Matematisk Model for Mavesækkens Tømning - Danmarks Tekniske ...
Matematisk Model for Mavesækkens Tømning - Danmarks Tekniske ...
Matematisk Model for Mavesækkens Tømning - Danmarks Tekniske ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Matematisk</strong> <strong>Model</strong><br />
<strong>for</strong> <strong>Mavesækkens</strong> <strong>Tømning</strong><br />
Sabrina Lyngbye Wendt<br />
Kongens Lyngby 2009<br />
IMM-B.Sc.-2009-24
Technical University of Denmark<br />
In<strong>for</strong>matics and Mathematical <strong>Model</strong>ling<br />
Building 321, DK-2800 Kongens Lyngby, Denmark<br />
Phone +45 45253351, Fax +45 45882673<br />
reception@imm.dtu.dk<br />
www.imm.dtu.dk
Abstract<br />
The aim of this assignment is to advance a mathematical model of the gastric<br />
emptying which takes the blood glucose concentration into account. The hypothesis<br />
is that the blood glucose affects the gastric emptying to such an extent,<br />
that it is necessary to take this feedback-mechanism into account in a model of<br />
the gastric emptying rate.<br />
Studies of the physiology of the stomach indicate that the hormones somastostatin<br />
and cholecystokinin may slow gastric emptying during hyperglycemia,<br />
whereas the hormone ghrelin may accelerate the emptying during hypoglycemia.<br />
To set up a model of the gastric emptying in euglycemia, a clinical clampexperiment<br />
was per<strong>for</strong>med in which the blood glucose of the subject was held<br />
constant at 5 mmol/L while the gastric emptying was monitored using a gammacamera.<br />
To obtain quantified data from the gastric emptying measurement, a borderfinding<br />
programme was developed in order to find the stomach boundaries automatically<br />
and efficiently, and to graphically show the amount of food in the<br />
stomach as a function of time.<br />
Existing models of the gastric emptying were fitted to data from a routine gastric<br />
emptying measurement. New models were likewise fitted to data from the<br />
experiment with the euglycemic clamp. The existing models did not fit the data<br />
satisfactorily, whereas several of the new, simple linear models provided accurate<br />
fits to the data from the experiment.<br />
In order to simulate clamped gastric emptying measurements of a healthy subject,<br />
a model of the pancreas was implemented in a model of the glucoregulatory<br />
system.<br />
In conclusion, more research needs to be per<strong>for</strong>med be<strong>for</strong>e a mathematical<br />
expression of the gastric emptying rate’s dependence on the ambient blood
ii<br />
glucose concentration can be developed.
Resumé<br />
Form˚alet med denne opgave er at opstille en matematisk model <strong>for</strong> mavesækkens<br />
tømning, som tager højde <strong>for</strong> blodsukkeret. Hypotesen er, at blodsukkeret<br />
p˚avirker ventrikeltømningen i s˚a høj grad, at der skal tages højde <strong>for</strong> denne<br />
feedback-mekanisme i en model <strong>for</strong> mavesækkens tømningsrate.<br />
Studie af mavesækkens fysiologi indikerer, at det muligvis er hormonerne somastostatin<br />
og cholecystokinin, som hæmmer mavesækkens tømning under hyperglykæmi,<br />
mens det muligvis er hormonet ghrelin, som fremmer ventrikeltømningen<br />
under hypoglykæmi.<br />
For at kunne opstille en model <strong>for</strong> mavesækkens tømning i normoglykæmi gennemføres<br />
et klinisk clamp-<strong>for</strong>søg, hvor <strong>for</strong>søgspersonens blodsukker holdes konstant<br />
p˚a 5 mmol/L, mens ventrikeltømningen registreres med gammakamera.<br />
Til behandling af data fra ventrikeltømningsundersøgelsen udvikles et kantfindingsprogram,<br />
som automatisk og effektivt finder mavesækken og grafisk viser<br />
mængden af føde i mavesækken som funktion af tiden.<br />
Eksisterende modeller <strong>for</strong> mavesækkens tømning fittes til data fra en ordinær<br />
ventrikeltømningsundersøgelse. Ligeledes fittes nye modeller til data fra <strong>for</strong>søget<br />
med den normoglykæmiske clamp. De eksisterende modeller fitter ikke data tilfredsstillende,<br />
hvorimod flere af de nye simple lineære modeller giver et godt fit<br />
til data fra <strong>for</strong>søget.<br />
For at kunne simulere clampede ventrikeltømnings<strong>for</strong>søg <strong>for</strong> en rask person implementeres<br />
en model <strong>for</strong> bugspytkirtlen i en model <strong>for</strong> kroppens glykoregulatoriske<br />
system.<br />
Det viser sig, at der er brug <strong>for</strong> yderligere <strong>for</strong>skning <strong>for</strong> at kunne opstille et<br />
matematisk udtryk <strong>for</strong> ventrikeltømningsraten, der indeholder in<strong>for</strong>mation om<br />
det aktuelle blodsukker.
Forord<br />
Denne opgave er et bachelor-projekt i Medicin & Teknologi ved <strong>Danmarks</strong> <strong>Tekniske</strong><br />
Universitet (DTU). Projektet er blevet til i et samarbejde imellem Institut<br />
<strong>for</strong> In<strong>for</strong>matik og <strong>Matematisk</strong> <strong>Model</strong>lering (IMM) p˚a DTU, Endokrinologisk<br />
Afdeling p˚a Hvidovre Hospital og Klinisk Fysiologisk og Nuklear Medicinsk Afdeling<br />
p˚a Hvidovre Hospital. Skriveprocessen har varet fra 1. marts 2009 til 31.<br />
juli 2009, men <strong>for</strong>ud her<strong>for</strong> er g˚aet mange m˚aneder med planlægning af nærværende<br />
projekt.<br />
Da jeg i august 2008 kom p˚a idéen til at designe mit eget bachelor-projekt fra<br />
bunden, havde jeg i mit værste mareridt ikke <strong>for</strong>estillet mig hvor mange flaskehalse,<br />
der er undervejs i tilblivelsen af et projekt, der skal afvikles inden<strong>for</strong> en<br />
givet tidsramme.<br />
I august 08 fik jeg overtalt John Bagterp Jørgensen p˚a IMM til at vejlede<br />
mig under projektet p˚a den betingelse, at jeg selv etablerede kontakten til de<br />
p˚agældende afdelinger p˚a Hvidovre Hospital, som skulle inddrages i projektet.<br />
Overlæge Kirsten Nørgaard fra Endokrinologisk Afdeling var med fra begyndelsen,<br />
da afdelingen i <strong>for</strong>vejen samarbejder med IMM i et større projekt om<br />
diabetes (DIACON). I slutningen af september 08 fik jeg kontakt til overlæge<br />
Jan Lysg˚ard Madsen p˚a Klinisk Fysiologisk og Nuklear Medicinsk Afdeling,<br />
som gerne ville medvirke i projektet. I midten af november 08 holdt vi første<br />
møde med afdelingen, hvor vi aftalte, hvorledes projektet skulle <strong>for</strong>løbe. I løbet<br />
af december 08 og januar 09 blev der udarbejdet en <strong>for</strong>søgsprotokol, som blev<br />
sendt til godkendelse hos Videnskabsetisk komité i starten af februar 09. I Appendix<br />
F er alle dokumenterne vedrørende godkendelsen af <strong>for</strong>søget samlet. I<br />
slutningen af april 09 blev <strong>for</strong>søgsprotokollen godkendt. Herefter blev der fastsat<br />
datoer <strong>for</strong> 3 <strong>for</strong>søg med samme <strong>for</strong>søgsperson, s˚aledes at der kunne laves en<br />
sammenligning af effekten af hyperglykæmi, normoglykæmi og hypoglykæmi p˚a<br />
ventrikeltømningsfunktionen. Forsøgene var planlagt til at <strong>for</strong>eg˚a i slutningen af
vi<br />
juni 09 og starten af juli 09.<br />
Imidlertid g˚ar tingene desværre ikke altid, som man har planlagt. Det første<br />
<strong>for</strong>søg blev aflyst, da personalet fra Endokrinologisk Afdeling sad fast i den<br />
internationale lufttrafik. Det tredje <strong>for</strong>søg blev aflyst, da en akut fejl i gammakameraet<br />
p˚a Klinisk Fysiologisk og Nuklear Medicinsk Afdeling, ikke gjorde det<br />
muligt at gennemføre <strong>for</strong>søget den efterfølgende dag. Det lykkedes dog at gennemføre<br />
