مقاله مروری

 

 

 

بررسی روش های کنترل قند خون در بیماران دیابتی با استفاده از سیستم های تصمیم یار انسولین درمانی

 

حمید مقدسی¹ ، رضا ربیعی² ، فروغ رحیمی3 ، شیرین عیانی4^*

¹ دانشیار مدیریت اطلاعات و انفورماتیک پزشکی، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

² استادیار انفورماتیک پزشکی، گروه مدیریت و فناوری اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

³ استادیار دانشکده پیراپزشکی ، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

⁴ دانشجوی دکتری انفورماتیک پزشکی ، شعبه بین الملل دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران.

 

*نشانی نویسنده مسؤول: تهران، دانشگاه علوم پزشکی شهید بهشتی شعبه بین الملل، دانشکده پیراپزشکی، شیرین عیانی

E-mail: shirinayani47@yahoo.com

 

وصول:23/2/94، اصلاح:11/5/94، پذیرش:2/7/94

 

 

مقدمه

          امروزه جهان با بیماری دیابت قندی که یک بیماری مزمن و پیش­رونده می­باشد به­عنوان یک چالش جدی روبه­رو گردیده است (2,1). بنا به گزارشات سازمان بهداشت جهانی سالانه تعداد قابل توجهی از مردم به این بیماری مبتلا می­شوند (3,2). همچنین کشورهای آمریکا، هند و چین بیشترین مبتلایان به دیابت قندی را دارند و انتظار می­رود که با وجود روند کنونی، تا سال 2030 شیوع چشمگیری در جهان داشته باشد (5-2). به­نظر می­رسد با توجه به بار سنگینی که این بیماری بر جوامع تحمیل می­کند، به­منظور کنترل و جلوگیری از گسترش آن، نیازمند انجام یک تلاش جدی باشیم (7,6). دیابت قندی دارای انواع گوناگونی است که از مهم­ترین آنها می­توان به دیابت نوع یک و نوع دو اشاره کرد. علت اصلی بروز دیابت نوع یک از بین رفتن سلول­های بتا در پانکراس می­باشد که وظیفه اصلی تولید انسولین در بدن را دارند. در راستای کنترل این نوع بیماری تزریق مکرر انسولین به­صورت روزمره الزامی است. از سویی دیگر دیابت نوع دو، اکثراً به­دلیل مقاومت بدن به جذب انسولین و گاهی هم به­دلیل کمبود آن در بدن بیمار ایجاد می­شود (11-8,3,1). معمولاً در صورتی­که قند خون بیماران مبتلا به دیابت نوع دو پس از مصرف داروهای خوراکی قابل کنترل نباشد، تزریق انسولین تجویز می­گردد (13-11). در فرآیند انسولین درمانی که بهترین راه کنترل مطلوب قند خون برای بیماران مذکور می­باشد، تلاش می­شود که عملکرد طبیعی تولید انسولین توسط پانکراس با تزریق مکرر انسولین به­صورت زیر جلدی شبیه­سازی شود (15,14). این فرآیند در سه مرحله انجام می­شود که عبارتند از : (17,16)

اندازه گیری قند خون به­وسیله دستگاههای تست قند خون

تخمین مقدار انسولین

تزریق انسولین از طریق تجهیزاتی مانند : سرنگ ، قلم ، پمپ و غیره بزرگترین مشکل بیماران دیابتی تخمین مقدار انسولین است به طوری که میزان قند خون در محدوده مناسب فیزیولوژیک بدن قرار گیرد (18,3). مصرف داروی انسولین بسیار پرمخاطره می­باشد، به این معنا که اگر مقدار داروی مصرفی، کمی بالاتر و یا پایین­تر از میزان مورد نیاز بدن تجویز شود حیات و یا سلامتی بیمار با بروز اثرات بسیار مخرب و جدی، مورد تهدید قرار می­گیرد (20,19). از جمله این مخاطرات می­توان به عوارضی همچون هایپوگلیسمی (Hypoglycemia) یا کمبود قند خون که با بروز بیهوشی و در نهایت مرگ بیماران همراه است (21-23)و عارضه هایپرگلیسمی(Hyperglycemia) و یا بالا بودن قندخون که به مرور زمان باعث تخریب و از دست رفتن بسیاری از ارگان­های بدن از جمله چشم، کلیه، اعصاب و قلب و عروق می­گردد، اشاره نمود (25,24,2). به طور مشخص در فرآیند انسولین درمانی به­دلیل اثرگذاری عوامل بسیار زیاد داخلی و خارجی (اعم از: درجه استرس، نوع رژیم غذایی، ورزش، کیفیت خواب، تغییرات وزن، وضعیت فیزیکی، ترشح هورمون­های داخلی و سایر عوامل کشف شده و کشف نشده) و پیچیدگی­های زیاد در متابولیسم بدن، میزان نیاز به انسولین دائماً دستخوش تغییر بوده و کنترل قند خون با دشواری فراوان انجام می­شود (27,26,18,8). در راستای رفع این مشکل متخصصین انفورماتیک پزشکی در تلاشند تا با تهیه سیستم­های تصمیم­یار درمان (Clinical Decision Support Systems) به­منظور ارائه مشاوره، تنظیم دوز دارو و پایش وضعیت سلامتی از بیماران حمایت کنند (30-28). سیستم­های تصمیم­یار درمانی، شامل نرم­افزارهایی هستند که پس از دریافت داده­های مورد نیاز، بهترین تصمیمات ممکن را به بیمار و یا کادر درمانی پیشنهاد کرده و از بروز اشتباه و خطا جلوگیری می­کنند (32,31). نتایج گزارش شده از فرآیند انسولین درمانی مدرن با استفاده از تکنولوژی­های نوین و سیستم­های تصمیم­یار، نمایانگر این واقعیت است که امکان تنظیم دوز داروی انسولین در زمانی کوتاه فراهم شده و قند خون بیمار در وضعیتی با ثبات و قابل قبول قرار می­گیرد (31,19). هدف این مطالعه، بررسی سیر تکاملی سیستم­های تصمیم­یار انسولین درمانی است که با بهره­گیری از مدل­های مختلف در تعیین دوز داروی انسولین مؤثر واقع می­شوند.

