Diabetologie und Stoffwechsel 2015; 10 - P211
DOI: 10.1055/s-0035-1549717

Personalisierte Diabetologie – Neuartige Methoden zur Individualisierung dynamischer in silico-Modelle der Glukose-Insulin-Homöostase

C Ament 1, C Eberle 2
  • 1Technische Universität Ilmenau, Ilmenau, Germany
  • 2Hochschule Fulda – University of Applied Science, Fulda, Germany

Fragestellung: Personalisierte dynamische in silico-Modelle zur Analyse der individuellen Glukose-Insulin-Homöostase sind mit der Erstellung des individuellen Prognose-, Präventions- und Therapieregimes assoziiert. Doch wie können diese spezifischen in silico-Modelle auf Basis weniger Messungen (z.B. OGTT oder begrenztes CGM) individuell personalisiert werden?

Methodik: Einfache dynamische Modelle wie Bergmans „Minimal Model“ bestanden aus n= 3 Differentialgleichungen mit q= 6 Parametern (Pacini und Bergman 1986). Aktuelle in silico-Modelle versprechen eine differenziertere sowie individuelle Analyse – allerdings mit umfangreichen Bestimmungen (z.B. n= 9, q= 13; Eberle und Ament 2012). Zur Umsetzung einer spezifischen Personalisierung des in silico-Modells entsprechend der klinischen (Patho-) Physiologie des Patienten wäre eine individuelle Bestimmung aller q= 13 Modellparameter aus diversen Messungen erforderlich. Dies ist jedoch in praxi nicht umsetzbar.

In Anwendung einer neuartigen Methode wird eine „balancierte Darstellung der Parameter“ möglich, die eine stark reduzierte Zahl q 0< q relevanter Ersatzparameter p0 im Modell erlaubt, so dass diese Modelle mit reduzierten Parametern effizient personalisiert werden können.

Ergebnisse: Somit steht ein neuartiger Algorithmus zur Personalisierung komplexer dynamischer in silico-Modelle zur Verfügung: (1) Wandlung aller q Modellparameter in Differentialgleichungen, (2) Bestimmung der Transformation in Balancierte Darstellung (mittels Empirischer Gramscher Matrizen), (3) Ermittlung der Transformation p 0=T p, (4) Identifikation des Modells mit reduzierten Parametern p 0 aus Messungen.

Am Modell aus (Eberle und Ament 2012) konnte das Verfahren für q 0= 3 bestätigt werden.

Schlussfolgerungen: Durch Parameterordnungsreduktion können komplexe dynamische in silico-Modelle effizient und spezifisch personalisiert werden und stehen zukünftig für praxisnahe individuelle Prognose-, Präventions- und Therapieregimes zur Verfügung.