ét af de planlagte <strong>for</strong>søg, hvor <strong>for</strong>søgspersonens ventrikeltømning blev<br />
registreret, imens blodsukkeret var clampet p˚a normoglykæmi.<br />
Hele processen med at planlægge mit eget <strong>for</strong>søg fra bunden har været spændende,<br />
lærerig og frustrerende. Spændende <strong>for</strong>di jeg har <strong>for</strong>søgt at undersøge en<br />
hypotese, der ikke er andre, der har <strong>for</strong>sket i, lærerig <strong>for</strong>di jeg har f˚aet mange<br />
erfaringer omkring opbygning af og samarbejde omkring et projekt, og frustrerende<br />
<strong>for</strong>di tiden er en meget begrænsende faktor i alle henseender.<br />
Lyngby, Juli 2009<br />
Sabrina Lyngbye Wendt
Anerkendelse<br />
N˚ar man vælger at opbygge sit eget projekt fra bunden, kræver det en del mere<br />
af de mennesker, man involverer i løbet af hele processen. Der<strong>for</strong> vil jeg gerne<br />
benytte denne lejlighed til at takke alle dem, som har hjulpet mig undervejs i<br />
dette projekt.<br />
Først og fremmest vil jeg gerne takke min studiekammerat og <strong>for</strong>søgsperson Emil<br />
Gammelmark Schreiner Munk <strong>for</strong> at ville lægge krop til mine videnskabelige<br />
<strong>for</strong>søg.<br />
Tak til overlæge, dr. med. Kirsten Nørgaard fra Endokrinologisk Afdeling p˚a<br />
Hvidovre Hospital. Tak <strong>for</strong> din store indsats i at f˚a to afdelinger p˚a Hospitalet<br />
til at samarbejde og tak <strong>for</strong> dit engagement i mit projekt.<br />
Hernæst vil jeg gerne takke overlæge, dr. med. Jan Lysg˚ard Madsen fra Klinisk<br />
Fysiologisk og Nuklear Medicinsk Afdeling p˚a Hvidovre Hospital. Tak <strong>for</strong> din<br />
optimisme og dit engagement i projektet fra starten, og tak <strong>for</strong>di du har stillet<br />
din afdeling og dit personale, herunder medikoingeniør Stefan Fuglsang, til<br />
r˚adighed <strong>for</strong> mig og mit projekt.<br />
Jeg vil gerne takke 1. reservelæge, ph.d. Heidi Storgaard fra Endokrinologisk<br />
Afdeling p˚a Hvidovre Hospital. Tak <strong>for</strong>di du ville bidrage med din ekspertise<br />
omkring glykæmiske-clamps, og <strong>for</strong>di du har investeret meget af din tid i at<br />
<strong>for</strong>berede <strong>for</strong>søgene.<br />
Tak til professor Per Christian Hansen fra IMM <strong>for</strong> gode idéer til <strong>for</strong>bedring af<br />
kantfindingsalgoritmen herunder lavpasfiltrering af r˚adata.
viii<br />
Tak til Daniel Finan <strong>for</strong> at have lært mig at fitte modeller til data. Tak <strong>for</strong> din<br />
interesse og din nysgerrighed i mit projekt.<br />
Den største tak skal lyde til min vejleder, adjunkt John Bagterp Jørgensen <strong>for</strong><br />
at have troet p˚a min idé fra dag 1. Uden din vejledning og dit engagement var<br />
dette projekt aldrig blevet til noget. Tak <strong>for</strong>di du har støttet mig gennem hele<br />
processen og givet mig kyndig vejledning om ud<strong>for</strong>mningen af mit bachelorprojekt.
x Indhold
Indhold<br />
Abstract i<br />
Resumé iii<br />
Forord v<br />
Anerkendelse vii<br />
1 Introduktion 1<br />
2 Diabetes Mellitus 5<br />
2.1 Bugspytkirtlen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
2.2 Sygdommen diabetes mellitus . . . . . . . . . . . . . . . . . . . . 7<br />
2.3 Fordøjelsessystemet . . . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
2.4 Resume af Kapitel 2 . . . . . . . . . . . . . . . . . . . . . . . . . 15<br />
3 Nuklear medicin 17<br />
3.1 Gamma-str˚aling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18<br />
3.2 Technetium - 99m og Indium - 111 . . . . . . . . . . . . . . . . . 19<br />
3.3 Korrektion af data . . . . . . . . . . . . . . . . . . . . . . . . . . 20<br />
3.4 Resume af Kapitel 3 . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />
4 Kantfindingsprogram 25<br />
4.1 Programmets opbygning . . . . . . . . . . . . . . . . . . . . . . . 26<br />
4.2 Resultater . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35<br />
4.3 <strong>Mavesækkens</strong> tømning . . . . . . . . . . . . . . . . . . . . . . . . 37<br />
4.4 Resume af Kapitel 4 . . . . . . . . . . . . . . . . . . . . . . . . . 43
xii INDHOLD<br />
5 Forsøg med normoglykæmisk clamp 45<br />
5.1 Forsøgsprocedure . . . . . . . . . . . . . . . . . . . . . . . . . . . 46<br />
5.2 Resultater . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48<br />
5.3 7 modeller <strong>for</strong> mavesækkens tømning . . . . . . . . . . . . . . . . 48<br />
5.4 Sammenligning af de 7 modeller . . . . . . . . . . . . . . . . . . . 59<br />
5.5 Resume af Kapitel 5 . . . . . . . . . . . . . . . . . . . . . . . . . 61<br />
6 Simulering af <strong>for</strong>søgsscenarie 63<br />
6.1 Hovorka modellen . . . . . . . . . . . . . . . . . . . . . . . . . . . 63<br />
6.2 Implementering af model <strong>for</strong> bugspytkirtel . . . . . . . . . . . . . 66<br />
6.3 Simulering af clamp-<strong>for</strong>søg . . . . . . . . . . . . . . . . . . . . . . 70<br />
6.4 Diskussion af simulering af clamp-<strong>for</strong>søg . . . . . . . . . . . . . . 77<br />
6.5 Resume af Kapitel 6 . . . . . . . . . . . . . . . . . . . . . . . . . 79<br />
7 Konklusion 81<br />
A MATLAB kode til kantfindingsprogram 83<br />
B MATLAB kode til fit af data 89<br />
C MATLAB kode til behandling af <strong>for</strong>søgsdata 93<br />
D MATLAB kode til simulering af <strong>for</strong>søgsscenarie 101<br />
E Billeder fra <strong>for</strong>søg med normoglykæmisk clamp 115<br />
F Formelle dokumenter i <strong>for</strong>bindelse med klinisk <strong>for</strong>søg 119<br />
Litteratur 137
Kapitel 1<br />
Introduktion<br />
I over 30 ˚ar har <strong>for</strong>skere <strong>for</strong>søgt at lave en kunstig bugspytkirtel til patienter<br />
med diabetes [1, 2]. Inden <strong>for</strong> de sidste 10 ˚ar har modellerne til beskrivelse af<br />
kroppens glukosehomeostase taget <strong>for</strong>m og er efterh˚anden temmelig omfattende<br />
[13, 14, 22]. <strong>Model</strong>lerne bruges til at lave simuleringer af virkelige og hypotetiske<br />
scenarier <strong>for</strong> p˚a den m˚ade at give indsigt i, hvordan kroppens glukosehomeostase<br />
virker [37].<br />
N˚ar der laves videnskabelige <strong>for</strong>søg <strong>for</strong> at gøre de eksisterende modeller <strong>for</strong><br />
glukosemetabolisme efter et m˚altid bedre, fokuserer <strong>for</strong>skerne ofte p˚a, hvorledes<br />
glukosen i den indtagne føde bliver optaget i plasma [4]. Forskerne <strong>for</strong>søger<br />
derimod sjældent at klarlægge, hvorledes føden bevæger sig igennem den gastrointestinale<br />
kanal, inden den bliver optaget i plasma.<br />
Mange diabetikere oplever en <strong>for</strong>sinket tømning af mavesækkens indhold i <strong>for</strong>hold<br />
til ikke-diabetikere. Denne sygdom har f˚aet navnet gastroparese og skyldes,<br />
at der er opst˚aet neuropati i nerverne, som innerverer mavesækken. Dog kan dele<br />
af den <strong>for</strong>sinkede tømning ogs˚a <strong>for</strong>klares ved, at blodsukkeret p˚avirker mavesækkens<br />
tømning [12].<br />
Siden 70’erne har man vidst, at blodsukkeret har indflydelse p˚a mavesækkens<br />
tømningshastighed [19]. Schvarcz et al. har lavet flere <strong>for</strong>søg i løbet af 90’erne,<br />
som viser, at mavesækkens tømningshastighed er højere, n˚ar kroppen befinder<br />
sig i hypoglykæmi end i normoglykæmi [29, 30, 31]. I starten af 90’erne lavede<br />
man desuden flere <strong>for</strong>søg, der viste, at mavesækkens tømningshastighed er<br />
lavere, n˚ar kroppen befinder sig i hyperglykæmi end i normoglykæmi [9, 24].
