Klinisk vurdering av en ny avansert boluskalkulator for type 1-diabetes 5 (ABC4D5)

Den nye beslutningsstøttealgoritmen er basert på saksbasert resonnement (CBR). CBR er en kunstig intelligens-teknikk som prøver å løse nylig oppståtte problemer ved å bruke løsningene man har lært fra løste problemer man har møtt i fortiden (10).

CBR-algoritmen krever følgende input for hver insulindoseanbefaling:

• Tid på dagen
• Kapillært blodsukker
• Måltid karbohydratinntak (g)
• Type måltid CHO (rask, middels eller langsom absorpsjon)
• Trening før eller etter måltid hvis innen 4 timer etter måltidet (intensitet: moderat eller intens) Disse parameterne utgjør caseproblemet presentert for CBR-algoritmen. Ved å bruke denne informasjonen vil algoritmen finne et lignende case-scenario fra samlingen av tidligere oppståtte tilfeller og anbefale en forbedret løsning (insulindose) for å oppnå best mulig resultat (post-prandial blodsukker).

Applikasjonen for insulinanbefaling kjører lokalt på et standard operativsystem som iOs5.x eller Android i en kommersielt tilgjengelig smarttelefon. Den inneholder den CBR-baserte beslutningsstøttealgoritmen samt informasjon om tidligere vellykkede saker. Åpning av beslutningsstøtteapplikasjonen på smarttelefonen fører til hovedmenyen, som gir en lenke til undermenyen for å be om en ny anbefaling. Hver beregnet anbefaling må godtas eller avvises manuelt, og det siste alternativet krever at brukeren oppgir den justerte mengden insulin som er tilført. I tillegg lar hovedmenyen brukeren se loggede data som nylige glukosenivåer, måltids-/treningshendelser og tidligere insulindoseringsråd.

Glukosesensorene som vil bli brukt gjennom de kliniske valideringsstudiene er Enlite-sensoren (CE-merket, produsert av Medtronic) eller Dexcom-sensoren (CE-merket, produsert av Dexcom). De er subkutane sensorer som sitter rett under huden og prøver interstitiell væske ved hjelp av en enzymelektrode. En liten spenning påføres over sensoren og en strøm blir matet tilbake til sensorinstrumenteringen. Denne strømmen er proporsjonal med glukosekonsentrasjonen i interstitiell væske og er kalibrert mot blodsukker minimum 12 timer. I fase 2 og 3 vil CGM bli blindet og enten kalibrert retrospektivt ved hjelp av iPro2-systemet (CE-merket, produsert av Medtronic) eller kalibrert i sanntid ved hjelp av Dexcom CGM-systemet (men CGM vil bli blindet for motivet). iPro2 består av en opptaker som vil festes til Enlite-sensoren, og etter 6 dager vil dataene bli lastet ned til Medtronic Carelink iPro-programvaren. Dexcom CGM-dataene vil bli lastet ned til DiaSend/Dexcom Studio-programvaren. I fase 4 vil Dexcom sanntids CGM (dvs. forsøkspersoner vil kunne se CGM-dataene sine til enhver tid) bli brukt kontinuerlig gjennom hele studien. I fase 5 vil den siste kommersielt tilgjengelige versjonen av Dexcom RT-CGM (Dexcom G6) brukes i samsvar med produsentens brukerveiledning, og data vil automatisk lagres i Dexcom Clarity. Alle data vil bli anonymisert. Den ikke-CE-merkede komponenten av intervensjonen (ABC4D-enheten som er en ny boluskalkulator for type 1 diabetes) forblir den samme og eventuelle justeringer av algoritmen vil bli dokumentert med nye versjonsnumre som vanlig. Den siste kommersielt tilgjengelige versjonen av Dexcom RT-CGM (Dexcom G6) vil bli brukt og denne har fått CE-merket. To tilleggskomponenter for automatisk innsamling av tilleggsinformasjon vil bli brukt i fase 5:

1. Insulinpennhetter tillater automatisk logging av insulindoser levert fra insulinpennen. Deltakeren vil få pennehetten som er kompatibel med insulinpennen.

   InPen (Companion Medical). InPen er en CE-merket enhet. GoCap (Common Sensing). GoCap er klassifisert som et ikke-medisinsk utstyr og krever derfor ikke CE-merke i Europa.

2. FitBit Charge 2 HR (Fitbit) for å samle fysisk aktivitetsdata. Fitbit Charge 2 HR er klassifisert som en ikke-medisinsk enhet.

En oversikt over komponentene i ABC4D-systemet for fase 5 er inkludert i fase 5-delen av protokollen og i tilhørende PIS.

For å demonstrere sikkerhet og effekt av CBR-algoritmen ble det gjort en in-silico-studie med UVa-Padova T1DM-simulatoren (11) som viste gode resultater. Simulatoren ble utviklet fra menneskelige data og tar hensyn til sensorfeil, sensorplassering, insulinadministrasjonsvei og glukoseabsorpsjon ved måltid.