• Aucun résultat trouvé

Représentation graphique de la grille d’analyse d’erreur :

Chapitre 3 : Implémentation et étude cas

3.4. Génération des patients virtuels

Le modèle utilisé Hovorka a été choisi en fonction des besoins de la recherche. Comme évoqué précédemment, il s'agit d'un modèle complet du système glucose-insuline lors d'un repas, qui a été développé en utilisant des traceurs de glucose.

On a choisi comme entrée huit variables et on a fournit à chacun d'eux des valeurs différentes afin de simuler le modèle Hovorka. Le (Q1, Q2, S1, S2, I, x1, x2, x3, t) aide à générer des données tout en résolvant le modèle mathématique Hovorka. En effet, la résolution d'équations mathématiques pour chaque paramètre est utile pour avoir des résultats "cliniquement précises".

Fig. 24: Patients virtuels.

Une simple modification dans chacun des paramètres aide à avoir différents états du patient. La sévérité d'un patient peut être modifiée en changeant les valeurs des paramètres. L'objectif est d'avoir plusieurs scénarios afin de les utiliser dans le cadre de l’implémentation. Nous avons utilisé la pertinence des “processus partiellement observables de Markov décisionnels“ (POMDP) [88] pour la formalisation de la planification de la gestion clinique

(figure 24), où αi sont les valeurs de modification lors de la génération de ces patients virtuels, en tenant compte de la gamme de rapprochement de chaque paramètres. L’utilisation de la méthode POMDP décrit un procédé de contrôle stochastique avec des États partiellement observables. Nous avons commencé avec un patient virtuel et après le calcul avec des fonctions de normalisation afin de savoir dans quelle zone le point du patient est tracé, nous avons arrivé à spécifier une modification des paramètres afin d'arriver au deuxième état qui représente un autre patient virtuel. La modification peut être réalisée sur un paramètre ou plusieurs paramètres à la fois. Cette modification mineure est efficace pour générer les patients.

Le flux des processus pour générer et simuler le système de réglementation glucose-insuline est illustré à la figure 25. L’utilisation de Keil et un programme Vb.net simple aide à tester et à simuler notre système, qui peut être très utile dans des domaines des essais. Ainsi, on a utilisé pour le modèle mathématique Hovorka un vecteur d'entrée des données pour avoir beaucoup de patients virtuels et plus tard un testeur efficace. Pour nous aider à générer automatiquement ces patients, nous avons développé un programme simple qui génère approximativement les variables pour chacun des paramètres qui composent ce modèle.

Fig. 25: Présentation des méthodes utilisées

Figure 26 ci-dessous montre l'ensemble des patients virtuels générés en utilisant notre programme simple. Notant que, chaque élément du vecteur (Q1, Q2, S1, S2, I, x1, x2, x3, t) peut être calculé (chapitre II modèle de Hovorka) en utilisant ensemble de paramètres. Les F01, K12, Ka1, Ka2, Ka3, Kb1, Kb2, Kb3, Ke sont les paramètres effectifs qui touchent l'ensemble du système.

Fig. 26: Programme pour générer des patients

L'environnement de simulation est constitué d'un ensemble de patients virtuels, d’un modèle mathématique et d'un modèle d'administration d'insuline ou d'un actionneur. L'algorithme de commande est en interaction avec l'environnement de simulation.

Dans la figure 27, le tracé de chaque simulation est représenté comme un point dans une grille, puis divisé cette grille en zones définies par leur x et y coordonnées, ce qui aide à construire une nouvelle grille d'erreur et l'utiliser pour évaluer l'exactitude de la valeur mesurée. Dans la première phase, l’implémentation se fait pour tester le contrôleur afin d'analyser sa performance. Notant que, le patient virtuel utilisé pour les simulations ne comprend pas les facteurs qui influent sur la concentration de glucose dans le sang, comme par exemple le stress, ou la personne faisant de l'exercice. La fonction de normalisation utilisée pour calculer le maximum BG (97.5th) et le minimum GB (2.5th) est le percentile.

On remarque, que le système d'injection automatique n'est pas considéré comme mauvais. En effet, on n’a pas un contrôleur idéal, mais nous avons arrivé à simuler la performance des équipements. L'idée principale est de considérer les cas critiques sur l'hypoglycémie et l'hyperglycémie, les capteurs, les actionneurs critiques et les contrôleurs.

Pour être plus précis et pour une meilleure représentation, chaque simulation n'est pas représentée comme un seul point dans la grille, mais elle est construite à partir d'un point central et de 3 autres points qui est l'état de la représentation du patient pendant le petit déjeuner, le déjeuner et le dîner. On a comparé ces valeurs afin de savoir que si les trois points sont dans la même zone que le point principal, cela signifie que le point principal est considéré comme la valeur désirée. En revanche, si l'un des trois points est hors de la zone du point principal, cela signifie que l'état du patient a été modifié pendant la journée et une étude plus approfondie doit être fait pour surveiller et de révéler son état.

Conclusion

Nous avons fourni une architecture flexible et globale d’un modèle de corps humain avec une représentation mathématique. Une représentation complète des composants de simulateurs, de l’analyseur, de l'indicateur schéma QoS et de la méthode d'évaluation a été réalisée. Le but de cette architecture est d'avoir un milieu complet avec la possibilité de simuler des équipements médicaux, et de tester leur performance.

Le testeur que nous avons crée est un outil efficace qui améliorera les essais dans le domaine biomédical sans imposer un risque sur les patients. Le tracé de chaque simulation comme un point dans une grille, puis la division de chaque grille en zones définies par leur x et y coordonnées, nous a aider à construire une nouvelle grille d'erreur et à l'utiliser pour évaluer la précision des mesures de niveau de glucose faites par les patients.

Nous avons créé un modèle programmé qui agissent comme un pancréas artificiel. Le but est d'avoir un exemple complet d'un système biomédical en lien avec le glucose-insulin afin d'avoir la capacité de faire des stratégies de test. De même, nous avons défini des indicateurs simples pour les tests de niveau système. L'objectif de ces indicateurs est d'avoir une référence à la représentation graphique des données d'une personne dans le cadre du glucose.

Aussi, on a fournit un modèle qui représente une vue globale des équipements biomédicaux, basée sur des simulations répétées pour minimiser l'erreur. Les résultats ont montré la possibilité de co-simulation, et donc la possibilité de valider un système finement incorporé. Nous avons mis en place un environnement permettant la co-simulation du modèle glucose-insuline, et l'application technique in-silico en utilisant un simulateur d’un système microcontrôleur.

Dans la partie implémentation, nous avons mis en œuvre des modèles dans une approche globale afin d'associer les choix faits sur le système biomédical des indicateurs de "bien-être" associé avec les patients. Et on a simulé en utilisant une expérimentation in-silico qui présente de nombreux avantages en fournissant une plus grande productivité du travail, le coût minimum et simulation plus précise en raison de modèles sophistiqués. La simulation de patients virtuels avec le diabète de type I est effectuée pendant 4 jours, en recevant le petit déjeuner, le déjeuner et le dîner tous les jours.

Nous avions généralisé le passage des essais cliniques; en générant des patients virtuels afin d'avoir plusieurs scénarios pour l'analyse des performances. Nous avons créé un outil simple pour générer de nombreux patients en tenant compte de la gamme de rapprochement de chaque paramètre.

Un choix d'un testeur plus sophistiqué par l'introduction de différents capteurs et actionneurs apparaît comme une direction de recherche prometteuse. L'extension de l'algorithme pour des applications industrielles avec microcontrôleur ayant une capacité de calcul limitée exige un effort d'enquête non-trivial.

Documents relatifs