2 Introduktion<br />
Figur 1.1: Illustration af Hovorka modellen med mulig feedback-mekanisme<br />
fra blodsukkeret til mavesækkens tømningshastighed. Uddybende <strong>for</strong>klaring af<br />
Hovorka modellen findes i Kapitel 6.<br />
Spørgsm˚alet er, om blodsukkeret p˚avirker ventrikeltømningen i en s˚adan grad,<br />
at man skal tage højde <strong>for</strong> dette i en model <strong>for</strong> mavesækkens tømning, se figur<br />
1.1.<br />
For at undersøge hypotesen om, at blodsukkeret i høj grad har indflydelse p˚a<br />
ventrikeltømningen, var den oprindelige plan at gennemføre 3 <strong>for</strong>søg med samme<br />
<strong>for</strong>søgsperson, hvor <strong>for</strong>søgspersonens ventrikeltømning blev registreret, mens<br />
blodsukkeret blev clampet p˚a hhv. 2.5 mmol/L (hypoglykæmi), 5 mmol/L (normoglykæmi)<br />
og 10 mmol/L (hyperglykæmi). Imidlertid var det kun muligt at<br />
gennemføre <strong>for</strong>søget med normoglykæmi. Dog kan ventrikeltømningen i normoglykæmi<br />
bestemmes ud fra dette ene <strong>for</strong>søg, idet mavesækkens tømning samt<br />
blodsukker og insulin respons er reproducerbart hos raske unge mænd [23].<br />
Selvom der kun er blevet gennemført ét <strong>for</strong>søg, kan der opstilles en model <strong>for</strong><br />
mavesækkens tømning. Dog er det ikke muligt at klarlægge, hvorledes parametrene<br />
i en s˚adan model afhænger af blodsukkeret, og dermed er det ikke muligt<br />
endnu at opstille et matematisk udtryk <strong>for</strong> mavesækkens tømning, som tager<br />
højde <strong>for</strong> et varierende blodsukker.<br />
Rapporten er opdelt i fem hovedkapitler. I Kapitel 2 findes en kort beskrivelse af
sygdommen diabetes mellitus samt en kort gennemgang af <strong>for</strong>døjelsessystemet<br />
herunder en detaljeret beskrivelse af de hormoner, som har indflydelse p˚a mavesækkens<br />
tømning. Herudover beskrives feedback-mekanismen imellem blodsukkeret<br />
og mavesækkens tømning i større detaljer, og der gives et bud p˚a hvilke hormoner,<br />
som kan være ˚arsag til ændringerne i mavesækkens tømningshastighed<br />
under hypoglykæmi og hyperglykæmi.<br />
I Kapitel 3 gives en introduktion til nuklear medicin med særlig fokus p˚a de<br />
to isotoper 99m Tc og 111 In, som bruges ved ventrikeltømningsundersøgelser p˚a<br />
Hvidovre Hospital. Desuden gives en beskrivelse af, hvorledes data fra s˚adanne<br />
ventrikeltømningsundersøgelser skal korrigeres <strong>for</strong> dæmpning, fysisk henfald og<br />
downscatter.<br />
I Kapitel 4 beskrives et kantfindingsprogram, som er udviklet til databehandling<br />
af data fra ventrikeltømningsundersøgelser. Herudover præsenteres <strong>for</strong>skellige<br />
eksisterende modeller <strong>for</strong> mavesækkens tømning, og disse modeller fittes til<br />
data fra en ordinær ventrikeltømningsundersøgelse.<br />
I Kapitel 5 gennemg˚as <strong>for</strong>søgsgangen, og resultatet fra <strong>for</strong>søget fremlægges. Desuden<br />
præsenteres 7 modeller til beskrivelse af mavesækkens tømning ved konstant<br />
blodsukker, og modellerne fittes til <strong>for</strong>søgsdata, hvorefter modellernes fit<br />
sammenlignes.<br />
I Kapitel 6 findes en gennemgang af Hovorka modellen sammen med implementering<br />
af en model <strong>for</strong> bugspytkirtlen fra Cobelli. Den modificerede model<br />
benyttes til at simulere de 3 <strong>for</strong>søgsscenarier, og resultaterne af simuleringerne<br />
diskuteres.<br />
3
4 Introduktion
Kapitel 2<br />
Diabetes Mellitus<br />
Det indre miljø i kroppen er meget følsomt over <strong>for</strong> ændringer i den kemiske<br />
sammensætning. Homeostase er kroppens m˚ade at opretholde et relativt konstant<br />
miljø p˚a ved hjælp af feedback-mekanismer. Ét af de miljøer i kroppen,<br />
som er underlagt homeostase, er blodsukkeret, som hos normale raske mennesker<br />
svinger ganske lidt. Blodsukkeret befinder sig i normalomr˚adet imellem 4-8<br />
mmol/L, kaldet euglykæmi eller normoglykæmi. N˚ar blodsukkeret ligger under<br />
normalomr˚adet, er der tale om hypoglykæmi, og n˚ar blodsukkeret ligger over<br />
normalomr˚adet, er der tale om hyperglykæmi.<br />
Ét af de meget vigtige stoffer, som er med til at regulere blodets glukoseindhold,<br />
er hormonet insulin, som dannes i bugspytkirtlen. Nogle mennesker er ikke<br />
i stand til selv at danne insulin eller reagerer utilstrækkeligt p˚a den dannede<br />
insulin, og disse mennesker f˚ar stillet diagnosen diabetes mellitus, sukkersyge.<br />
Diabetes mellitus er en alvorlig sygdom, som rammer unge s˚avel som ældre.<br />
Hvis sygdommen ikke behandles optimalt, har det alvorlige konsekvenser <strong>for</strong><br />
patienten, som kan risikere at udvikle en række følgesygdomme. D˚arlig glykæmisk<br />
kontrol kan medføre større og mindre karskader, som i sidste ende kan<br />
føre til blindhed, amputationer, dialysebehov samt stor risiko <strong>for</strong> blodpropper.<br />
I dag reguleres diabetes manuelt af den enkelte diabetiker med infusion af en<br />
passende mængde insulin, men i fremtiden vil det m˚aske være muligt at skabe<br />
en kunstig bugspytkirtel, som ved hjælp af avancerede matematiske modeller vil<br />
kunne gøre livet lettere <strong>for</strong> diabetikere verden over.
