🧬 biology

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

本文提出了一种将模型预测控制器（MPC）与一种新型下丘脑-垂体-肾上腺（HPA）轴数学模型相结合的方法，旨在为医生提供虚拟助手，在严格遵守剂量限制的同时，实现原发性或继发性肾上腺功能不全患者皮质醇替代疗法的优化。

原作者： Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

发布于 2026-07-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Renuka Joshi, Nayana Saha, Vittal Srinivasan, Stanislaw H. Zak, Cary N. Mariash

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你的大脑里有一个微小且极其智能的恒温器，它控制着一种特殊的“压力荷尔蒙”——皮质醇。这种荷尔蒙就像是身体的应急燃料，帮助你应对压力、保持能量并抵抗感染。在健康的人体内，这个恒温器遵循着自然的昼夜节律：早晨分泌更多燃料以唤醒身体，夜晚减少分泌以便睡眠。

但对于患有肾上腺功能不全（AI）的人来说，这个系统失灵了。这就像是房子里的暖气炉停止了工作。他们无法自行制造皮质醇，因此必须依靠药物（氢化可的松）来维持生存。大问题在于，弄清楚到底该吃多少以及何时服用是非常困难的。如果剂量太少，他们会感到虚弱和不适；如果剂量太多，则可能产生危险。

目前，医生通常采取一种稳妥的“固定方案”。他们可能会说：“早上 8:00 服用 12 毫克，下午 2:00 服用 4 毫克，晚上 8:00 服用 4 毫克。”本文作者通过计算机模拟研究了这种固定方案的效果。他们发现，虽然这种方案能让荷尔蒙水平处于大致合理的范围内，但并不完美。这就像是在开车时将定速巡航设定为一个单一的速度；虽然能到达目的地，但如果路面变得陡峭或平缓，它无法进行自动调节。

新想法：“虚拟副驾驶”

为了做得更好，研究人员构建了一个关于人体压力系统运作方式的超详细数学模型图。这张地图包含了昼夜节律（生物钟），以及身体在皮质醇过多时如何自然抑制自身产生的机制。

利用这张地图，他们设计了一个“模型预测控制器”（MPC）。你可以把这个 MPC 想象成医生的一个智能虚拟副驾驶。它不再仅仅是猜测一个固定的时间表，而是会不断地向后观察。它会问：“如果我现在给这个剂量，一小时后、两小时后的荷尔蒙水平会是什么样子？会过高还是过低？”

随后，这个副驾驶会计算出那个完美的剂量，以保持水平恰到好处，但它必须遵循严格的规则：

没有负剂量： 你不能服用“负数”药片。
防止过量： 它不会建议过高的剂量（上限设定在患者不会因皮质醇过多而生病的范围内）。
符合现实中的药片： 由于你无法在药店买到 5.45 毫克的药片，所以副驾驶会将数字取整到最接近的 5 毫克（例如 5 毫克、10 毫克或 15 毫克），并遵循常规的时间点：上午 8:00、下午 2:00 和晚上 8:00。

模拟实验显示了什么

团队在两种不同类型的受损压力系统上测试了这个虚拟副驾驶：

原发性 AI： 肾上腺（燃料炉）完全损坏。
继发性 AI： 大脑的恒温器（下丘脑和垂体）损坏，导致它从未发出指令让肾上腺工作。

在计算机模拟中，MPC 能够完美地引导荷尔蒙水平达到一个“目标值”。无论目标是一个平稳的直线，还是一个模仿自然昼夜变化的波动曲线，副驾驶都能通过调整剂量来紧密跟随目标。

例如，当他们指示系统瞄准 10 µg/dL 或 15 µg/dL 的皮质醇水平时，控制器能够算出所需的精确药片组合，而不会出现剂量过冲。即使他们尝试模拟一个随时间变化的“正弦波”目标，控制器也能进行适应，尽管存在轻微的延迟（相位滞后）——这对于人体反应机制来说是正常的。

核心结论

本文并不声称这是一种治愈方法，也没有在真人身上进行过测试。相反，作者展示了在他们的模拟实验中，这个遵循规则的智能虚拟助手比传统的“固定方案”表现得要好得多。它证明了利用数学来创建个性化、最优化的皮质醇服用计划是可行的。

研究人员建议，下一步是调整数学模型使其更契合特定患者，并利用真实数据进行测试。但就目前而言，这项研究表明，一个智能的虚拟副驾驶未来有望帮助医生开出完美的皮质醇处方，从而让患者保持健康与安全。

技术摘要：用于调节肾上腺皮质功能不全患者皮质醇水平的模型预测控制器

问题陈述
肾上腺皮质功能不全（AI），或称低皮质醇血症，是一种由于肾上腺无法产生足够的皮质醇而导致的疾病，皮质醇是调节压力、代谢和免疫反应的关键激素。AI 主要有两种形式：原发性 AI（肾上腺疾病）和继发性 AI（下丘脑-垂体疾病）。虽然 AI 无法治愈，但通常通过皮质醇替代疗法（通常为氢化可的松 [HC] 的固定剂量）进行管理。然而，标准的固定剂量策略往往并非最优；它们无法考虑到下丘脑-垂体-肾上腺（HPA）轴复杂的非线性动力学，包括内源性昼夜节律和反馈机制。此外，过量给药和给药不足都会带来显著的健康风险，研究表明，较高的替代疗法剂量与死亡率增加相关。挑战在于开发一种能够严格遵守剂量约束，并动态地将皮质醇水平调节在健康范围内的治疗策略。

