INFORMATIKAI TECHNOLÓGIÁK AZ

INTENZÍV ÁPOLÁSBANBenyó Balázs

Budapesti Műszaki és Gazdaságtudományi Egyetem

Tartalom

• Bevezető• Kihívások az egészségügyben

• Intenzív ápolás: szoros vércukor szabályozás problémája

• Szoros vércukor szabályozás protokoll megvalósítása

• Módszerek• Modellezés

• Döntéstámogató rendszer

• In-silico szimuláció

• Összefoglalás, kitekintés

EGÉSZSÉGÜGY KIHÍVÁSAI

Egészségügy jövője

• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa

Egészségügy jövője

• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa

• Egészségipar:• Új és drága diagnosztikai és terápiás eszközök

• Növekvő emberi munka igény: orvosi, ápolói feladatok

A változások költségvetési hatása

Egészségügy jövője

• Nyugati társadalmak:• Öregedő társadalom, eltolódó korfa

• Egészségipar:• Új és drága diagnosztikai és terápiás eszközök

• Növekvő emberi munka igény: orvosi, ápolói feladatok

• Megoldás:• Drasztikus hatékonyság növekedés

• Mérnöki módszerek alkalmazása az orvosi gyakorlatban• Modell alapú megközelítés az orvosi diagnosztikai és ápolási feladatok megoldására

Mérnöki módszerek alkalmazása

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

INTENZÍV ÁPOLÁS

Intenzív ápolás

• Az intenzív ápolás az egészségügyi ellátás egyik leg költségigényesebb területe• Az egészségügyi ellátásra fordított költségek 7-15%

• A teljes GDP ~1%

• Ápolási célok:• Keringés fenntartása

• Lélegeztetés

• Táplálás

SZOROS VÉRCUKOR SZABÁLYOZÁS

Probléma

Szoros vércukor szabályozásA vércukorszint normoglikémiás tartományban tartása

inzulin adagolással és a táplálás szabályozásával

Inzulin és tápanyag

Vércukor mérés

Szoros vércukor szabályozással a mortalitás 25-40%-alcsökkenthető.

Probléma• Probléma: a szoros vércukor szabályozás

megvalósítása nehéz

• Összetett fiziológiai rendszer

• Egymástól lényegesen különböző, gyorsan változó állapotú betegek

• Hipoglikémia – hiperglikémia

• Kórosasan alacsony, ill. magas vércukorszint

• Normoglikémiás tartomány:

• 4,4 – 6 (8) mmol/l

• Különböző mértékben és időtávon, de mindkettő negatív következményekkel jár

A hipoglikémia következményei: célszerv-károsodások

KIR-történések2Szív érintettség1 Ér-történések1

Halál1,2

1. Desouza CV, et al. Diabetes Care 2010;33(6):1389-13942. Boyle et al. South Med J 2007;100(2):183-194

• Stroke, myocardiuminfarctus, akut szívbetegség, kamrai arrhythmia

• Csökkent perctérfogat, teljesítmény, myocardium kontraktilitás

• Rohamok, görcsök, kóma

STAR PROTOKOLL

A nővér beállítja a javasolt értékeket a pumpákon

Beteg kezelése

Mért beteg paraméterek

“Nurse-in-the-loop” típusú rendszer. Intenzív terápiában általánosan használt eszközökkel és általános célú számítástechnikai eszközzel megvalósítható.

Döntéstámogató rendszer

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

Közvetlenül nem mérhető betegparaméterek meghatározása a

döntéstámogatáshoz

Inzulin szenzitivitás (SI)

A STAR protokoll alkalmazása

STAR protokoll

• STAR: • Stochastic Targeted Control

• Előnyök:• Betegenként állítható céltartomány

• Kockázatok közvetlen kezelése

• Számítógépes alkalmazás tabletre

• Egyszerű, felhasználóbarát kezelői felület

Követelmények

Elvárások:

Egyszerű működési logika

Orvosilag elfogadható kezelési ajánlások, javaslatok nyújtása

Klinikai feltételek között lehessen alkalmazni, követelményekhez adaptálni

Felhasználóbarát funkcionalitás és megjelenés

Orvosok elvárásai a szabályozással kapcsolatban:

Klinikai értékelésszempontjai

Optimális szabályozás Alkalmazhatóság

• A vércukorszint stabil tartományban tartása

Szigorú kontroll

• Hypoglycaemia rövidebb idő alatt okoz életveszélyes állapotot, mint a hyperglycaemia

Legfontosabb a biztonság

• Alacsony tápanyagbevitel hosszabb intenzív ápolási időt eredményez

Magas tápanyagbevitel

• Ápolás egyszerűsítésével időt és pénzt tudunk megtakarítani

Mérés szám csökkentése

MÓDSZEREK

Módszerek

• Modellezés, modell alkotás• Kompartment modell a vércukor háztartás

leírására

• Döntéstámogató módszer és rendszer• Beteg jövőbeni állapotának becslése, inzulin