 

مواد و روش­ها

استراتژی جستجو: در این مطالعه مروری، به­منظور یافتن نرم­افزارها و تکنولوژی­های مرتبط با انسولین درمانی که دارای حداقل یک مقاله منتشر شده در ژورنال­های معتبر باشند و یا آشنایی با هرگونه متدولوژی به­کار رفته در آنها، بانک­های اطلاعاتی علمی Pubmed, Scopus, Elsevier, IEEE, Springer, Web Of Science, Proquest, ACM   وGoogel Scholar از طریق کلید واژه­های انگلیسی مورد جستجو واقع شدند. جستجو از تاریخ دسامبر 2014 تا تاریخ ژانویه2015 ادامه داشت.

کلید واژه­ها: برای به حداکثر رساندن حساسیت جستجو در پایگاه­های نامبرده کلید واژه­های زیر به­صورت ترکیبی مورد استفاده قرار گرفتند.

Decision Support System , Diabetes Mellitus, Glycemic Control ,Glucose Modeling , Blood Glucose, Glycemic Prediction,  Diabetes Therapy, Diabetes Self Managements , Telemedicine , Probabilistic Modeling ,Insulin , Insulin Therapy, Insulin  delivery rate, Insulin Therapy Devices, Insulin Adjustment, Insulin Administration, Insulin pump, System Approach .

انتخاب مقالات و معیارها: در ابتدا 89 عنوان مقاله یافت شد. پس از حذف عناوین تکراری و مواردی که با دامنه موضوعی پژوهش هم­خوانی نداشتند، تعداد 61 مقاله که واجد معیارهای ورود به تحقیق و دارای اطلاعات قابل استفاده بودند، انتخاب گردیدند. تمامی خلاصه مقالات انتخابی از طریق پژوهشگران مورد مطالعه قرار گرفتند. در حین بررسی اولیه مقالات بر اساس نوع عملکرد سیستم­ها دسته­بندی شدند، سپس در هر گروه، مقالات انتخابی به­دقت مطالعه شدند. قابل ذکر است که در صورت نیاز به آشنایی با موارد فنی مهندسی و یا مطالب مرتبط با پزشکی، تحقیقات ادامه داشت. در نهایت نتایج حاصله به صورت مقاله ذیل گزارش گردید.

 

سابقه

پیشرفت سیستم­های تصمیم­یار انسولین درمانی و تجهیزات مرتبط با آن مرهون پیش­بینی­های رودبارد (Rodbard) در سال 1988 می­باشد. وی توانایی و نقش کامپیوتر را در مدیریت بیماری دیابت در چهار گروه متمایز مطرح کرده بود که عبارتند از : (33,8).

*سیستم­های اطلاعات بیمارستانی و یا کلینیکی.

*کامپیوترهای کوچک شخصی به­منظور استفاده پزشکان و بیماران در راستای ذخیره­سازی، تحلیل و انتقال داده­ها.

*ابزارآلات قابل حمل برای بیماران به­منظور دریافت مشاوره تخمین دوز انسولین.

*دستگاه­های تست قند خون دارای حافظه به­همراه نرم­افزارهای آماری و گرافیکی.

تنها با گذشت یک دهه، دستیابی به این تکنولوژی­ها میسر شد. ضمن آنکه پیشرفت علوم امکان ادغام این تجهیزات را به­منظور سهولت کاربری فراهم کرده است (8). دومین و سومین پیش­بینی رودبارد از پرچالش­ترین آمالی بودند که از طریق سیستم­های تصمیم­یار مبتنی بر تجهیزات پزشکی مدرن به نتیجه رسیده­اند یا در حال تحقق هستند. به­طور کلی کنترل انسولین با دو رویکرد و استراتژی متفاوت، موسوم به باز و بسته انجام می­شود که متعاقباً درباره آن­ها صحبت خواهد شد (34-36).

1.رویکرد کنترلی باز (Open Loop Control)

کنترل قند خون در رویکرد کنترلی باز به­صورت سه مؤلفه­ای (سیستم تصمیم­یار، کادر درمانی و بیمار) انجام می­شود. در این رویکرد تزریق انسولین از طریق کادر درمانی و یا بیمار مبتنی بر اجرای سه مرحله نامبرده در فرآیند انسولین درمانی صورت می­پذیرد. قابل ذکر است که مرحله دوم این فرآیند (تخمین دوز انسولین) با استفاده از سیستم­های تصمیم­یار انجام می­شود (36,34). سیستم­های تصمیم یاری که به­منظور سهولت اجرای این رویکرد درمانی طراحی گردیده­اند، مقدار انسولین پیشنهادی را بر اساس داده­های دریافتی به کاربر ارائه می­دهند. کادر درمانی و یا بیمار در اجرای پیشنهادات دریافتی از این سیستم­ها مختار می­باشند. این رویکرد درمانی به دو نوع مجزا به شرح ذیل قابل تفکیک است.

