A smart controller for type 1 diabetes using reinforcement learning and scale-space representation
VERTSINSTITUTT: Institutt for matematikk og statistikk (IMS), Fakultet for naturvitenskap og teknologi (NT)
PERIODE: 2016-2020
BEVILGNING: 8,7 MNOK
BLOG
HJEMMESIDE1
HJEMMESIDE2
Video om Godtlibsen’s prosjekt
Fred Godtliebsen har tatt siv.ing. og dr.ing. grader i statistikk ved Norges Tekniske Høgskole (NTH) i henholdsvis 1985 og 1989. Han arbeidet som førsteamanuensis ved NTH fram til 1994, og etter den tid har han vært ansatt ved Universitetet i Tromsø hvor han har vært professor i statistikk siden 1996. Godtliebsen har tidligere hatt Prof 2 stillinger ved Nasjonal senter for telemedisin (NST) og Norsk Polarinstitutt (NP). Fra april 2016 er han Prof 2 i statistikk ved Nasjonalt senter for ehelseforskning (NSE) i Tromsø. Godtliebsen har veiledet 10 PhD studenter og publisert mer enn 100 artikler i vitenskapelige tidsskrifter. Han var en av gruppelederne i Tromsø Telemedicine Laboratory, et tidligere senter for forskningsdrevet innovasjon (SFI) finansiert av Norges Forskningsråd og næringsliv. Siden 2009 har Godtliebsen vært prodekan for forskning ved Fakultet for Naturvitenskap og Teknologi ved Universitetet i Tromsø. Ikkeparametriske metoder, flerskala-analyse, mønstergjenkjenning og bildeprosessering står sentralt i Godtliebsens vitenskapelige produksjon.
I dette prosjektet, er det underliggende målet å utvikle robuste algoritmer som kan brukes til å holde blodsukkernivået på et riktig og stabilt nivå i personer med type 1 diabetes. Hovedideen er å foreslå algoritmer som til enhver tid kan foreslå fornuftige handlinger basert på personens tilstand. Et vellykket system vil gi pasienten blodsukkernivåer som holder seg innenfor et anbefalt intervall. Viktige inngangsdata til modellen er tidligere blodsukkermålinger, inntak av måltider og fysisk aktivitet. De mulige handlingene er i hovedsak beskrevet av den insulinmengden pasienten tar på et bestemt tidspunkt.
Algoritmen lærer seg over tid hva som er fornuftige handlinger i gitte situasjoner og vil etter hvert gi en algoritme som er individuelt tilpasset. Siden ny teknologi av denne typen ikke kan testes ut direkte på personer, bruker vi simuleringsverktøy for å studere egenskapene til de foreslåtte algoritmene. Når vi finner nye metoder som gir lovende resultater, kan de undersøkes videre i kliniske studier i framtidige prosjekter.
Siden algoritmene vi arbeider med er veldig generelle, tester vi de også ut i en god del andre situasjoner. Noen eksempler på andre anvendelser er skadebegrensning knyttet til klimaendringer, fornybar energi, optimal behandling av smertepasienter og bedre behandlinger ved intensivavdelinger.