érzékenység becslése

• In-silico szimulációs környezet• Számítógépes környezet kezelési protokollok

minősítésére valós betegadatokra támaszkodva

Brain

Other

cells

Insulin losses

(liver, kidneys)

Glucose

Insulin

Liver

Blood

Glucose

Liver

Insulin

sensitivity

Insulin

sensitivity

Effective

insulin

Plasma

Insulin

Pancreas

Brain

Other

cells

Insulin losses

(liver, kidneys)

Glucose

Insulin

Liver

Blood

Glucose

Liver

Insulin

sensitivity

Insulin

sensitivity

Effective

insulin

Plasma

Insulin

Pancreas

)(

)(

1...

tV

CNSEGPtP

Q

QGSGpG

G

MAX

G

IG

kIkQQ

B

tuk

I

ex

I

IeV

tu

I

nII exI

))(()(

1

Fiziológiai folyamat kompartment modell

MODELLEZÉS

Modell alapú megközelítésA fiziológiai rendszer működésének leírása

Modell alapú megközelítésA fiziológiai rendszert leíró

matematikai modell kidolgozása

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

Modell alapú megközelítés

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

A modell alapján szimuláció, identifikáció stb. felhasználásával tervezzük meg és

implementáljuk a terápiás módszert.

I

en

L

I

ex

IK

I

L

G

cI

G

b

G

IG

V

Gux

V

tutQtIntIn

tI

tInI

tQ

tQntQtInQ

V

tPNCNSEGPPPd

tQ

tQtGStGpG

)()1(

)())()(()(

)(1

)(

)(1

)())()((

)(),min(

)(1

)()()(

.

.

max22

.

Vércukor szintet befolyásoló fiziológiai folyamatok modellezése

ICING: Intensive Control Insulin-Nutrition-Glucose

DÖNTÉSTÁMOGATÓ RENDSZER

Inzulin szenzitivitás, SI(t) használata

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

x 10-3

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2x 10

-3

Insulin Sensitivity NOW

Insu

lin

Sen

sit

ivit

y

IN F

OU

R H

OU

RS

0 10 20 30 40 50 60 70 800

5

10

15

BG

(m

mol/L)

BG measurements - simulated

Model BG - simulated

Target band

0 10 20 30 40 50 60 70 800

200

400

I/Q

(m

U/L

)

I - simulated

Q - simulated

0 10 20 30 40 50 60 70 800

1

2

3x 10

-3

SI [

L/(

mU

.min

)]

Time (Hours)

Insulin sensitivity

0 10 20 30 40 50 60 70 800

0.1

0.2

Insulin

(U

/hr)

Time (hours)

0 10 20 30 40 50 60 70 800

0.1

0.2

Dex (

g/h

r)

Insulin

EN Dextrose

PN Dextrose

EN Dextrose

PN Dextrose

Insulin

BG[mg/dL]

Time

4.4

6.5

Insulin sensitivity

Blood glucose

tnow

Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level

For a given feed+insulinintevention an output BG distribution can be forecast using the model

tnow+(1-3)hr

95th

75th

50th

25th

5th

5th

25th

50th

75th

95th

5th, 25th, 50th (median), 75th, 95th

percentile bounds for SI(t)variation based on current value

Insulin sensitivity

Blood glucose

tnow

Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level

For a given feed+insulinintevention an output BG distribution can be forecast using the model

tnow+(1-3)hr

95th

75th

50th

25th

5th

5th

25th

50th

75th

95th

Valószínűségi modell az SIbecslésére

Jósolt VC értékek:

A beteg várható reakciója!

SI (határ)értékek

+ismert inzulin bevitel

+Rendszer modell

= ...

Iterative process targets this BG forecast to the range we want:

= optimal treatment found!Patient response forecast can be recalculated for

different treatments

Protokoll működése

BG[mg/dL]

Time

4.4

6.5

Insulin sensitivity

Blood glucose

tnow

Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level

For a given feed+insulinintevention an output BG distribution can be forecast using the model

tnow+(1-3)hr

95th

75th

50th

25th

5th

5th

25th

50th

75th

95th

5th, 25th, 50th (median), 75th, 95th

percentile bounds for SI(t)variation based on current value

Insulin sensitivity

Blood glucose

tnow

Stochastic model shows the bounds (5th – 95th percentile) for insulin sensitivity variation over next 1-3 hours from the initially identified level

For a given feed+insulinintevention an output BG distribution can be forecast using the model

tnow+(1-3)hr

95th

75th

50th

25th

5th

5th

25th

50th

75th

95th

Sztochasztikus modell az SIbecslésére

Jósolt VC értékek:

A beteg várható reakciója!

SI (határ)értékek

+ismert inzulin bevitel

+Rendszer modell

= ...