6 Diabetes Mellitus<br />
Figur 2.1: Illustration af bugspytkirtel [SmartDraw].<br />
2.1 Bugspytkirtlen<br />
Bugspytkirtlen best˚ar af en eksokrin kirtel og en endokrin kirtel. Den eksokrine<br />
kirtel producerer <strong>for</strong>døjelsesenzymer, som secerneres til tolvfingertarmen, og<br />
den endokrine kirtel producerer hormoner, som secerneres til kredsløbet, se figur<br />
2.1. Den endokrine kirtel best˚ar af Langerhanske øer, som er opdelt i glucagon<br />
producerende α-celler (20 %) og insulin producerende β-celler (75 %). Hormonet<br />
insulin frigives fra bugspytkirtlen umiddelbart efter et m˚altid og medfører blandt<br />
andet et øget glukoseoptag og en øget glukogensyntese i muskelvæv, knoglevæv<br />
og fedtvæv. Desuden medfører insulin et øget glukoseoptag i kroppens mæthedscenter,<br />
som derved registrerer mæthed. Ved et fravær af insulin vil kroppen<br />
have øget sult, idet der ikke optages glukose af mæthedscenteret [32].<br />
Tilstandene hypo- og hyperglykæmi har modsat effekt p˚a insulinsekretionen. Et<br />
lavt blodsukker hæmmer insulinsekretionen, mens et højt blodsukker stimulerer<br />
insulinsekretionen. Forhøjet blodsukkerniveau øger sekretionen af insulin, som<br />
medfører et øget glukoseoptag i de <strong>for</strong>skellige væv s˚aledes, at blodsukkeret sænkes,<br />
og kroppen nærmer sig euglykæmi. Blodets glukoseindhold og insulinindhold<br />
har modsat virkning p˚a hinanden, og der er tale om en negativ feedbackmekanisme,<br />
der sikrer, at blodsukkeret <strong>for</strong>bliver inden<strong>for</strong> normalomr˚adet.
2.2 Sygdommen diabetes mellitus 7<br />
2.2 Sygdommen diabetes mellitus<br />
Der skelnes imellem flere typer af sygdommen diabetes mellitus, hvoraf de hyppigst<br />
<strong>for</strong>ekommende er:<br />
Type 1 - autoimun destruktion af de insulinproducerende β-celler<br />
Type 2 - insufficient produktion af insulin som følge af nedsat insulinfølsomhed<br />
Disse to typer af diabetes mellitus vil blive omtalt yderligere i afsnit 2.2.1<br />
og 2.2.2. Fælles <strong>for</strong> de to typer af diabetes er, at de kan medføre en række<br />
følgesygdomme, hvis blodsukkeret gennemsnitligt ligger <strong>for</strong> højt. Kroppens<br />
større og mindre blodkar er meget følsomme over<strong>for</strong> <strong>for</strong>højet blodsukker, og en<br />
d˚arligt reguleret diabetes vil dermed medføre karskader.<br />
Karskader i nerverne kaldes <strong>for</strong> neuropati og medfører funktions<strong>for</strong>styrrelser.<br />
Der kan ligeledes udvikle sig neuropatiske fods˚ar, som kan medføre at foden m˚a<br />
amputeres.<br />
Skader i de sm˚a blodkar i øjnene kaldes <strong>for</strong> retinopati og medfører sm˚a karlæsioner<br />
i retina, som i værste fald kan føre til blindhed. P˚a denne baggrund<br />
undersøges diabetikere ˚arligt <strong>for</strong> at <strong>for</strong>hindre tab af synet.<br />
Karskader i nyrerne kaldes <strong>for</strong> nefropati og medfører en øget udskillelse af proteinet<br />
albumin i urinen. Albumin har indflydelse p˚a blodets viskositet og osmotiske<br />
tryk ved at fungere som en buffer. Hvis der udskilles store mængder albumin i<br />
urinen, kan man f˚a behov <strong>for</strong> dialyse eller en nyretransplantation.<br />
Desuden kan der ske skader p˚a de større kar i <strong>for</strong>m af arteriosklerose (= ˚are<strong>for</strong>kalkning),<br />
som giver høj risiko <strong>for</strong> blodpropper i hjertet og hjernen [28].<br />
2.2.1 Type 1<br />
Diabetes Type 1 rammer oftest normal- eller undervægtige [28]. Sygdommen<br />
skyldes nedsat eller helt ophørt produktion af insulin fra β-cellerne i bugspytkirtlen<br />
som følge af en autoimun destruktion af de Langerhanske øers β-celler.<br />
Der opst˚ar først symptomer p˚a diabetes mellitus, n˚ar ca. 90 % af β-cellerne er<br />
ødelagt [32].<br />
Behandlingen af Type 1 best˚ar af daglige insulininjektioner resten af livet, samtidig<br />
med at der sættes fokus p˚a motion og kostens indhold af kulhydrater.
8 Diabetes Mellitus<br />
2.2.2 Type 2<br />
Risikoen <strong>for</strong> at f˚a diabetes Type 2 stiger ved overvægt, <strong>for</strong>højet blodtryk og<br />
faldende fysisk aktivitet (dvs. reduceret muskelmasse og øget fedtmasse) [28].<br />
Sygdommen skyldes, at der er opst˚aet et mis<strong>for</strong>hold imellem kroppens insulinbehov<br />
og kroppens insulinsecerneringskapacitet. Med andre ord er insulinbehovet<br />
steget som følge af nedsat insulinfølsomhed, men insulinsecerneringen er ikke<br />
tilsvarende fulgt med. N˚ar sygdommen rammer normalvægtige, skyldes det ofte<br />
en lidt reduceret insulinfølsomhed, mens der hos svært overvægtige ses decideret<br />
insulinresistens.<br />
Behandlingen af Type 2 best˚ar i vægttab, motion og ved behov perorale diabetika<br />
eller daglige insulininjektioner.<br />
2.3 Fordøjelsessystemet<br />
Kroppen best˚ar af en række livsnødvendige organer herunder de organer som<br />
tilsammen udgør den gastrointestinale kanal, se figur 2.2. Den gastrointestinale<br />
kanal er en del af <strong>for</strong>døjelsessystemet og best˚ar af mavesækken og tarmene<br />
samt deres biorganer: Leveren, galdeblæren og bugspytkirtlen. Madens vej fra<br />
føde i mavesækken til glukose i blodet er indviklet og ikke fuldt ud <strong>for</strong>st˚aet.<br />
I mavesækken sker dels en lagring af mad, blanding af mad med mavesaft og<br />
nedbrydning af mad til partikler i størrelsesordenen af 1-2 mm [12]. <strong>Mavesækkens</strong><br />
indhold tømmes efterfølgende ud i tolvfingertarmen, hvor det blandes med<br />
<strong>for</strong>døjelsesenzymer fra galdeblæren og bugspytkirtlen. Tolvfingertarmen er det<br />
sted i <strong>for</strong>døjelsessystemet, hvor der sker den største <strong>for</strong>døjelse og absorption af<br />
næringsstoffer og vand til blodbanen.<br />
Der er en række faktorer, som har betydning <strong>for</strong>, hvor hurtigt maden passerer<br />
igennem <strong>for</strong>døjelsessystemet og omdannes til glukose i blodet blandt andet<br />
madens næringssammensætning og volumen [32]. Eksempelvis tømmes frie<br />
fedtsyrer langsommere end triglycerider [17]. Disse faktorer medfører s˚avel lokale<br />
innervationer som globale hormonelle <strong>for</strong>andringer, der i sidste ende p˚avirker<br />
<strong>for</strong>døjelseshastigheden. I hele denne proces har mavesækkens tømningshastighed<br />
en afgørende betydning <strong>for</strong> glukosens absorptionshastighed i plasma. <strong>Tømning</strong>shastigheden<br />
reguleres s˚aledes, at <strong>for</strong>døjelsen og absorptionen af næringsstoffer<br />
er optimal. Desuden har det vist sig, at der er en negativ feedback-mekanisme<br />
imellem mavesækkens tømningshastighed og blodsukkeret [12].
2.3 Fordøjelsessystemet 9<br />
Figur 2.2: Illustration af organerne i den gastrointestinale kanal [SmartDraw].<br />
2.3.1 <strong>Mavesækkens</strong> tømning<br />
Forud <strong>for</strong> et m˚altid <strong>for</strong>bereder kroppen sig p˚a at modtage m˚altidet. Dette sker<br />
ved, at synkebevægelser i svælget stimulerer n. vagus (den 10. kranienerve), som<br />
innerverer mavesækken, hvis muskulatur bliver afslappet. Derudover medfører<br />
tanke om mad, lugt af mad og smag af mad øget sekretion til mavesækken af<br />
slim, saltsyre (HCl) samt enzymet pepsinogen, som nedbryder proteiner. Desuden<br />
øges udskillelsen af hormonet gastrin til blodet [8].<br />
I mavesækkens muskulatur findes celler, som reagerer p˚a at blive strakt. Det be-
10 Diabetes Mellitus<br />
tyder, at s˚a snart maden n˚ar mavesækken, stimuleres cellerne i mavesækken til at<br />
øge udskillelsen af HCl og pepsinogen samtidig med, at kontraktionerne i mavesækkens<br />
muskulatur øges; disse faktorer øger mavesækkens tømningshastighed.<br />
Derudover øges den lokale udskillelse af histamin, som øger HCl. Hormonet gastrin,<br />
som primært er blevet udskilt inden m˚altidet, øger udskillelsen af HCl og<br />
pepsinogen samtidig med, at kontraktionerne i muskulaturen øges. For at sikre<br />
at pH-værdien i mavesækken ikke bliver <strong>for</strong> lav, stimulerer HCl udskillelsen<br />
af hormonet somastostatin, som hæmmer udskillelsen af HCl, gastrin og histamin<br />
[5]. Somastostatin nedsætter derved mavesækkens tømningshastighed, idet<br />
udskillelsen af HCl og pepsinogen mindskes, og kontraktionerne i muskelvævet<br />
bliver færre [8].<br />
N˚ar maden n˚ar tolvfingertarmen, nedsættes gastrinproduktionen og stimulationen<br />
af muskelkontraktionerne i ventriklens væg. Derudover øges udskillelsen<br />
af vasoaktivt intestinalt hormon (VIP), som nedsætter udskillelsen af HCl og<br />
dermed hæmmer mavesækkens tømning. Hvis maden i duodenum har et højt<br />
indhold af næringsstoffer, øges udskillelsen af cholecystokinin (CCK) og gastric<br />
inhibitory peptide (GIP). CCK hæmmer sekretion af HCl, pepsinogen og gastrin<br />
samt øger udskillelsen af VIP [15]. GIP hæmmer ligeledes udskillelse af<br />
HCl og pepsinogen. Derudover hæmmes muskelkontraktioner i mavesækken af<br />
GIP, mens secerneringen af insulin øges. B˚ade CCK og GIP bidrager s˚aledes<br />
til at hæmme mavesækkens tømning. En <strong>for</strong> lav pH-værdi i duodenum øger<br />
udskillelsen af hormonet sekretin, som hæmmer udskillelsen af HCl og pepsinogen<br />
og dermed modreguleres mavesækkens lave pH-værdi samtidig med, at<br />
sekretin er med til at hæmme mavesækkens tømning. Hvis maden i tarmen<br />
indeholder store mængder utilstrækkeligt nedbrudt protein, øges sekretionen<br />
af gastrin, som jo netop øger udskillelsen af det proteinnedbrydende enzym<br />
pepsinogen. Ud over de nævnte hormoner p˚avirkes tømningen af peptid YY<br />
(PYY) og hormonet glucagon-like-peptide-1 (GLP-1). PYY hæmmer mavesækkens<br />
tømning ved blandt andet at hæmme HCl udskillelsen [15], mens GLP-1<br />
øger insulin secerneringen og <strong>for</strong>sinker tømningen [27]. Sammen med insulin secerneres<br />
hormonet amylin fra bugspytkirtlen, og dette hormon hæmmer mavesækkens<br />
tømning [33]. Hormonet glucagon hæmmer ligeledes tømningshastigheden<br />
[30]. Insulin har derimod ingen direkte effekt p˚a mavesækkens tømningshastighed<br />
[9].<br />
Imellem m˚altiderne sørger hormonet motilin <strong>for</strong>, at der ikke sidder føde tilbage<br />
i <strong>for</strong>døjelsessystemet ved ca. hvert 90. min at stimulere til kontraktioner<br />
i mavesækkens muskelvæv [11]. Selvom motilin medfører øget kontraktioner i<br />
mavesækken, er motilin ikke umiddelbart et hormon, som øger mavesækkens<br />
tømningshastighed [30].<br />
Der findes især to hormoner, som har indflydelse p˚a appetitten: leptin og ghrelin.<br />
Hormonet leptin mindsker appetitten og kontrollerer kroppens fedtindhold. Desuden<br />
hæmmer leptin neuropeptid Y (NPY), som er kendt <strong>for</strong> at øge fødeindtaget.<br />
Hormonet ghrelin har kun været kendt i 10 ˚ar, og der<strong>for</strong> er dets funktion ikke<br />
fuldt ud <strong>for</strong>st˚aet. Man ved dog, at ghrelin øger appetitten i lighed med NPY.
2.3 Fordøjelsessystemet 11<br />
Fra nyere <strong>for</strong>skning ved man desuden, at ghrelin øger mavesækkens tømning hos<br />
b˚ade rotter og mennesker [3, 16]. Under studier af mavesækkens tømning har<br />
man fundet, at plasmakoncentrationen af GLP-1 og CCK var højere ved infusion<br />
af ghrelin end uden [16]. Dette er m˚aske udtryk <strong>for</strong> en feedback-mekanisme, som<br />
skal hæmme ghrelins effekt i <strong>for</strong>hold til mavesækkens tømningshastighed.<br />
For at opsummere ovenst˚aende er hormonerne samlet i tabel 2.1, hvor det<br />
fremg˚ar om hormonet hæmmer, fremmer eller er neutralt i <strong>for</strong>hold til mavesækkens<br />
tømningshastighed. Ligeledes er der knyttet kommentarer til nogle af<br />
hormonerne.<br />
Hormon Kommentarer<br />
gastrin Ikke signifikant højere i hypoglykæmi sammenlignet med<br />
normoglykæmi [30]<br />
somastostatin Lavere i hypoglykæmi end i normoglykæmi [30]<br />
VIP<br />
CCK Kan stimulere n. vagus direkte til at hæmme mavesækkens<br />
tømning [6]<br />
GIP Højere i normoglykæmi end i hyperglykæmi [34]<br />
sekretin<br />
PYY<br />
GLP-1 Højere i normoglykæmi end i hyperglykæmi [34]<br />
glucagon Højere i hypoglykæmi end i normoglykæmi [30]<br />
og højere i normoglykæmi end i hyperglykæmi [34]<br />
amylin<br />
insulin Ingen direkte effekt p˚a ventrikeltømningen [9]<br />
motilin Ikke signifikant <strong>for</strong>skellig i hypoglykæmi sammenlignet med<br />
normoglykæmi [30]<br />
leptin<br />
ghrelin<br />
NPY Tendens til at være højere i hypoglykæmi end i<br />
normoglykæmi [30]<br />
Tabel 2.1: Oversigt over hormoner som har indflydelse p˚a mavesækkens tømning.<br />
De røde hæmmer tømning, de grønne fremmer tømning og de sorte er neutrale.<br />
2.3.2 Blodsukkerets indflydelse p˚a mavesækkens tømning<br />
P˚a trods af at de mekanismer, som regulerer mavesækkens tømning, endnu ikke<br />
er fuldt ud <strong>for</strong>st˚aet, er det dog en kendsgerning, at der er en sammenhæng imellem<br />
kroppens blodsukkerniveau og mavesækkens tømningshastighed, se figur<br />
2.3 [12]. Ved et <strong>for</strong>søg med type 1 diabetikere har man fundet, at mavesækkens<br />
tømningshastighed blev nedsat ved akut hyperglykæmi (BS 16-20 mmol/L) i
12 Diabetes Mellitus<br />
Figur 2.3: Negativ feedback imellem blodsukkeret og mavesækkens<br />
tømningshastighed [SmartDraw].<br />
<strong>for</strong>hold til ved euglykæmi (BS 4-8 mmol/L) [9], se figur 2.4. Tilsvarende resultater<br />
er opn˚aet med raske <strong>for</strong>søgspersoner [24]. Derimod har man fundet at<br />
tømningshastigheden steg betragteligt ved hypoglykæmi hos b˚ade raske og diabetikere<br />
[29, 31]. Denne negative feedback-mekanisme er ganske smart, idet den<br />
minimerer udsvinget i blodsukkeret efter et m˚altid. Hvis kroppen registrerer<br />
et afvigende blodsukker, vil den <strong>for</strong>søge at f˚a blodsukkeret tilbage p˚a det normale<br />
niveau fx ved at justere p˚a mavesækkens tømningshastighed. Hvis blodsukkeret<br />
s˚aledes er <strong>for</strong> højt, er der ingen grund til at pumpe mere sukker ud<br />
i systemet, s˚adan at blodsukkeret stiger yderligere; der<strong>for</strong> nedsættes mavens<br />
tømningshastighed ved <strong>for</strong>højet blodsukker. Derimod vil et lavt blodsukker betyde,<br />
at kroppen har brug <strong>for</strong> at f˚a øget mængden af sukker i blodet, og kroppen<br />
vil øge antallet af kontraktioner i mavesækken s˚aledes, at mavesækken tømmes<br />
hurtigere [32].<br />
Herudover p˚avirker blodsukkeret kroppens mæthedscenter, s˚adan at kroppen<br />
under hyperglykæmi føler sig mere mæt end under euglykæmi [12], samtidig m˚a<br />
det <strong>for</strong>ventes, at kroppen <strong>for</strong>nemmer sult under hypoglykæmi, selv n˚ar mavesækken<br />
er fuld.