1.1.در محل موسسه مراقبت بهداشتی (At the healthcare Institute)

در این نوع رویکرد باز در حالی­که بیمار در محل مؤسسه مراقبت بهداشتی مستقر است، سیستم تصمیم­یار توسط کادر درمانی به­منظور برآورد دوز انسولین قابل تزریق استفاده می شود . همچنین این امکان وجود دارد که توسط کادر درمانی تنظیمات این نوع از سیستم های تصمیم یار (که می توانند مبتنی بر کامپیوتر ، مبتنی بر وب و یا مبتنی بر تجهیزات اندازه گیری قند خون باشند) به منظور استفاده در منزل بیمار ، شخصی سازی گردیده و در مراجعات بعدی ، عملکرد آن کنترل شود (19, 37). بسیاری از دانشمندان معتقدند استفاده از این سیستم ها که امکان دریافت داده های متنوع را برای تصمیم گیری دقیق تر فراهم می آورند، در کنترل قند خون بیماران موفقیت آمیزترند (36). به عنوان مثال سیستم
 نرم افزاری  DIAS(The diabetes advisory system) که برای تنظیم مقدار انسولین در سال 1997 ابداع شد ، یک سیستم تصمیم یار  بر اساس مدلی یادگیرنده می باشد. استفاده از این سیستم برای بیماران با کاهش چشمگیر هایپرگلیسمی و پیش بینی احتمال وقوع هایپوگلیسمی همراه بوده است (38,37,8).

1.2.از راه دور (Distance control)

در این رویکرد باز از فناوری اطلاعات و ارتباطات برای تبادل داده میان مؤسسه مراقبت بهداشتی و بیمار استفاده می­شود. داده­های فیزیولوژیک و قند خون بیمار از راه دور به مؤسسه مراقبت بهداشتی ارسال می­گردد و کادردرمانی به کمک سیستم تصمیم­یار، میزان انسولین مورد نیاز را مشخص کرده و  به بیمار اعلام می­نمایند. سپس بیمار بر اساس اطلاعات دریافتی، اقدام به تزریق می­کند. نرم­افزار DIABtel نمونه کاربردی از این نوع سیستم­های تصمیم­یار می­باشد که با ارائه خدمات مشاوره و پزشکی از راه دور به بیماران دیابتی خدمت می­رساند (37).

نمونه­های دیگری از این نوع سیستم عبارتند از:

Sesam-dia-beta,aida,diacrono,t-iddm,mellitus manager

2.رویکرد کنترلی بسته(Closed Loop Control)

نکته قابل توجه این است که جریان تکاملی سیستم­های تصمیم­یار انسولین درمانی از رویکرد کنترلی باز شروع شده و به رویکرد کنترلی بسته منتهی می­شود. رویکرد کنترلی بسته بر وجود پمپ­های انسولین قابل حملی که به­عنوان پانکراس مصنوعی شناخته می­شوند و تزریق انسولین را به­طور اتوماتیک بر عهده می­گیرند، دلالت دارد (35,34,3). این پمپ­ها شامل سخت­افزار و نرم­افزار بوده و از سه جزء متفاوت به شرح ذیل تشکیل می­شوند (39).

دستگاهی برای اندازه گیری قند خون

دستگاهی برای تزریق انسولین

یک سیستم تصمیم یار که از الگوریتم هائی به منظور تخمین دوز  انسولین استفاده می­کند.

این نوع رویکرد به دو صورت: از راه دور (سه مؤلفه ای) و پمپ و بیمار (دو مؤلفه­ای) مطرح می­باشد.

2.1. از راه دور (سه مؤلفه­ای) (Distant control (three-componential))

این سیستم­ها که از سه مؤلفه پمپ انسولین، بیمار و کادر درمانی تشکیل شده­اند، داده­های مورد نیاز (اعم از قند خون­های بیمار و مقدار انسولین تزریقی) را از پمپ انسولین دریافت کرده و نتایج را بر بستر تکنولوژی اطلاعات به پزشک متخصص جهت اخذ تصمیم گزارش می­کنند. نوع جدید این سیستم­ها امکان اجرای از راه دور دستورات کادر درمانی بر روی پمپ انسولین به­منظور تغییر تنظیمات پمپ و کنترل عملکرد آن را فراهم آورده است (41,40,31).

2.2. پمپ و بیمار (دو مؤلفه­ای) (The pump and the patient (two-componential))

در این رویکرد سیستم­های بسته که از دو مؤلفه پمپ انسولین و بیمار تشکیل شده­اند، سیستم­های تصمیم­یار که  از الگوریتم­هایی به­منظور تخمین دوز  انسولین استفاده می­کنند، بر روی  میکرو کامپیوتر پمپ انسولین نصب می­باشند. کنترل اتوماتیک تزریق دارو به­وسیله پمپ انسولین که بر روی بدن بیمار قرار دارند بر عهده این سیستم­ها می­باشد (43,42,39,3). آنچه مشخص است این است که سیستم­های تصمیم­یار دو مؤلفه­ای با رویکرد سیستم خبره، جایگزین مناسبی برای سیستم­های تصمیم­یار سه مؤلفه­ای می­باشند.