Protokoll működése

A jósolt beteg választ ki tudjuk számolni

különböző kezelési opciókhoz

Lépésenkénti közelítéssel beállít-juk a VC szintet a céltartományba :

= megtaláltuk az optimális kezelést!

IN-SILICO SZIMULÁCIÓ

Virtuális betegek)(

)(

1...

tV

CNSEGPtP

Q

QGSGpG

G

MAX

G

IG

kIkQQ

B

tuk

I

ex

I

IeV

tu

I

nII exI

))(()(

1

In-silico szimuláció)(

)(

1...

tV

CNSEGPtP

Q

QGSGpG

G

MAX

G

IG

kIkQQ

B

tuk

I

ex

I

IeV

tu

I

nII exI

))(()(

1

KLINIKAI EREDMÉNYEK

HATÉKONY?

EredményekSTAR Chch STAR Gyula

Workload

# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)

Átlagos mérési gyakoriság (óra): 1,85 2,05

Control performance

VC median [IQR] (mmol/L):6,8

[6,0 – 7,9]6,8

[5,8 – 7,8]

VC céltartományban töltött idő (4,4-8mmol/L) 82,6% 85,7%

VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%

Safety

VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%

VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%

Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)

Clinical interventions

Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]

Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]

Median táplálás arány a célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]

BIZTONSÁGOS?

EredményekSTAR Chch STAR Gyula

Workload

# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)

Átlagos mérési gyakoriság (óra): 1,85 2,05

Control performance

VC median [IQR] (mmol/L):6,8

[6,0 – 7,9]6,8

[5,8 – 7,8]

VC céltartományban töltött idő (4,4-8mmol/L) 82,6% 85,7%

VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%

Safety

VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%

VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%

Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)

Clinical interventions

Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]

Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]

Median táplálás arány a célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]

ÁPOLÁSI IGÉNY ELEMZÉSE

EredményekSTAR Chch STAR Gyula

Workload

# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)

Átlagos mérési gyakoriság (óra): 1,85 2,05

Control performance

VC median [IQR] (mmol/L):6,8

[6,0 – 7,9]6,8

[5,8 – 7,8]

VC céltartományban töltött idő (*4,4-8mmol/L) 82,6% 85,7%

VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%

Safety

VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%

VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%

Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)

Clinical interventions

Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]

Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]

Median táplálás arány célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]

MEGFELELŐ A BEVITT TÁPANYAG

MENNYISÉGE?

EredményekSTAR Chch STAR Gyula

Workload

# VC mérések száma (ápolási óra/betegszám): 12369 (22948/336) 3050 (6244/47)

Átlagos mérési gyakoriság (óra): 1,85 2,05

Control performance

VC median [IQR] (mmol/L):6,8

[6,0 – 7,9]6,8

[5,8 – 7,8]

VC céltartományban töltött idő (*4,4-8mmol/L) 82,6% 85,7%

VC > 10 mmol/L tartományban töltött idő 4,4% 3.0%

Safety

VC < 4.0 mmol/L tartományban töltött idő 0,6% 0,9%

VC < 2.2 mmol/L tartományban töltött idő 0,004% 0%

Beteg < 2.2 mmol/L alatt (nyers adat alapján) 4 (1,5%) 2 (4,3%)

Clinical interventions

Median insulin [IQR] (U/óra): 2,7 [1,9 – 3,5] 3,2 [2,4 – 4,6]

Median szénhidrát [IQR] (g/óra): 5,1 [4,0 – 6,2] 7,4 [6,2 – 8,9]

Median táplálás arány célhez képest [IQR] (%) 86 [64 - 97] 80 [74 - 88]

ÖSSZEFOGLALÁS, KITEKINTÉS

Összefoglalás

• Mérnöki, informatikai módszerek orvosi feladatok megoldására• Élettani folyamatok modellezése

• Jellemző feladatok• Modellezés

• Döntéstámogatás

• In-silico szimuláció

• Eredmény: Személyre szabható ápolási módszerek

• Alkalmazási területek• Intenzív terápia: táplálási, mesterséges lélegeztetés, kardiovaszkuláris ellátás

• Képrekonstrukciós módszerek: 4D képrekonstrukció

CURE Soft alkalmazása

CURE Soft alkalmazás közben

1 2

KÖSZÖNÖM A FIGYELMET!Benyó Balázs

bbenyo@iit.bme.hu

Kutatási projektek:OTKA K116574: Sztochasztikus modellek kidolgozása intenzív terápiában alkalmazható új generációs modell alapú szoros vércukor szabályozási módszerhez: új modellektől és módszerektől a klinikai validációig (NKFI-6)FP7-PEOPLE-2012-IRSES: eTime – Engineering Technology-based Innovation in Medicine, Project number 318943VKSZ_14-1-2015-0072: SCOPIA – Endoszkópos diagnosztikán alapuló, szoftverrel támogatott eszközök fejlesztése; pályázat száma: