Ottimizzazione del bolo nei sistemi di somministrazione automatizzata di insulina in presenza di ritardo nell' annuncio del pasto.

Type 1 diabetes mellitus requires lifelong exogenous insulin administration to maintain safe blood glucose levels. Despite the adoption of automated glycaemic control strategies, prandial insulin dosing remains a critical challenge, particularly in the presence of meal announcement delays, which can compromise postprandial glycaemic regulation. This thesis investigates a learning-based approach for prandial insulin bolus optimization under delayed meal information within an MPC-based control framework. The analysis is conducted using the FDA-approved UVa/Padova Type 1 Diabetes Simulator. An offline optimal prandial bolus is defined through simulation by exploring deviations from the nominal MPC action based on clinically relevant glycaemic metrics and is used as reference for a supervised regression formulation. Several regularized regression models are evaluated using a subject-wise validation strategy and integrated into the closed-loop control scheme. Results show improved postprandial glycaemic performance under delayed meal announcement conditions, while preserving robustness and safety across different subjects and meal scenarios.

Il diabete mellito di tipo 1 richiede la somministrazione continua di insulina esogena per mantenere livelli glicemici sicuri. Nonostante l’adozione di strategie automatizzate di controllo glicemico, il dosaggio insulinico prandiale rimane una sfida critica, in particolare in presenza di ritardi nell’annuncio del pasto, che possono compromettere la regolazione glicemica postprandiale. Questa tesi indaga un approccio basato su apprendimento automatico per l’ottimizzazione del bolo insulinico prandiale in presenza di informazioni ritardate sul pasto all’interno di un framework di controllo basato su MPC. L’analisi è condotta utilizzando il simulatore UVa/Padova Type 1 Diabetes, approvato dalla FDA. Un bolo prandiale ottimale offline è definito tramite simulazioni esplorando deviazioni dall’azione nominale dell’MPC sulla base di metriche glicemiche clinicamente rilevanti ed è utilizzato come riferimento per una formulazione di regressione supervisionata. Diversi modelli di regressione regolarizzata sono valutati mediante una strategia di validazione per soggetto e integrati nello schema di controllo in retroazione. I risultati mostrano un miglioramento della performance glicemica postprandiale in presenza di ritardi nell’annuncio del pasto, preservando al contempo robustezza e sicurezza su diversi soggetti e scenari di pasto.