Smart connected diabetes care

Hoe kan therapie voor jongeren met diabetes verbeterd worden met een slimme boluscalculator? We ontwikkelden daarvoor een zelflerende variant van een boluscalculator.

• Lectoraat: ICT-innovaties in de Zorg
• Soort onderzoek: kwalitatief en kwantitatief
• Partners: Isala Diabetescentrum, mHealth 24/7, New Nexus Mobile
• Mede mogelijk gemaakt door: TechForFuture    

Aanleiding Smart connected diabetes care

Diabetici moeten bij het bepalen van de hoeveelheid insuline die ze moeten spuiten met veel dingen rekening houden: de huidige bloedsuikerwaarde, wat ze van plan zijn om binnenkort te eten en welke activiteit ze binnenkort gaan uitvoeren. Maar er zijn ook persoonlijke factoren die de insulinebehoefte bepalen, zoals koolhydraatratio en insulinegevoeligheid.

Deze factoren zijn niet alleen persoonlijk, maar kunnen ook veranderen in de loop van de tijd: cyclisch gedurende de dag en trendmatig gedurende weken en maanden. Er zijn inmiddels eenvoudige boluscalculators beschikbaar die rekening kunnen houden met bovengenoemde actuele waarden en persoonlijke factoren. Echter, deze persoonlijke factoren moeten tijdens de driemaandelijkse consulten handmatig worden bijgesteld door de patiënt, samen met de diabetesverpleegkundige of specialist, aan de hand van de ervaringen in de afgelopen periode(n).

Doelstelling en uitvoering

In dit onderzoeksproject staat het automatisch leren van deze veranderlijke factoren centraal. Daarvoor is een zelflerend boluscalculatorsysteem ontwikkeld als toevoeging aan de Digitale DiabetesCoach-app en het mHealth 24/7-platform. Uit groepsinterviews met jongeren met diabetes bleek dat ze weliswaar enkele verbetersuggesties voor onze app hadden, maar vooral dat ze de app makkelijk en motiverend vonden en veel vertrouwen hadden in de zelflerende boluscalculator. 

Wisselwerking simuleren

Er is ook een virtual patiëntsimulator geïmplementeerd. Dit is een model van de wisselwerking tussen glucose en insuline en een omgeving waarmee deze wisselwerking voor patiënten gesimuleerd kan worden. Hierbij wordt rekening gehouden met onnauwkeurigheden die in de praktijk optreden bij het meten van bloedsuikerwaarden, het schatten van koolhydraten en het toedienen van insuline. De ontwikkelde machine learning algoritmen bleken goed in staat om de persoonlijke factoren van deze virtuele patiënten te leren. Het algoritme had het wel moeilijk met de onnauwkeurigheden die doorgaans optreden bij het schatten van koolhydraten. 

Verder verfijnen

Gedurende enkele weken zijn er data verzameld van een aantal jongeren met diabetes. Het leren van al de persoonlijke factoren van deze echte patiënten bleek nog te uitdagend voor de algoritmen op basis van deze beperkte dataset. Het project heeft diverse inzichten opgeleverd wat er nog verbeterd moet worden om in een vervolgproject de machine learning algoritmen verder te verfijnen en uiteindelijk het gehele systeem klinisch te kunnen evalueren.

TechForFuture

Dit project is een onderzoek van TechForFuture, Centre of Expertise HTSM Oost, een initiatief van Saxion en Windesheim. Lees meer informatie over het onderzoeksproject en het Centre of Expertise op de website(opent in nieuw tabblad) van TechForFuture.

Meer weten? Neem contact op met:

Dr. ir. Henri ter Hofte, onderzoeker ICT-innovaties in de Zorg 
E-mail: h.ter.hofte@windesheim.nl(opent in nieuw tabblad)