方法论
作者提出了一种结合了先进建模与模型预测控制（MPC）的新型数学框架，旨在作为医生的虚拟助手。

HPA 轴的数学建模：
研究构建了一个 HPA 轴的非线性微分方程模型，该模型整合了三个关键组成部分：
- Andersen 等人（2013）的结构模型，该模型考虑了糖皮质激素受体、盐皮质激素受体以及腺体大小限制。
- Bangsgaard 和 Ottesen（2017）的内源性昼夜节律函数 $C(t)$ ，用于模拟激素释放的日间变化。
- 来自 Sriram 等人（2012）的强负反馈机制（即皮质醇对促肾上腺皮质激素释放激素 [CRH] 的反馈），以准确模拟 AI 条件。
  该模型定义了三个状态变量：CRH 浓度（ $x_1$ ）、ACTH 浓度（ $x_2$ ）和皮质醇浓度（ $x_3$ ）。输入变量 $u$ 代表外源性皮质醇替代疗法。该模型针对原发性和继发性 AI 分别进行了参数化处理，其刺激率和消耗率的具体数值均源自文献。
开环验证：
在实施控制之前，研究使用标准临床实践的开环模拟对模型进行了验证。模型应用了每日固定剂量（20 mg 和 25 mg）的氢化可的松，并分为三次给药（早晨 60%，下午 20%，晚上 20%）。这些模拟证实，虽然固定剂量可以使皮质醇提升至正常范围，但会导致非最优的轨迹，且无法完全复制生理性的 HPA 轴细微变化。
模型预测控制 (MPC) 设计：
为了实现最优调节，作者设计了一个 MPC 控制器。
- 线性化与离散化： 将非线性 HPA 模型在平衡态（其中 $u=0$ ）附近进行线性化，并使用零阶保持器进行离散化，采样时间为 1 小时。
- 控制器配置： MPC 的预测时界（ $N_p$ ）设定为 10 小时，控制时界（ $N_c$ ）设定为 4 小时。它利用卡尔曼滤波器根据测得的皮质醇水平来估计未测量的状态（CRH 和 ACTH）。
- 约束条件： 控制器执行严格的约束：输入剂量必须为非负数，且单次剂量上限为 15 mg，每日总量上限为 30 mg。为了符合临床实际，计算出的最优剂量被量化为最接近的 5 mg 增量。
- 目标： 控制器通过最小化二次代价函数，在遵守输入约束的同时，驱动皮质醇浓度趋向于参考轨迹（常数或正弦曲线）。

核心贡献
本文概述了五项具体贡献：

开发了一种新型 HPA 轴模型，该模型明确纳入了昼夜节律和超日节律。
模拟了两种不同的 AI 条件：原发性和继发性肾上腺功能不全。
引入了输入变量 $u$ 以数学化地模拟皮质醇替代疗法。
通过已发表的原发性 AI 患者数据验证了所提模型的有效性。
构建了一个基于 MPC 的虚拟助手，能够为两种 AI 类型生成最优且受约束的皮质醇替代策略。

结果
模拟结果证明了所提方法的有效性：

开环： 固定剂量模拟显示，虽然可以将皮质醇水平提升至正常范围，但该策略并非最优，且会导致每日波动的峰值。
闭环 (MPC)： MPC 成功调节了不同参考轨迹（常数 10 µg/dL、常数 15 µg/dL 以及模拟昼夜变化的正弦曲线）下的原发性和继发性 AI 皮质醇水平。
- 对于原发性 AI，控制器通过负反馈有效地抑制了升高的 CRH 和 ACTH 水平，同时追踪目标皮质醇水平。
- 对于继发性 AI，控制器维持了受抑制的 CRH 和 ACTH 水平（符合病理特征），并成功追踪了参考皮质醇轨迹。
- MPC 展示了适应不断变化的参考需求之给药模式的能力，仅在参考值与给药之间观察到轻微的生理相位滞后。
约束处理： 控制器成功遵守了设定的约束（非负、单次最大 15 mg、每日最大 30 mg），并将输出量化为临床可用的剂量（5 mg 的倍数）。

意义与主张
本文声称，所提出的基于 MPC 的虚拟助手提供了一种严谨的方法，用以解决皮质醇替代疗法中固有的约束问题，而固定剂量策略无法实现这一点。通过将具有生理准确性的模型与基于优化的控制器相结合，该系统可以生成既能将皮质醇维持在健康范围内，又能最大限度降低过量或不足给药风险的治疗策略。作者将这项工作定位为迈向个性化医疗的一步，即医生的决策过程可以得到一个能够计算出最优、针对特定患者给药方案的工具的支持。研究结论指出，虽然目前的模型已通过现有数据进行了验证，但未来的工作将侧重于针对特定个体调整模型参数，并可能整合机器学习和先进的非线性观测器，以进一步提高预测精度，并探索与其他内分泌轴（如下丘脑-垂体-甲状腺轴 [HPT] 轴）的相互作用。

类似论文