 

یافته­ها

 

جدول 1: مشخصات منابع مطالعه شده در ارتباط با برخی سیستم­های تصمیم­یار ردیف مسؤول پروژه تاریخ مدل کاربردی نوع رویکرد کنترلی 1 زاهلمن 1990 Knowledge-base بسته 2 اسچندر 1990 Model-based باز 3 دویتچ 1990 Model-based باز 4 دوآ 1996 Neural networks باز 5 سندهم 1998 Neural networks باز 6 تئودور 1998 Model-based باز 7 امبروسیادو 2000 Neural networks باز 8 گارکیا 2001 Rule based باز 9 مونتانی 2003 Multi-modal reasoning باز 10 دوآ 2005 Model based بسته 11 آلبسیر 2006 نامشخص باز 12 بورد 2007 نامشخص باز 13 پاپادا 2008 Neural networks باز 14 مارچتی 2008 Feed forward feedback control بسته 15 مارکاکیس 2008 Minimal model بسته 16 بارندز 2009 نامشخص بسته 17 زین الدین 2009 Neural networks باز 18 یاسینی 2009 Mathematical Models بسته 19 مایوتچ 2010 Fuzzy Logic باز 20 کانت 2011 Neural networks بسته 21 کوزنزا 2012 Fuzzy Logic باز

بهره­برداری از نرم­افزارهای کامپیوتری و سیستم­های تصمیم­یار به­منظور انسولین درمانی با استقبال بیماران دیابتی روبه­رو گردیده است (44). در این راستا محققین با به­کارگیری رویکردهای مختلف در تلاشند تا با طراحی CDSS هایی که از کارایی بالایی برخوردارند، امکان توسعه این روش درمانی را فراهم نمایند (45,37,8). برای مثال دیوتچ (Deutsh) با هدف تنظیم دوز، زمان تزریق و انتخاب نوع بهینه انسولین به تهیه یک سیستم نرم­افزاری انسولین درمانی پرداخت (46). اسچندر (Schneider) سیستمی را طراحی کرد که علاوه بر دارا بودن موارد مذکور امکان پیش­بینی وضعیت آتی قند خون را به بیمار می­دهد (47). از سوی دیگر مدلی که بتواند میزان قند خون و انسولین مورد نیاز را بر اساس غذای (کربوهیدارت) مصرفی به بیماران پیشنهاد دهد توسط تئودور (Tudor) ابداع شد (48). تمرکز لهمن (Lehmann) برکمبود داده­ها و عدم قطعیت زیاد وضعیت متابولیک بدن که بر فرآیند انسولین درمانی مؤثر می­باشد و رفع این­گونه معضلات بوده است (49). بعضی محققین نظیر زین­الدین (Zainuddin) می­کوشند تا با وارد کردن هر گونه متغیر قابل استفاده مثل وزن، جنس و سن به مدل تصمیم­ساز از بروز احتمال خطا بکاهند (2). مدل­های تلفیقی نیز در ایجاد این چنین سیستم­های تصمیم­یار به­کار می­رود، نظیر مدل پیشنهادی مونتانی (Montani) که بر اساس داده­های بیماران تهیه گردیده است (50). بعضی محققین مانند اسمیل (Smale) معتقدند که بایستی گردش کارها به­دقت به سیستم معرفی شود تا امکان دریافت نتایج دقیق از آن میسر گردد (51). تعدادی نظیر پاپادا (Pappada) نیز با استفاده از دانش هوش مصنوعی به تهیه مدل­های تربیت­شونده پرداخته­اند (18). بورد (Boord) و همکارانش با برقراری ارتباط بین دو سیستم کامپیوتری ثبت دستورات پزشکی ((CPOE و سیستم تصمیم­یار انسولین درمانی به این نتیجه رسیدند که پیشنهاددهی دستورات جدید باعث سرعت در اجرای فعالیت پرستاران، کمک به وضعیت بیمار و کاهش خطا می­گردد (53,52). همچنین واگلزنگ (Vogelzang) با این ایده که پرستاران زمان زیادی را به­منظور تحلیل داده­های قند خون بیماران سپری می­کنند نسبت به پیاده­سازی یک سیستم تصمیم­یار در بخش مراقبت­های ویژه اقدام کرد (54,53). بارندز (Barendes) نیز با طراحی یک سیستم تصمیم­یار، کنترل عملیات پمپ انسولین را تحت نظارت پرستار در آورد و با ارائه پیشنهادات مرتبط با مقدار انسولین، از خطای پرستار و پمپ انسولین کاست (40). در دو مطالعه مروری جامع جداگانه که یکی توسط هوکسترا (Hoekstra) در سال 2009 و دیگری توسط کامپیون (Campion) در سال 2010 بر روی سیستم­های تصمیم­یار مرتبط با بیماران بستری بدحال انجام شده به چگونگی بسیاری از این سیستم­ها اشاره گردیده است (55,31). در چارچوب منابع مطالعه شده برخی از این سیستم­های تصمیم­یار در جدول شماره (1) معرفی گردیده­اند.

یافته­ها حاکی از آن است که پژوهشگران برای تهیه سیستم­های تصمیم­یار انسولین درمانی از روش­ها و مدل­های متنوعی استفاده کرده­اند ولی به­کارگیری سیستم­های خبره با روش­های مختلف به شرح ذیل در کنترل قند خون رواج بیشتری دارند (56,8).

*ریاضی (Mathematical)

*شبکه های عصبی (Neural networks)

*الگوریتمیک (Algorithm approach)

*فازی (Fuzzy)

*قانون­مدار (Rule based)

هر کدام از این روش­ها دارای زیر مجموعه­ای از مدل­ها هستند که حسب نیاز مورد انتخاب و استفاده واقع می­گردند. به­عنوان مثال روش­های ریاضی بیشتر به­منظور شبیه­سازی وضعیت متابولیکی بدن انسان در ارتباط با چرخه تولید قند و انسولین کاربرد دارند و برای ساخت سیستم­های کنترلی بسته مورد استفاده قرار می­گیرند (57,36,3). مطالعه درباره این روش نشان­دهنده این واقعیت است که مدل­های ریاضی متنوعی برای کنترل قند خون استفاده شده­اند که از مهم­ترین آنها می­توان به مدل حداقلی (Minimal Model) اشاره کرد. قابل ذکر است که در ساخت این مدل، پارامترهای بسیار کمی به­کار رفته است (37). نکته قابل توجه اینکه علت عدم موفقیت قطعی بسیاری از این روش­های تصمیم­گیری را به­طور خلاصه می­توان در سه عامل اصلی خلاصه کرد (56):

عدم امکان تعمیم بخشی مدل­های سازنده سیستم به جامعه بیماران دیابتی و دیگر اینکه پوشش­دهی آن تنها برای گروه خاصی از بیماران  انجام می­شود. 

