Control of an automated insulin delivery system using artificial intelligence

Bessa, Wallace Moreira

Universidade Federal do Rio Grande do Norte

2025-10-02

Automated insulin delivery system

Nonlinear control

Feedback linearization

Neural networks

Reinforcement learning

Q-learning

O Diabetes Mellitus Tipo 1 é uma doença que afeta milhões de pessoas em todo o mundo. Recentemente, dispositivos que regulam automaticamente a concentração de glicose no sangue de pacientes diabéticos foram desenvolvidos. O sistema de Entrega Automática de Insulina (AID, Automated Insulin Delivery) pode proporcionar uma vida com maior qualidade, autonomia e conforto para os pacientes. Este trabalho tem como objetivo projetar um controlador não linear inteligente com um estimador desenvolvido com Inteligência Artificial (IA) para um sistema AID. Uma extensa revisão sobre diabetes é conduzida, introduzindo sua definição, contexto fisiológico, diagnóstico, impacto global e as terapias disponíveis. Além disso, é feita uma revisão da literatura, apresentando os tipos de sistemas AID, desafios atuais, modelos de pacientes virtuais, estratégias de controle e algoritmos de IA que moldam os projetos modernos. O modelo OHSU, usado para simular a população de pacientes virtuais deste trabalho, é introduzido junto com sua formulação matemática que incorpora atividade física à dinâmica insulina-glicose. O controlador proposto combina Linearização por Realimentação com um estimador inteligente baseado em redes neurais para compensar as incertezas do modelo, perturbações externas e atrasos temporais inerentes ao sistema biológico em questão. O controlador incorpora um algoritmo de Aprendizagem por Reforço, Q-learning, para otimizar a taxa de aprendizagem da rede neural em meio a uma população de pacientes virtuais diversa enquanto minimiza a ocorrência de eventos hipoglicêmicos. Os resultados mostram que o controlador foi capaz de regular a glicemia segura e efetivamente com valor médio de Tempo no Alvo (TIR, Time in Range) de 81% e Coeficiente de Variação (CV) de 35% em uma população diversa de pacientes de treinamento com 10 indivíduos, e valor médio de TIR de 76% e CV de 34% para um população de validação diferente e desconhecida de 5 indivíduos. Para evitar baixo desempenho durante a fase inicial de aprendizado da rede neural, pré-treinamento offline da rede é proposto e testado na população de validação. A ocorrência de hiperglicemia severa nos primeiros dias de simulação foi completamente evitada, com o benefício adicional de uma pequena melhora no TIR (76% vs. 78%), indicando um caminho claro sobre de introduzir o controlador em pacientes reais. De forma geral, o controlador proposto foi capaz de proporcionar controle glicêmico seguro e efetivo em uma população diversa de pacientes virtuais sob exercícios e sem a necessidade de intervenção do paciente para informar sobre alimentação ou atividades físicas.

Type 1 Diabetes Mellitus is a disease that affects millions of people worldwide. Recently, devices that automatically regulate blood glucose concentration in diabetic patients were developed. The Automated Insulin Delivery (AID) system can provide a life with higher quality, autonomy, and comfort for patients. This work aims to design an intelligent nonlinear controller with an estimator developed with Artificial Intelligence (AI) algorithms for an AID system. An extensive review on diabetes is conducted introducing its definition, physiological context, diagnosis, global impact and available state of the art therapies. Furthermore, a literature review is carried out presenting the types of AID systems, current challenges, virtual patient models, control strategies and AI algorithms that shape modern designs. The OHSU virtual patient model, used to simulate the virtual patient population in this work, is introduced along with its mathematical formulation, which incorporates physical activity to the insulin-glucose dynamics. The proposed controller combines Feedback Linearization with an intelligent neural network-based estimator to compensate for model uncertainties, external disturbances and time delays inherent of the biological system in question. It incorporates a Reinforcement Learning algorithm, Q-learning, to optimize neural network learning rate across a diverse virtual patient population while minimizing hypoglycemic events. Results show the controller was able to safely and effectively regulate glycemia with average Time in Range (TIR) of 81% and Coefficient of Variation (CV) of 35% on a diverse training population of 10 subjects, and average TIR of 76% and CV of 34% for a different unseen validation population of 5 subjects. In order to avoid poor control during the network’s initial learning period, offline network pre-training is proposed and tested on the validation population. Severe hyperglycemic events in the early days of simulation were completely avoided with the added benefit of a slight improvement in TIR (76% vs. 78%), indicating a clear path on how to introduce the controller to real-life subjects. Overall, the proposed controller was able to provide safe and effective glycemic control under exercising across a diverse virtual patient population without the need for user input on meal intakes or physical activities.