2.3 Fordøjelsessystemet 13<br />
Figur 2.4: Individuelle værdier hos type 1 diabetikere <strong>for</strong> tømning af fast føde<br />
udtrykt som tid <strong>for</strong> tømning af 50% ved euglykæmi (venstre) og hyperglykæmi<br />
(højre). Det skraverede omr˚ade indikerer normalomr˚adet <strong>for</strong> b˚ade eu- og<br />
hyperglykæmi <strong>for</strong> 22 kontrolpersoner, fra [9].<br />
2.3.3 Hormonernes indflydelse p˚a mavesækkens tømning<br />
under hyperglykæmi og hypoglykæmi<br />
Som beskrevet i afsnit 2.3.1 er der utrolig mange hormoner, som har indflydelse<br />
p˚a mavesækkens tømningshastighed. P˚a grund af den komplekse sammensætning<br />
af hormoner i kroppen har man endnu ikke klarlagt hvilke hormoner, der<br />
medfører en øget tømningshastighed under hypoglykæmi og hvilke hormoner,<br />
som medfører en nedsat tømningshastighed under hyperglykæmi.<br />
Der er mange hormoner, der hæmmer mavesækkens tømning, og der<strong>for</strong> er der<br />
mange muligheder <strong>for</strong> hvilket hormon, der er hoved˚arsag til den langsomme<br />
tømning under hyperglykæmi. Der er dog nogle hormoner, som det ikke lader<br />
til at være. Fælles <strong>for</strong> GIP, GLP-1 og glucagon er, at koncentrationerne er<br />
højere under euglykæmi end under hyperglykæmi, hvilket taler imod at disse<br />
hormoner, som normalt hæmmer tømningen, er skyld i den langsomme tømning<br />
under hyperglykæmi. Grunden til at koncentrationerne af GIP og GLP-1 er<br />
lavere under hyperglykæmi end under euglykæmi, kan være den langsomme<br />
tømningshastighed, det <strong>for</strong>højede insulinniveau eller direkte p˚avirkning af glukose<br />
p˚a udskillelsen af de to hormoner [34]. Glucagonniveauet er naturligvis lavere<br />
under hyperglykæmi end under euglykæmi, <strong>for</strong>di glucagon normalt er et hormon,<br />
der f˚ar blodsukkeret til at stige, og det er imod kroppens ønske om homeostase,
14 Diabetes Mellitus<br />
at blodsukkeret skal øges under hyperglykæmi.<br />
Umiddelbart virker det mest sandsynligt, at det er somastostatin og/eller CCK,<br />
som er ˚arsag til den <strong>for</strong>sinkede tømning under hyperglykæmi. Dette bekræftes<br />
af, at somastostatinniveauet er højere under normoglykæmi end under hypoglykæmi<br />
[30]. CCK hæmmer alle de faktorer, som normalt fremmer mavesækkens<br />
tømning, og der<strong>for</strong> kunne CCK ogs˚a spille en vigtig rolle i <strong>for</strong>hold til den langsomme<br />
tømning under hyperglykæmi.<br />
Der er kun f˚a hormoner, som fremmer mavesækkens tømning, og via <strong>for</strong>skning<br />
har man fundet ud af, at flere af disse hormoner ikke har nogen indflydelse p˚a<br />
den øgede tømningshastighed under hypoglykæmi. Dette gælder <strong>for</strong> motilin og<br />
gastrin, som normalt øger muskelkontraktionerne i mavesækken [30]. N˚ar motilin<br />
og gastrin er udelukket, er der kun én mulighed tilbage: at ghrelin øger<br />
mavesækkens tømningshastighed under hypoglykæmi. Der er dog desværre ikke<br />
noget <strong>for</strong>søg, som beskriver ghrelinkoncentrationerne under eu- og hypoglykæmi<br />
og derved ingen <strong>for</strong>søg, som kan be- eller afkræfte hypotesen om, at ghrelinniveauet<br />
er højere under hypoglykæmi end under euglykæmi.<br />
Hvis ghrelin ikke har indflydelse p˚a den øgede tømningshastighed under hypoglykæmi,<br />
m˚a den øgede tømning skyldes, at de hormoner, som normalt hæmmer<br />
tømningen, bliver hæmmet af det lave glukoseindhold i blodet.<br />
2.3.3.1 Diabetes’ indflydelse p˚a mavesækkens tømning<br />
I lægeverdenen opfattes en <strong>for</strong>sinket tømning af mavesækken som en hyppig og<br />
vigtig komplikation i <strong>for</strong>bindelse med diabetes mellitus kaldet diabetisk gastroparese.<br />
Det er dog ikke alle diabetikere, som lider af abnormt langsom tømning;<br />
i mange tilfælde er tømningen af fast og flydende kun en smule <strong>for</strong>sinket [12].<br />
Den <strong>for</strong>sinkede tømning kan dog føre til, at insulin-behandlede diabetikere havner<br />
i hypoglykæmi, da den <strong>for</strong>sinkede tømning gør det svært at time insulininjektionen<br />
[18].<br />
Spørgsm˚alet er, om de diabetikere, som oplever en <strong>for</strong>sinket tømning af mavesækken,<br />
har en decideret dysfunktion, eller om den hyperglykæmi, som de oplever<br />
efter et m˚altid, er ˚arsagen til den nedsatte tømningshastighed [18]. Desværre<br />
er der oftest kun blevet lavet ventrikeltømnings<strong>for</strong>søg med diabetikere under hyperglykæmi,<br />
som jo netop skulle hæmme mavesækkens tømning, eller <strong>for</strong>søgene<br />
er <strong>for</strong>eg˚aet uden m˚aling af blodsukkeret undervejs. Man ved der<strong>for</strong> endnu ikke,<br />
om den <strong>for</strong>sinkede tømning hos diabetikere afhænger af tømningshastigheden<br />
under euglykæmi eller skyldes en dysfunktion i reguleringen af mavesækkens<br />
tømningshastighed.<br />
Hvis der igennem længere tid har været d˚arlig glykæmisk kontrol, kan der være<br />
udviklet neuropati, hvorved der er opst˚aet karskader p˚a nogle af de nerver,<br />
som innerverer mavesækken, og som regulerer dens tømningshastighed. Begge<br />
muligheder virker plausible, og kun fremtidig <strong>for</strong>skning vil kunne afgøre, om en
2.4 Resume af Kapitel 2 15<br />
<strong>for</strong>sinket tømning af mavesækken hos en diabetiker er en egentlig sygdom eller<br />
en konsekvens af det eleverede blodsukker efter et m˚altid.<br />
2.4 Resume af Kapitel 2<br />
Diabetes mellitus er en sygdom, som betyder, at kroppen mangler evnen til at<br />
producere insulin eller ikke producerer tilstrækkeligt til at kunne regulere blodsukkeret<br />
og opretholde homeostase.<br />
Som beskrevet i det <strong>for</strong>løbne kapitel har kroppen flere m˚ader at styre blodsukkeret<br />
p˚a i <strong>for</strong>bindelse med et m˚altid. De to vigtigste er regulering af insulin<br />
secerneringen og regulering af mavesækkens tømning. Ved hyperglykæmi<br />
vil kroppen øge secerneringen af insulin og samtidig nedsætte mavesækkens<br />
tømningshastighed, og ved hypoglykæmi vil kroppen mindske insulin secerneringen<br />
og samtidig øge mavesækkens tømningshastighed. Diabetikere mangler<br />
evnen til selv at producere tilstrækkelig insulin, og de kan der<strong>for</strong> kun regulere<br />
blodsukkeret ved at regulere mavesækkens tømningshastighed. Dette kan m˚aske<br />
være en <strong>for</strong>klaring p˚a, hvor<strong>for</strong> mange diabetikere har <strong>for</strong>sinket tømning i <strong>for</strong>hold<br />
til ikke diabetikere.<br />
Man ved endnu ikke hvilke mekanismer, der medfører, at blodsukkeret p˚avirker<br />
mavesækkens tømningshastighed. M˚aske medfører et <strong>for</strong>højet blodsukker øget<br />
udskillelse af hormonerne somastostatin og CCK, som hæmmer tømningen,<br />
mens et lavt blodsukker m˚aske medfører øget secernering af ghrelin, som fremmer<br />
tømningen. Det er bestemt ogs˚a en mulighed, at blodsukkeret p˚avirker<br />
nervesystemet direkte til at ændre p˚a mavesækkens tømningshastighed.
