DIAdvisor 1

Dr. Fabien Chauchard (fchauchard@ondalys.fr)Jordanne Lallemand Yakhya Diop

OndalysZ.A. Les Baronnes385 Avenue des Baronnes34 730 Prades le Lez

Prediction de la glycémie dans le sang par Spectroscopie résolue spatialement :

Premiers résultats

DIAdvisor 2

Plan

1-Introduction -a Ondalys -b Projet DIADvisor -c Stratégie

2-Materiel et méthodes -a Materiel -b Données -c Modélisation

3-Résultats et discussion Résultats Futurs travaux

4-Conclusion

DIAdvisor 3

1 Introduction

DIAdvisor 4

Ondalys1 a

Analyse de données instrumentales (CHIMIOMETRIE) Instruments : Spectroscopie Vis-NIR, fluorescence, LIBS,

Spectroscopie de Masse,Imagerie … Domaines : agriculture, pétrochimie, pharmacie

Analyse en composante principale Variance = information

Multivariate curve resolution Contraintes : spectres purs, concentration

Parallel Factor Analysis Signaux 2D ou plus

Partial Least Square regression Modélisation supervisée

DIAdvisor

Exemple 1

Chauchard F., Svensson J., Axelsson J.,, Andersson-Engels S. and Roussel S. (2008). Localization of embbed inclusions using detection of fluorescence : Feasability study based on simulation data, LS-SVM modelling and EPO preprocessing. Chemometrics and intelligent laboratoriy systems (91)-34-42

1 a

Variation du contraste, Oxygenation autofluorescence des tissus

DIAdvisor

Exemple 2

Chauchard F., Roger J.M., Bellon-Maurel V., Abrahamsson S. ,Svensson T., Andersson-Engels S. and Svanberg S. (2005). Madstress : a linear approach for evaluating scattering and absorption coefficients of samples measured using Time-Resolved Spectroscopy in reflection. Applied Spectroscopy, 59(10), 1229-1235.

1 a

DIAdvisor

Projet DIADvisor1 b

180mg/dl

80mg/dl

Temps

Gly

cém

ie

300mg/dl

?

DIAdvisor

Permettre une estimation de la glycémie à partir d’une mesure optique in-vivo

Par Spectroscopie résolue spatialement Suivi de la glycémie pendant 24h

collaboration Cemagref (Dr Ryad Bendoula)

Stratégie / Objectif1 c

DIAdvisor

1 c Stratégie / Objectif

600 650 700 750 800 850 900 950 1000 10500.3

0.4

0.5

0.6

0.7

0.8

0.9

1

600 650 700 750 800 850 900 950 1000 10500

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

20 40

50

100

150

200

250

300

350

Simulation MonteCarlo

Objectif de l’applicationGlycémie

ChimiométrieApprentissage

DIAdvisor 10

Stratégie / problématique1 c

Au niveau de la spectroscopie : Les bandes d’absorptions du glucose ne permettent pas une

analyse assez profonde : peau / sang Correlations

• le glucose modifie le transfert de l’eau des cellules• Le glucose modifie les propriétés de diffusion de la lumière de l’Hb• Les phénomènes d’hyperglycémie et hypoglycémie s’accompagnent

de changements physiologiques

Variabilité du métabolisme: Des paramètres ont des variations rapides et d’autres lentes (battement

cardiaque, hydratation, respiration, oxygénation) dérives plus ou moins rapides

Variabilité individuelle: Les personnes présentent de différences : pression sanguine, battement

cardiaque, une masse graisseuse, système hépathique

DIAdvisor 11

Stratégie1 c

Mettre en place une procédure d’étalonnage individuelle. Travailler dans des zones où le rayonnement lumineux interagit

suffisamment profondément pour capter l’information du sang Utiliser des corrélations types diffusion du sang, mouvement de

l’eau des cellules (pression osmotique) en plus des pics du glucose

Analyser les effets des paramètres extérieurs et individuel

DIAdvisor 12

2 Materiel et Méthode

DIAdvisor 13

Mesures in-vivo2 a

Utilisation de moules en silicones pour chaque patient.