عدم شناخت دقیق شاخص­های تأثیرگذار و تعاملات آنها باعث ایجاد مدل­های پیچیده می­گردد که احتمال بروز خطا را افزایش می­دهند.

اکثر این مدل­ها با توجه به عوامل تأثیرگذار داخلی بدن تهیه شده و به عوامل خارجی نظیر میزان و نوع غذای مصرفی و یا برنامه ورزشی و نظایر آن توجهی ندارند.

با توجه به مشکلات و موانع موجود، تلاش دانشمندان برای حل مسأله کماکان ادامه دارد. از دیگر یافته­های این پژوهش می­توان به مزایای ارزشمند استفاده از سیستم­های تصمیم­یار انسولین درمانی به شرح ذیل اشاره کرد (58):

*کاهش زمان درمان و کنترل بیماری

*کاهش احتمال مخاطرات و عوارض داروئی

*کاهش زمان اقامت در بیمارستان

*کاهش هزینه های ناشی از بیماری

*بالا بردن اعتماد به نفس و کیفیت زندگی بیماران

ضمناً یکی از استفاده­های ارزشمند این سیستم­ها در حمایت از وضعیت قند خون کودکان مبتلا به دیابت گزارش شده است که با به حداقل رساندن تعداد هایپوگلیسمی در طول روز امکان تجربه یک زندگی عادی برای آنان را فراهم می­آورد (59).

 

بحث

نتایج حاصل از مطالعات در این بررسی نمایانگر آن است که جهت کنترل انسولین از طریق سیستم تصمیم­یار دو رویکرد باز و بسته وجود دارد که هر یک خود شامل دو نوع می­باشند. رویکرد باز، به­دلیل بروز مشکلات تکنولوژیک و هزینه بالای رویکرد بسته، از رواج کاربری بیشتری برخوردار می­باشد (15). در حال حاضر مزیت سیستم­های تصمیم­یار از نوع رویکرد باز این است که بیماران تحت پایش کادر درمانی قرار دارند. از سویی نظارت بیمار و یا کادر درمانی بر روی پیشنهادات دریافتی از سیستم­های تصمیم­یار و اعمال تجربیات گذشته از بروز مخاطرات و آسیب­های جدی می­کاهد. از مشکلات این سیستم­ها می­توان به امکان هک شدن اطلاعات در سیستم­های تصمیم­یار از راه دور اشاره کرد (41). در رویکرد بسته نیز سیستم­های تصمیم­یار از راه دور (سه مؤلفه­ای) بیشتر به­منظور فرآیند انسولین درمانی سختگیرانه بر روی بیماران دیابتی بستری در بخش­های مراقبت ویژه بیمارستان، نظیر بخش­های قلب، جراحی و تروما به­منظور کنترل مرگ­ومیر و بالا بردن کیفیت درمان مورد استفاده قرار می­گیرند (61,60,40,31). به هر حال در شرایطی که سیستم­های تصمیم­یار مورد استفاده واقع نشوند مسؤولیت پرستاران در کنترل قند خون بیماران بسیار سنگین می­باشد (60). مشکلات موجود در پمپ­های انسولین فعلی اعم از: زمان­بر و طاقت­فرسا بودن تنظیمات دستی آن (53) یا فقدان یک سنسور دقیق که بتواند با دقت قند خون را اندازه­گیری نماید (3)، موجب می­شود پرستاران به­صورت مداوم به تست قند خون بیماران پرداخته و به کنترل عملکرد پمپ انسولین بپردازند (60). خطای ناشی از این فرآیند غیر قابل جبران بوده و با مرگ بیماران همراه می­باشد (61,31). سیستم­های تصمیم­یار سه مؤلفه­ای به­منظور کنترل عملیات از راه دور پمپ، طراحی و پیاده­سازی گردیده­اند. این سیستم­ها می­توانند وضعیت پمپ انسولین و قند خون بیماران را به کادر درمانی مستقر در بخش و یا حتی خارج از بیمارستان گزارش کنند و بر اساس دستورات نهایی اخذ شده از کادر درمانی تنظیمات پمپ را تغییر دهند. ضمن این­که می­توانند وضعیت آتی بیمار متصل به پمپ را پیش­بینی کرده و در رابطه با ادامه درمان بیمار، پیشنهاداتی به کادر درمانی ارائه دهند (54,31). البته امکان بهره­برداری از این­گونه خدمات برای بیماران سرپایی که از پمپ انسولین استفاده می­کنند نیز میسر است: به این صورت که کنترل عملیات و تنظیم پمپ به­وسیله کادر درمانی با استفاده سیستم­های تصمیم­یار و از راه دور انجام می­شود به دلایل مختلف اعم از موارد ذیل این سیستم­ها هنوز برای کاربری­های مداوم مورد توجه عموم بیماران قرار ندارند.

امکان هک شدن اطلاعات از راه دور که بروز مخاطرات جانی غیر قابل جبرانی را برای بیماران محتمل می گرداند(41).

ارتباط مداوم کادر درمانی با سیستم که می تواندبه دلیل وجود خطای انسانی، عواقب خطرناکی را در پی داشته باشد .