16 Diabetes Mellitus
Kapitel 3<br />
Nuklear medicin<br />
Nuklear medicin er defineret som brugen af radioaktive isotoper til diagnosticering<br />
og behandling af sygdomme. Diagnosticering med nuklear medicin sker ved<br />
at danne et billede ved hjælp af et gammakamera, SPECT (= Single Photon<br />
Emission Computed Tomography) eller PET (= Positron Emission Tomography).<br />
Af disse tre billeddannelsesmodaliteter er skintigrafi med gammakamera<br />
den mest simple, mens SPECT og PET involverer avancerede beregninger p˚a<br />
en computer, der resulterer i et tredimensionelt billede. Værdien af en pixel i<br />
det dannede billede afspejler, hvor mange radioaktive henfald der er registreret<br />
kommende fra det punkt.<br />
Nuklear medicin fokuserer p˚a kroppens funktionelle egenskaber i modsætning<br />
til radiologi (fx røntgen, CT) og magnetisk resonans (MRI), som fokuserer p˚a<br />
kroppens anatomi. Nuklear medicinens fysiologiske indgangsvinkel kan bruges<br />
til at se, hvorledes et stof <strong>for</strong>deler sig i kroppens organer eller væv.<br />
I det følgende vil der blive givet en kort introduktion til nuklear medicin med<br />
fokus p˚a isotoperne Technetium - 99m og Indium - 111 samt skintigrafi med<br />
gammakamera. For yderligere litteratur omkring emnet henvises til [25, 26].
18 Nuklear medicin<br />
3.1 Gamma-str˚aling<br />
Figur 3.1: Radioaktivt henfald.<br />
Atomer, hvis kerner ikke har en stabil kombination af protoner og neutroner,<br />
vil med tiden henfalde, s˚aledes at kernen bliver mere stabil. Overordnet set er<br />
henfaldet af radioaktive stoffer en tilfældig proces med konstant sandsynlighed<br />
<strong>for</strong>, at et stof vil henfalde inden <strong>for</strong> et givet tidsrum. Mængden af radioaktivitet<br />
m˚ales i enheden becquerel (Bq), som betegner antal henfald pr. sekund. Hastigheden,<br />
hvormed et radioaktivt stof henfalder, er karakteristisk <strong>for</strong> det enkelte<br />
stof. Tiden, det tager <strong>for</strong> halvdelen af atomerne at henfalde, kaldes halveringsti-<br />
og<br />
den og betegnes T 1<br />
2<br />
. Omvendt er trans<strong>for</strong>mationskonstanten λ givet ved ln2<br />
T 1 2<br />
betegner sandsynligheden <strong>for</strong>, at et atom vil henfalde inden<strong>for</strong> et givet tidsrum<br />
[25]. Isotoper, som bruges i nuklear medicinsk sammenhæng, har henfaldstider,<br />
som varierer fra f˚a sekunder til flere dage. Isotopen bør vælges s˚aledes, at<br />
henfaldstiden er sammenlignelig med undersøgelsens varighed <strong>for</strong> at minimere<br />
mængden af str˚aling til patienten [25]. Mængden af str˚aling bør altid minimeres,<br />
idet radioaktivitet kan <strong>for</strong>˚arsage vævsskader og p˚a længere sigt være ˚arsag til<br />
udvikling af kræft. Mængden af str˚aling m˚ales i enheden Sievert (Sv), som i<br />
SI-enheder er givet ved Joule pr. kilogram (J/kg).<br />
Radioaktive isotoper henfalder ved, at kernen udsender en ladet partikel (oftest<br />
β + eller β − ) eller ved, at kernen indfanger en elektron, s˚aledes at <strong>for</strong>holdet<br />
imellem protoner og neutroner ændres, og der dannes et nyt grundstof. Efter<br />
om<strong>for</strong>mningen kan atomet befinde sig i en exciteret tilstand, som henfalder til<br />
grundtilstanden ved at udsende γ-str˚aling, se figur 3.1.<br />
γ-str˚aler er elektromagnetiske str˚aler, fotoner, med energier over 10 4 eV, hvor 1<br />
eV svarer til 1.6 · 10 −19 J. I modsætning til røntgenstr˚aling stammer γ-str˚aling<br />
som beskrevet fra kernerne i de radioaktive atomer. Herudover har γ-str˚aler<br />
diskrete energier, som afhænger af energi<strong>for</strong>skellen imellem de to tilstande, som<br />
datter-atomet skifter imellem, se figur 3.2.
3.2 Technetium - 99m og Indium - 111 19<br />
Figur 3.2: Udsendelse af γ-str˚ale efter β − henfald.<br />
3.2 Technetium - 99m og Indium - 111<br />
En af de mest brugte radioaktive isotoper i nuklear medicinske sammenhænge<br />
er Technetium - 99m. 99mTc er et datter-produkt af Molybdenum - 99. Molybdenum<br />
henfalder hovedsageligt ved, at en neutron omdannes til en proton og<br />
en elektron, hvorefter elektronen udsendes fra kernen i <strong>for</strong>m af β− henfald. Ved<br />
denne omdannelse øges antallet af protoner i kernen, mens det samlede antal af<br />
protoner og neutroner <strong>for</strong>bliver uændret, herved bliver 99<br />
42Mo til 99m<br />
43 Tc. Isoto-<br />
pen 99m Tc kaldes meta-stabil, idet den har en halveringstid p˚a lidt over 6 timer.<br />
99m Tc kan henfalde til sin grundtilstand 99 Tc p˚a flere m˚ader, se figur 3.3. Ved<br />
hvert henfald udsendes en foton, som har en energi svarende til <strong>for</strong>skellen imellem<br />
de to energistadier. Dog er det kun fotonen, som udsendes ved henfaldet<br />
fra 140.5 keV til grundtilstanden, som kan registreres, idet de to andre henfald<br />
underg˚ar IC (= internal conversion). IC er, n˚ar den udsendte foton fra kernen<br />
overfører al sin energi til en bunden elektron, som derefter udsendes fra atomet.<br />
I tabel 3.1 ses en oversigt over hvilke henfald, der er mest hyppige samt hvor<br />
stor en del af disse henfald, der sker ved IC. Desuden ses fotonernes energi ved<br />
de enkelte henfald [25].<br />
Radiation Mean number/ trans<strong>for</strong>mation Energy (keV)<br />
γ1 0.99 (100% IC) 2.1<br />
γ2 0.99 (11% IC) 140.5<br />
γ3 0.01 (100% IC) 142.6<br />
Tabel 3.1: Oversigt over henfald af 99m Tc, modificeret fra [25].<br />
En anden isotop, som ofte bruges i nuklear medicin, er Indium - 111. Isotopen
20 Nuklear medicin<br />
Figur 3.3: Henfald af Technetium - 99m.<br />
111In har en halveringstid p˚a omkring 2.83 dage og henfalder ved at indfange en<br />
elektron, hvorefter den indfangne elektron og en proton smelter sammen til en<br />
neutron. Herved bliver 111<br />
49 In til isotopen 111<br />
48 Cd. Cadmium - 111 befinder sig i<br />
en exciteret tilstand og henfalder omg˚aende til grundtilstanden ved at udsende<br />
γ-str˚aler med energier p˚a 173 keV og 247 keV. Omkring 10 % af γ-str˚alerne med<br />
energien 173 keV underg˚ar IC, mens 6 % af γ-str˚alerne med energien 247 keV<br />
underg˚ar IC.<br />
3.3 Korrektion af data<br />
Data fra nuklear medicinske undersøgelser, der involverer brug af to radioaktive<br />
isotoper fx 99m Tc og 111 In, bør korrigeres <strong>for</strong> følgende tre størrelser: dæmpning,<br />
fysisk henfald og cross talk [20]. I det følgende beskrives, hvorledes der korrigeres<br />
her<strong>for</strong>.