DIAdvisor

Mesures in-vivo

Mesures réalisée au CIC 30 patients (résultats présenté pour un seul patient),

Diabetes type 1,type2, Homme et femme 20-60ans Stylo à insuline /pompe à insuline

Hospitalisation : 3 jours Mesure de référence par Hémocue :

Toutes les 5 minutes à partir du repas Ensuite toutes les 30 minutes pendant 2 heures Puis toutes les heures Toutes les deux heures la nuit

Protocole mis en place par l’équipe du Pr Renard du service Endocinologie, CHU Montpellier

2 a

DIAdvisor 15

Données Visible/PIR2 b

0 500 1000 1500 2000 2500-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

Wavelength (nm)

Rel

ativ

e ab

sorb

ance

Silicium sensor InGAS sensor InGAS sensor II

200400

600800

1000 12

34

0

0.2

0.4

0.6

0.8

1

1.2

1.4

position (mm)Wavelength (nm)

rela

tive

abso

rban

ceLe spectromètre utilisé était un ASD 300-2500nm (3 capteurs)4 positions spatiales de mesures SRS= signal 2D

DIAdvisor 16

Modelisation2 c

Méthode de modélisation supervisée : La PLS (patial Least Squares) a été utilisée :

• PLS : Le modèle est étalonné en utilisant les valeurs de référence autour de la zone des repas (+-30 minutes). Les hypoglycémies sont prises en compte dans le modèle.

• Sélection de zones spectrales pour améliorer la robustesse du modèle.

Principe de la PLS

DIAdvisor 17

3 Résultats

DIAdvisor 18

Modèle3 b

Raw prediction

8 9 10 11 12 13 14 15 16 17 180

50

100

150

200

250

300

temps en heure

pre

dic

tion

gly

cém

iqu

e (

mg

/dl)

estimationréférence

0 50 100 150 200 250 300 350 4000

50

100

150

200

250

300

350

400

Reference Concentration [mg/dl]

Con

cent

raci

on P

redi

cha

[mg/

dl]

Clarke's Error Grid Analysis

A

D

E C

C E

D

B

B

A :80.7500B: 12.2500C 0D : 7.0000E : 0

Etalonnage sur la demi journée

DIAdvisor

0 50 100 150 200 250 300 350 4000

50

100

150

200

250

300

350

400

Reference Concentration [mg/dl]

Con

cent

raci

on P

redi

cha

[mg/

dl]

Clarke's Error Grid Analysis

A

D

E C

C E

D

B

B

A= 49.5000B= 36.3750C= 0.2500D= 13.8750E= 0

8 10 12 14 16 18 20 22 240

50

100

150

200

250

300

Etalonnage sur les deux demi journées

3 b

DIAdvisor

Décalage du modèle3 b

100 150 200 250 300

100

150

200

250

300

Measured values

Pre

dict

ed v

alue

s

R2 = 0.20 ; Bias = -4.44 ; SEPC = 45.47

64 65 66 67 68 69 70 71

100

150

200

250

300

DIAdvisor

Variation des coefficient de regression du modèle

Incertitude à cause de la variabilité des y et du métabolisme

0 100 200 300 400 500 600 700-1000

-800

-600

-400

-200

0

200

400

600

pixel

3 b

x

b

b

b?

DIAdvisor

Travaux futurs

Analyser les causes des dérives Mettre en place une procédure de correction au

moment des repas Fusion des ‘décideurs’ Approche Analytique par simulations 3D éléments

finis pour prédire µa et µs’

Simulations sur cachets pharmaceutiques

Image IRM modèle pour simulations

3 b

DIAdvisor 23

4 Conclusion

DIAdvisor

Conclusion

Il existe des corrélations entre le Glucose et le métabolisme Le pic d’absorption du glucose ne permet pas d’obtenir un

modèle satisfaisant Une stratégie basée sur les corrélations avec le glucose

demande des points de réajustement (avec une mesure invasive au moment des repas)

Une meilleure compréhension des effets parasites est nécessaires

Deux leviers La modélisation numérique / mathématique La qualité de la mesure optique

4