در سیستم­های تصمیم­یار پمپ و بیمار (دو مؤلفه­ای)  که سمت و سوی پژوهش­ها و نیز نگاه محققین و بیماران به طرف آن است، کادر درمانی در کنترل پمپ انسولین نقشی ندارند (35). فقدان سیستم­های مراقبت در محل سبک و دقیق و رشد نیافتگی الگوریتم­های کنترل قند خون، کارایی قطعی این گونه از خدمات را زیر سؤال می­برد. در حال حاضر به دلایل مختلف اعم از کمبود و یا نقص داده­ها (مانند وضعیت هورمونی، میزان غذای مصرفی) و یا عدم وجود یک الگوریتم مناسب که به تخمین دقیق دوز انسولین بپردازد، باعث گردیده که امکان استفاده قطعی این سیستم­ها به­عنوان جایگزین کامل پانکراس طبیعی وجود نداشته باشد (43,42,39,3).

با توجه به آنچه در مورد سیستم­های تصمیم­یار انسولین درمانی مطرح شد به­نظر می­رسد موفق­ترین مدل­های به­کار رفته بر اساس روش شبکه عصبی مصنوعی شکل گرفته­اند که با دیدگاه غیرخطی، عوامل اثرگذار بر قند خون را شبیه­سازی نموده و به پیشنهاد دوز انسولین می­پردازند. قابل ذکر است که این رویکرد به­منظور تنظیم مقدار دارو به­ویژه داروی انسولین بسیار مناسب شناخته شده و از جذابیت خاصی در حوزه انفورماتیک پزشکی برخوردار است. علت اصلی محبوبیت این رویکرد مرتبط با مدل­های یادگیرنده و تربیت ­شونده­ای می­باشد که پس از دریافت داده­های ورودی به پیشنهاد بهینه­ترین مقدار انسولین برای بیمار می­پردازد. نتایج درمانی با استفاده از سیستم­های تصمیم­یار انسولین­درمانی نشان­گر کنترل قند خون و ارتقاء کیفیت درمان بیماران سرپایی و بستری بوده است. از طرفی هیچ­گونه گزارشی مبنی بر وجود اثرات جانبی مخرب ناشی از استفاده این سیستم­ها گزارش نشده است. با توجه به این که 50 درصد مطالعات به­صورت آشکار نشان­دهنده موفقیت این سیستم­ها در درمان می­باشند، می­توان تهیه و استفاده از این سیستم­ها را به همه بیماران به­ویژه کودکان و خانواده­های آنان و کادر درمانی توصیه نمود. این امید به­طور قابل ملاحظه­ای وجود دارد که در آینده­ای نه چندان دور سیستم­های تصمیم­یار پمپ و بیمار (دو مؤلفه­ای) که از پتانسیل بالایی در بهبود فرآیند کنترل درمانی برخوردارند، با بهره­گیری از متدهای تصمیم­گیری مطمئن و هوشمند که مبتنی بر تجهیزات نانو الکتریک طراحی شده و مبنای تولید پمپ­های بسیار سبک و کوچک خواهند بود، جایگزین درمان سنتی این بیماران گردیده و به نوعی با کنترل خودکار و بی­خطر بیماری در تمام حالات زیستی اعم از حالت سکون (خواب) و تحرک وجود نقص در بیماران را به­طور کامل مرتفع سازد.

 

تقدیر و تشکر

این تحقیق حاصل پایان­نامه دکتری انفورماتیک پزشکی با موضوع " طراحی و ارزیابی سیستم تصمیم­یار تخمین دوز انسولین برای بیماران مبتلا به دیابت نوع یک" از دانشگاه علوم پزشکی شهید بهشتی تهران، با کد کمیته اخلاق IR.SBMU.IASB.REC  شعبه بین الملل می­باشد. پژوهشگران بدین­وسیله از مدیریت امور پژوهشی آن دانشگاه محترم تقدیر و تشکر به عمل می­آورند.

 

