Prediction de la glycémie dans le sang par Spectroscopie résolue spatialement : Premiers résultats Dr. Fabien Chauchard (fchauchard@ondalys.fr) Jordanne Lallemand Yakhya Diop Ondalys Z.A. Les Baronnes 385 Avenue des Baronnes 34 730 Prades le Lez

Plan 1-Introduction 2-Materiel et méthodes 3-Résultats et discussion -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

1 Introduction

1 a Ondalys 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

1 a Exemple 1 Variation du contraste, Oxygenation autofluorescence des tissus 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 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 b Projet DIADvisor 300mg/dl ? 180mg/dl Glycémie 80mg/dl Temps

1 c Stratégie / Objectif 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)

1 c Stratégie / Objectif Simulation MonteCarlo Chimiométrie Apprentissage Objectif de l’application Glycémie

Stratégie / problématique 1 c Stratégie / problématique 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

1 c Stratégie 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

2 Materiel et Méthode

2 a Utilisation de moules en silicones pour chaque patient. Mesures in-vivo Utilisation de moules en silicones pour chaque patient.

2 a 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 b Données Visible/PIR Le spectromètre utilisé était un ASD 300-2500nm (3 capteurs) 4 positions spatiales de mesures SRS = signal 2D

2 c Modelisation 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

3 Résultats

3 b Modèle Etalonnage sur la demi journée A :80.7500 B: 12.2500 C 0 Raw prediction

3 b Etalonnage sur les deux demi journées A= 49.5000 B= 36.3750 C= 0.2500 D= 13.8750 E= 0

3 b Décalage du modèle

3 b Variation des coefficient de regression du modèle Incertitude à cause de la variabilité des y et du métabolisme x b ? b b

3 b 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

4 Conclusion

4 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