a un SMC convenzionale utilizzando parametri del paziente fisiologicamente validati, dimostrando prestazioni superiori in termini di riduzione dei picchi, tempo di assestamento e eliminazione del chattering.

Risultati della Simulazione
L'ASMC proposto è stato valutato in MATLAB/Simulink su un orizzonte di 24 ore con tre disturbi da pasto (colazione, pranzo, cena) attraverso tre distinti profili di pazienti con parametri metabolici variabili. I risultati quantitativi chiave includono:

• Regolazione del Glucosio: L'ASMC ha ridotto i picchi postprandiali di glucosio del 70,8% rispetto all'SMC convenzionale (ad esempio, il picco del pranzo è passato da 380,65 mg/dL a 108,42 mg/dL). L'SMC convenzionale ha superato la soglia di 180 mg/dL raccomandata dall'ADA, mentre l'ASMC ha mantenuto i livelli entro limiti sicuri.
• Velocità di Convergenza: L'ASMC ha ottenuto un tempo di assestamento del 28,3% più veloce (1,70 ore rispetto a 2,37 ore) durante gli eventi dei pasti.
• Accuratezza dell'Inseguimento: L'ASMC ha dimostrato metriche di errore significativamente inferiori: 87,20% in meno di ITAE, 14,71% in meno di IAE, e 5,22% in meno di ISE e MSE rispetto all'SMC.
• Fluidità del Controllo: L'ASMC ha eliminato il chattering, come evidenziato da una riduzione dell'85,95% nella Variazione Massima di Ampiezza (MAC) e da una riduzione del 78,40% nella Variazione del Segnale di Ingresso (ISV). Ciò ha portato a un profilo di infusione di insulina più fluido, evitando le oscillazioni ad alta frequenza osservate nell'SMC convenzionale.
• Sicurezza: In tutti gli scenari simulati, inclusi i pazienti con alta resistenza all'insulina, l'ASMC ha mantenuto i livelli di glucosio rigorosamente sopra la soglia di ipoglicemia di 70 mg/dL, mentre l'SMC convenzionale ha mostrato escursioni iperglicemiche non sicure.

Significato e Rivendicazioni
Gli autori affermano che il framework proposto offre una soluzione robusta, computazionalmente efficiente e clinicamente affidabile per i sistemi di pancreas artificiale. La significatività del lavoro risiede nella sua capacità di affrontare la sfida critica dei disturbi da pasto sconosciuti senza dipendere da una sintonizzazione conservativa del caso peggiore o dalla conoscenza a priori dei limiti del disturbo.

Integrando la stima tramite serie di Taylor con il controllo a modo sforzato adattivo, il sistema ottiene:

• Sicurezza Clinica: Prevenzione sia della grave iperglicemia che dell'ipoglicemia.
• Comfort del Paziente: L'eliminazione del chattering porta a un rilascio di insulina più fluido, riducendo il rischio di affaticamento della pompa e irritazione tissutale.
• Personalizzazione: Il controllore si adatta alla dinamica individuale del paziente (sensibilità all'insulina e clearance del glucosio) attraverso il meccanismo di stima online.

Il documento conclude che, sebbene l'SMC convenzionale sia teoricamente robusto, esso è clinicamente impraticabile per i sistemi AP a causa della sua incapacità di gestire disturbi sconosciuti senza guadagni eccessivi. Il proposto ASMC colma questo divario, offrendo un'alternativa valida che garantisce la convergenza in tempo finito e un'azione di controllo fluida, rendendolo adatto all'implementazione in sistemi embedded nelle pompe di insulina. Il lavoro futuro è focalizzato sulla validazione clinica e l'integrazione con dati sensoriali rumorosi.