References

1. Cosenza B. Off-line control of the postprandial glycemia in type 1 diabetes patients by a fuzzy logic decision support. Expert Syst Appl. 2012;39(12):10693-9
2. Zainuddin Z, Pauline O, Ardil C. A Neural Network Approach in Predicting the Blood Glucose Level for Diabetic Patients. Int J Comput Intelligence. 2009;5(1)
3. Lunze K, Singh T, Walter M, Brendel MD, Leonhardt S. Blood glucose control algorithms for type 1 diabetic patients: A methodological review. Biomedical Signal Processing and Control. 2013;8(2):107-19
4. Guariguata L, Whiting D, Hambleton I, Beagley J, Linnenkamp U, Shaw J. Global estimates of diabetes prevalence for 2013 and projections for 2035. Diabetes Res Clin Pract. 2014;103(2): 137-49.
5. Lanting LC, Joung IM, Mackenbach JP, Lamberts SW, Bootsma AH. Ethnic Differences in Mortality, End-Stage Complications, and Quality of Care Among Diabetic Patients A review. Diabetes care. 2005;28(9):2280-8
6. Ramsey S, Summers KH, LeongSA, Birnbaum HG, Kemner JE, Greenberg P. Productivity and medical costs of diabetes in a large employer population. Diabetes Care. 2002;25(1):23-9
7. Bolin K, Gip C, Mörk AC, Lindgren B. Diabetes, healthcare cost and loss of productivity in Sweden 1987and 2005—a register‐based approach. Diabet Med. 2009;26(9):928-34
8. Carson ER. Decision support systems in diabetes: a systems perspective. Comput Meth Prog Bio. 1998;56(2):77-91
9. Marchetti G, Barolo M, Jovanovič L, Zisser H, Seborg DE. A feedforward–feedback glucose control strategy for type 1 diabetes mellitus. J Process control. 2008;18(2):149-62
10. Association AD. Diagnosis and classification of diabetes mellitus. Diabetes Care. 2014;37(Supplement 1):S81-90
11. Hirsch IB, Bergenstal RM, Parkin CG, Wright E, Buse JB. A real-world approach to insulin therapy in primary care practice. Clinical Diabetes. 2005;23(2):78-86
12. Cefalu WT, Gerich JE, LeRoith D. The cadre handbook of diabetes management: Medical Information Press; 2004
13. Raskin P, Allen E, Hollander P, Lewin A, Gabbay RA, Hu P, et al. Initiating Insulin Therapy in Type 2 Diabetes A comparison of biphasic and basal insulin analogs. Diabetes Care. 2005;28(2):260-5
14. Campos-Delgado D, FematR, Hernandez-Ordoñez M, Gordillo-Moscoso A. Self-tuning insulin adjustment algorithm for type 1 diabetic patients based on multi-doses regime. Applied Bionics and Biomechanics. 2005;2(2):61-71
15. Cohen M, Fenton B, Waldron A, Hagger V. Flexible insulintherapy : for type 1 diabetes. Baker IDI Heart & Diabetes Institute; 2009
16. Strachan MWJ, Frier BM. Insulin Therapy: A Pocket Guide Springer; 2013
17. Montagnana M, Caputo M, Giavarina D, Lippi G. Overview on self-monitoring of blood glucose. ClinChim Acta. 2009;402(1-2):7-13
18. Pappada SM, Cameron BD, Rosman PM. Development of a neural network for prediction of glucose concentration in type 1 diabetes patients. J Diabetes Sci Technol. 2008;2(5):792-801
19. Nieuwlaat R, Connolly SJ, Mackay JA, Weise-Kelly L, Navarro T, Wilczynski NL, et al. Computerized clinical decision support systems for therapeutic drug monitoring and dosing: a decisionmaker-researcher partnership systematic review. Implement Sci. 2011;6(1):90
20. Walton R, Harvey E, Dovey S, Freemantle N. Computerised advice on drug dosage to improve prescribing practice.Cochrane Database Syst Rev. 2001
21. Group TDCaCTR. The effect of intensive treatment of diabetes on the development and progression of long-term complications in insulin-dependent diabetes mellitus. NEngl J Med. 1993;329:977-86
22. Cryer PE, Davis SN, Shamoon H. Hypoglycemia in diabetes. Diabetes care. 2003;26(6):1902-12
23. Cryer PE. The barrier of hypoglycemia in diabetes. Diabetes. 2008;57(12): 3169-76.
24. Orchard TJ, Costacou T, Kretowski A, Nesto RW. Type 1 diabetes and coronary artery disease. Diabetes care. 2006;29(11):2528-38
25. Klein R. Hyperglycemia and microvascular and macrovascular disease in diabetes. Diabetes care. 1995;18(2):258-68
26. Clinical practice guidelines:Type 1 diabetes in children and adolescents: The Australasian Paediatric Endocrine Group for the Department of Health and Ageing; 2005. Available from: http://www.nhmrc.gov.au/guidelines/publications/cp102
27. Surwit RS, Schneider MS, Feinglos MN. Stress and diabetes mellitus. Diabetes care. 1992;15(10):1413-22
28. Bu D, Pan E, Walker J, Adler-Milstein J, Kendrick D, Hook JM, et al. Benefits of information technology–enabled diabetes management. Diabetes Care. 2007; 30(5): 1137-42
29. Haynes RB, Wilczynski NL. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: Methods of a decision-maker-researcher partnership systematic review. Implement Sci. 2010;5(1):12
30. Roshanov PS, Misra S, Gerstein HC, Garg AX, Sebaldt RJ, Mackay JA, et al. Computerized clinical decision support systems for chronic disease management: a decision-maker-researcher partnership systematic review. Implement Sci. 2011;6(1):92
31. HoekstraM, Vogelzang M, Verbitskiy E, Nijsten M. Health technology assessment review: Computerized glucose regulation in the intensive care unit-how to create artificial control. Crit Care. 2009;13(5):223
32. Goertzel G. Clinical decision support system. Ann NY Acad Sci. 1969;161(2):689-93
33. Rodbard D. Potential role of computers in clinical investigation and management of diabetes mellitus. Diabetes Care. 1987;11:54-61
34. Kamath S, editor Control of Blood Glucose Concentration in Type I Diabetic Patients. Process Automation, Control and Computing (PACC), 2011 International Conference on; 2011: 1-6
35. Yasini S, Naghibi-Sistani MB, Karimpour A. Agent-based Simulation for Blood Glucose Control in Diabetic Patients. InternationalJournal of Applied Science, Engineering & Technology. 2009;5(1)
36. Kovics L, Kulcsir B. Robust and Optimal Blood 丁 Glucose Control in Diabetes Using Linear Parameter Varying paradigms. In: Mello CABd, editor. Biomedical Engineering: InTech; 2009
