Evaluatie van een mobiele, door AI aangedreven beslissingsondersteuningssysteem voor insulinedosering en glucosepredictie bij type 1-diabetes: Het glUCModel klinische studieprotocol (glUCModel-1)

Diabetes mellitus is een chronische, metabole aandoening die wordt gekenmerkt door een verstoorde regulatie van de bloedglucose en meer dan 400 miljoen mensen wereldwijd treft. Insuline, een hormoon dat door de alvleesklier wordt geproduceerd, vergemakkelijkt de opname van glucose in cellen voor energieproductie. Bij diabetes wordt ofwel onvoldoende insuline geproduceerd of kan het lichaam deze niet effectief gebruiken, wat leidt tot aanhoudende hyperglykemie. Na verloop van tijd kunnen ongecontroleerde glucosewaarden leiden tot ernstige complicaties, waaronder hart- en vaatziekten, neuropathie, retinopathie en nefropathie. Effectief management is daarom essentieel om zowel acute als langdurige nadelige gevolgen te voorkomen.

Twee hoofdvormen van diabetes kunnen worden onderscheiden. Type 1 diabetes mellitus (T1DM) is een auto-immuunziekte waarbij pancreatische β-cellen worden vernietigd, wat resulteert in een absoluut insulinegebrek. Het vertegenwoordigt ongeveer 10% van alle gevallen. Mensen met T1DM hebben levenslange insulinevervangende therapie nodig, meestal toegediend als meerdere dagelijkse injecties (MDI) of via een insulinepomp. Daarentegen wordt type 2 diabetes mellitus (T2DM), de meer voorkomende vorm, voornamelijk gekenmerkt door insulineresistentie. Hoewel de insulineproductie in de vroege stadia behouden blijft, kan progressieve dysfunctie uiteindelijk farmacologische therapie, inclusief insuline, noodzakelijk maken. Leefstijlinterventies zoals een gezond dieet en lichaamsbeweging kunnen het ontstaan en de progressie van T2DM vertragen of voorkomen.

Voor mensen met diabetes vereist dagelijkse zelfmanagement frequente glucosemonitoring en insulinedosisaanpassingen die rekening moeten houden met maaltijden, fysieke activiteit, stress, ziekte en andere factoren. Capillaire glucosemeters en, meer recentelijk, continue glucosemonitoringsystemen (CGMs) hebben de toegang tot real-time glucosedata aanzienlijk verbeterd. Het interpreteren van deze gegevens en het nemen van corrigerende maatregelen blijft echter een uitdaging, en fouten in insulinedosering kunnen leiden tot hypoglykemie of aanhoudende hyperglykemie. Zowel acute complicaties als de constante besluitvormingslast dragen bij aan een verminderde kwaliteit van leven en behandelingsmoeheid.

Om patiënten bij deze complexe taken te ondersteunen, zijn voorspellende modellen van glucosedynamiek uitgebreid onderzocht. Accurate voorspellingen zouden vroege waarschuwingen voor hypo- of hyperglykemie mogelijk kunnen maken en helpen bij het optimaliseren van insulinetherapie. De ultieme visie is de ontwikkeling van een volledig geautomatiseerde 'kunstmatige alvleesklier' die glucosesensoring, insulinetoediening en robuuste voorspellingsalgoritmen combineert. Verschillende machine learning (ML) benaderingen zijn onderzocht voor glucosevoorspelling, waaronder Genetisch Programmeren, K-Nearest Neighbours, Grammaticale Evolutie en, het meest prominent, Neurale Netwerken. Onder neurale architecturen hebben Long Short-Term Memory (LSTM) en andere recurrente modellen sterke prestaties getoond voor tijdreeksgegevens zoals CGM-sporen, hoewel ook convolutionele en multilayer perceptron (MLP) netwerken zijn toegepast. Ondanks bemoedigende resultaten blijven er uitdagingen om nauwkeurigheid, robuustheid en bruikbaarheid in de praktijk te garanderen voor diverse patiëntenpopulaties.

Het beheren van T1DM, vooral bij patiënten die MDI gebruiken, blijft een grote uitdaging. Hoewel CGM en insulinepompen de resultaten hebben verbeterd, zijn beslissingen over insulinedosering nog steeds sterk afhankelijk van patiëntintuïtie en ervaring, wat ruimte laat voor fouten en variabiliteit. Er is daarom een duidelijke behoefte aan beslissingsondersteunende tools die voorspellende analyses combineren met gepersonaliseerde aanbevelingen om veiligheid, autonomie en therapietrouw te verbeteren.

De glUCModel mobiele applicatie is ontwikkeld om aan deze behoefte te voldoen. Sinds de vroege versies integreert het eigen, gepatenteerde kunstmatige intelligentiemodellen om real-time insulineaanbevelingen, kortetermijn glucosevoorspellingen en voorspellende waarschuwingen voor hypo- en hyperglykemie te bieden. Met een voorspellingshorizon van maximaal twee uur heeft het systeem tot doel de glykemische variabiliteit te verminderen en tijdige corrigerende maatregelen te ondersteunen.

Dit protocol beschrijft een gerandomiseerde, open-label klinische studie om de werkzaamheid en veiligheid van de glUCModel applicatie te evalueren bij patiënten met T1DM die MDI-therapie gebruiken. Het primaire doel is het beoordelen van verbetering in kortetermijn glykemische controle, gemeten aan de hand van het percentage tijd binnen het streefbereik (70-180 mg/dL). Secundaire doelstellingen omvatten vermindering van glykemische schommelingen, verbeterde behandelingenvervulling en evaluatie van bruikbaarheid en therapietrouw in een real-world setting.