Header van het Lectoraat ICT in de Zorg

Smart Connected Diabetes Care

Onderzoeksproject (afgerond) – Er is onderzocht hoe de therapie voor jongeren met diabetes verbeterd kan worden met een slimme boluscalculator. Daarvoor is er een zelflerende variant van een boluscalculator ontwikkeld en toegevoegd aan een eerder ontwikkelde app voor jongeren met diabetes.

Diabetes, elke dag weer een fikse kluif

Mensen met diabetes moeten bij het bepalen van de hoeveelheid insuline die ze moeten spuiten niet alleen rekening houden met hun huidige bloedsuikerwaarde, wat ze van plan zijn om binnenkort te eten en welke activiteit ze binnenkort gaan uitvoeren, maar ook met persoonlijke factoren die de insulinebehoefte bepalen, zoals de koolhydraatratio en insuline-gevoeligheid. Deze factoren zijn niet alleen persoonlijk, maar kunnen ook nog eens 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 regelmatig tijdens de driemaandelijkse consulten handmatig worden bijgesteld door de patiënt, samen met de diabetesverpleegkundige en/of specialist aan de hand van de ervaringen in de afgelopen periode(n).

Slimme, zelflerende boluscalculator

In dit project staat het automatisch leren van deze persoonlijke, veranderlijke factoren centraal. Daarvoor is er 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 de app hadden, maar vooral dat ze de app makkelijk en motiverend vonden en veel vertrouwen hadden in de zelflerende boluscalculator. Er is ook een virtual patiënt simulator geïmplementeerd: een model van de wisselwerking tussen glucose en insuline en een omgeving waarmee deze wisselwerking voor verschillende patiënten gesimuleerd kan worden, inclusief de 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 kunnen leren, zij het dat het algoritme het wel moeilijk had met de onnauwkeurigheden die doorgaans optreden bij het schatten van koolhydraten. Gedurende enkele weken is er data verzameld van enkele jongeren met diabetes. Het leren van 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.

Looptijd

Mei 2017 - maart 2018

Soort Kwalitatief, kwantitatief
Penvoerder TechForFuture, Centre of Expertise HTSM Oost (een initiatief van Saxion en Windesheim)
Partners Isala Diabetescentrum       
mHealth 24/7
New Nexus Mobile    
Status Afgerond