37. Makroglou A, Li J, Kuang Y. Mathematical models and software tools for the glucose-insulin regulatory system and diabetes: an overview. Appl Numer Math. 2006;56(3-4):559-73
38. Zahlmann G, Franczykova M, Henning G, Strube M, Hüttl I, Hummel I, et al. DIABETEX—a decision support system for therapy of type I diabetic patients. Comput Methods Programs Biomed. 1990;32(3-4):297-301
39. El Youssef J, Castle J, Ward WK. A review of closed-loop algorithms for glycemic control in the treatment of type 1 diabetes. Algorithms. 2009;2(1):518-32
40. Barendse R, Lipton J, van Ettinger M, Nelwan S, van der Putten N. Implementing a clinical decision support system for glucose control for the intensive cardiac care.  Artif Intell Med. 2009; 5651: 161-5
41. Sabnis S, Charles D. Opportunities and Challenges: Security in eHealth. Bell Labs Tech J. 2012;17(3):105-11
42. Ruiz-velázqueza E, Fematb R, Campos-delgadoa DU.A Robust Approach to Control Blood Glucose Level: Diabetes Mellitus Type I. 2003
43. Lenhard MJ, Reeves GD. Continuous subcutaneous insulin infusion: a comprehensive review of insulin pump therapy. Arch Intern Med. 2001;161(19):2293-300
44. Boukhors Y, Rabasa-Lhoret R, Langelier H, Soultan M, Lacroix A, Chiasson J. The use of information technology for the management of intensive insulin therapy in type 1 diabetes mellitus. Diabetes Metab. 2003;29(6):619-27
45. Garcia MA, Gandhi AJ, Singh T, Duarte L, Shen R, Dantu M, et al. Esdiabetes (an expert system in diabetes). Journal of Computing Sciences in Colleges; 2001.
46. Deutsch T, Carson E. Model-based Reasoning For Adjusting Insulin Therapy. Engineering in Medicine and Biology Society, 1990, Proceedings of the Twelfth Annual International Conference of the IEEE; 1990: 1005-6
47. Schneider J. Diamon/Diasim: Decision support in the insulin therapy of diabetic patients. Engineering in Medicine and Biology Society, 1990, Proceedings of the Twelfth Annual International Conference of the IEEE; 1990: 1007-8
48. Tudor RS, Hovorka R, Cavan DA, Meeking D, Hejlesen OK, Andreassen S. DIAS–NIDDM—a model-based decision support system for insulin dose adjustment in insulin-treated subjects with NIDDM. Comput Meth Prog Bio. 1998;56(2):175-92
49. Lehmann E, Deutsch T. Compartmental models for glycaemic prediction and decision-support in clinical diabetes care: promise and reality. Comput Methods Programs Biomed.1998; 56(2): 193-204
50. Montani S, Magni P, Bellazzi R, Larizza C, Roudsari AV, Carson ER. Integrating model-based decision support in a multi-modal reasoning system for managing type 1 diabetic patients. Artif Intell Med. 2003;29(1):131-51
51. Smale A, Nealon J, Holman R. A Hand-held Patient-oriented Expert System For Optimised Insulin Therapy. Intelligent Instrumentation, IEE Colloquium on; 1991:5-7
52. Boord JB, Sharifi M, Greevy RA, Griffin MR, Lee VK, Webb TA, et al. Computer-based insulin infusion protocol improves glycemia control over manual protocol. J Am MedInform Assn. 2007;14(3):278-87
53. Eslami S, Abu-Hanna A, de Jonge E, de Keizer NF. Tight glycemic control and computerized decision-support systems: a systematic review. Intensive care med. 2009;35(9):1505-17
54. Vogelzang M, Zijlstra F, Nijsten MW. Design and implementation of GRIP: a computerized glucose control system at a surgical intensive care unit. BMC medical informatics and decision making. 2005;5(1):38
55. Campion Jr TR, Waitman LR, May AK, Ozdas A, Lorenzi NM, Gadd CS. Social, organizational, and contextual characteristics of clinical decision support systems for intensive insulin therapy: a literature review and case study. Int J Med Inform. 2010;79(1):31-43
56. Sandham WA, Nikoletou D, Hamilton DJ, Patterson K, Japp A, MacGregor C. Blood glucose prediction for diabetes therapy using a recurrent artificial neural network. Conf Proc EUSIPCO; 1998; 11: 673-6
57. Gogou G, Maglaveras N, Ambrosiadou B, Goulis D, Pappas C. A neural network approach in diabetes management by insulin administration. J Med Syst. 2001;25(2):119-31
58. Gillaizeau F, Chan E, Trinquart L, Colombet I, Walton R, Rège‐Walther M, et al. Computerized advice on drug dosage to improve prescribing practice. The Cochrane Library. 2013
59. Chiarelli F, Tumini S, Morgese G,Albisser AM. Controlled study in diabetic children comparing insulin-dosage adjustment by manual and computer algorithms. Diabetes Care. 1990;13(10):1080-4
60. Campion Jr TR, Waitman LR, Lorenzi NM, May AK, Gadd CS. Barriers and facilitators to the useof computer-based intensive insulin therapy. Int J Med Inform. 2011;80(12):863-71
61. Campion TR, May AK, Waitman LR, Ozdas A, Gadd CS. Effects of blood glucose transcription mismatches on a computer-based intensive insulintherapy protocol. Intensive care med. 2010;36(9):1566-70
62. Tang SS, Diamond C, Arouh S. Neural network drug dosage estimation. Google Patents; 2003
63. Mougiakakou SG, Nikita KS. A neural network approach for insulin regime and dose adjustment in type 1 diabetes. Diabetes technology & therapeutics. 2004;2(3):381-9

 

 

 

Review Article

Deliberating Blood Glucose Control of Diabetic Patients Using Insulin Therapy Decision Support Systems

 

Hamid Moghaddasi

Associate Professor in health information and Medical Informatics, Department of  Health Information Technology and Management, Faculty of  Paramedical Sciences, Shahid Beheshti University of  Medical Sciences, Tehran, Iran

 

Reza Rabiei

Assistant  Professor in Medical Informatics, Department of  Health Information Technology and Management , Faculty of  Paramedical Sciences, Shahid Beheshti University of  Medical Sciences, Tehran, Iran

 

Forough Rahimi

Assistant  Professor, Faculty of  Paramedical Sciences, Shahid Beheshti University of  Medical Sciences, Tehran, Iran

 

*Shirin Ayani

PhD Candidate in  Medical Informatics, International Branch, Shahid Beheshti University of  Medical Sciences , Tehran, Iran