3.3 Korrektion af data 21<br />
Figur 3.4: Retningsangivende betegnelser [SmartDraw].<br />
3.3.1 Korrektion af dæmpning<br />
Dæmpning er en fælles betegnelse <strong>for</strong> flere <strong>for</strong>skellige hændelser, hvor en udsendt<br />
foton ikke registreres korrekt af gammakameraet. Overordnet kan dæmpning opdeles<br />
i absorption og spredning.<br />
Absorption er, n˚ar alt energien fra fotonen afsættes i vævet, hvorved fotonen<br />
bremses og aldrig n˚ar krystallen i gammakameraet.<br />
Spredning kan være elastisk eller uelastisk. Elastisk spredning opst˚ar, n˚ar en<br />
foton rammer en elektron og bliver afbøjet, men ikke mister noget energi herved.<br />
Uelastisk spredning kaldes ogs˚a compton-spredning og skyldes, at en foton<br />
rammer en elektron, hvorved den overfører en del af sin energi til denne frie<br />
elektron og bliver afbøjet. Den afbøjede fotons energi afhænger af vinklen, den<br />
er blevet afbøjet - jo større vinkel, jo mere energi har fotonen mistet. Fotoner<br />
mister s˚aledes mest energi ved, at blive afbøjet 180 grader. Omvendt vil sm˚a<br />
afbøjninger ikke betyde en særlig stor ændring i fotonenergien.<br />
Hvis en afbøjet foton registreres af gammakameraet, vil dens placering i det dannede<br />
billede ikke svare til dens placering i det egentlige billede. For at tage højde<br />
<strong>for</strong> denne spredning findes der <strong>for</strong>an gammakameraet en kollimator. Afhængig<br />
af hvilke isotoper der bruges i undersøgelsen, vælges en passende kollimator. Ef-
22 Nuklear medicin<br />
fektiviteten af en kollimator er typisk 0.01% dvs. kun 1 ud af 10000 fotoner, som<br />
udsendes, passerer kollimatoren og rammer krystallen [26]. Til <strong>for</strong>søg med 99m Tc<br />
og 111 In p˚a Hvidovre Hospital anvendes en medium energi kollimator, som er en<br />
bly-plade med omkring 9500 huller med diameteren 3.0 mm og dybden 42 mm.<br />
Dette sikrer, at fotonerne, som rammer krystallen i gammakameraet, er udsendt<br />
i en tilnærmelsesvis 90-grader vinkel og derved mindskes sandsynligheden <strong>for</strong>,<br />
at en afbøjet foton registreres. En foton kan naturligvis blive afbøjet flere gange<br />
undervejs og alligevel ramme kollimatoren med en vinkel p˚a omkring 90 grader.<br />
Denne type spredning bidrager i høj grad til støj i billedet.<br />
For at korrigere <strong>for</strong> ovenst˚aende dæmpning findes den geometriske middelværdi<br />
af data registreret anterior og posterior [26]. Formlen <strong>for</strong> udregning af den geometriske<br />
middelværdi fremg˚ar af (3.1). Anterior er den anatomiske betegnelse<br />
<strong>for</strong> <strong>for</strong>fra, mens posterior betegner bagfra, se figur 3.4.<br />
data = dataanterior · dataposterior<br />
3.3.2 Korrektion af fysisk henfald<br />
(3.1)<br />
Som tidligere nævnt er hver isotop karakteriseret ved en specifik halveringstid,<br />
og sandsynligheden <strong>for</strong> henfald inden <strong>for</strong> et givet tidsinterval er konstant. Dette<br />
fører til, at det fysiske henfald af en isotop ideelt set er rent eksponentielt og<br />
givet ved (3.2).<br />
A(t) = A0 · e −λt hvor λ = ln2<br />
T 1<br />
2<br />
(3.2)<br />
Her er A0 den initiale værdi, mens T 1<br />
2 er halveringstiden. I en ventrikeltømningsundersøgelse<br />
er mængden af radioaktive isotoper i mavesækken ikke konstant.<br />
Det skyldes dels, at en del af isotoperne henfalder, og en del passerer mavesækken<br />
og henfalder først i tarmen eller senere. Da indholdet i mavesækken ændrer<br />
sig som funktion af tiden, betyder det, at parameteren A0 ikke længere er en<br />
konstant. For at korrigere <strong>for</strong> det fysiske henfald udledes følgende <strong>for</strong>mel (3.3)-<br />
(3.5).
3.4 Resume af Kapitel 3 23<br />
A(t) = A0(t) · e −λt ⇔ (3.3)<br />
A(t) · e λt = A0(t) · e −λt · e λt ⇔ (3.4)<br />
A(t) · e λt = A0(t) ⇔ (3.5)<br />
Heraf fremg˚ar det, at ved at multiplicerede de opn˚aede tælletal A(t) med den inverse<br />
eksponentialfunktion til isotopens radioaktive henfald korrigeres <strong>for</strong> fysisk<br />
henfald.<br />
3.3.3 Korrektion af cross talk<br />
Ved compton-spredning vil den afbøjede foton have en lavere energi end den<br />
oprindelige foton, da en del af fotonens energi er blevet overført til en fri elektron.<br />
I undersøgelser hvor der benyttes to isotoper fx 99m Tc og 111 In, vil der<br />
opst˚a krydsregistrering (cross talk, downscatter) imellem de to isotoper netop<br />
som følge af compton-spredning. Fotonerne fra 111 In har en højere energi end<br />
fotonerne fra 99m Tc, og derved vil nogle af de radioaktive henfald fra Indium<br />
- 111, som har underg˚aet compton-spredning, have mistet s˚a meget energi, at<br />
fotonernes energi er tilstrækkelig tæt p˚a fotonenergien <strong>for</strong> Technetium - 99m.<br />
Desuden vil disse fejlregistreringer stamme fra afbøjede fotoner, og placeringen<br />
i det dannede billede svarer ikke nødvendigvis til den korrekte placering.<br />
For at korrigere <strong>for</strong> downscatter anvendes <strong>for</strong>mel (3.6), hvor 99m Tc og 111 In er<br />
de opn˚aede tælletal <strong>for</strong> henholdsvis technetium og indium [20].<br />
3.4 Resume af Kapitel 3<br />
99m Tccorrected = 99m Tc − 0.35 · 111 In (3.6)<br />
I dette kapitel har jeg gennemg˚aet de basale emner i nuklear medicin med fokus<br />
p˚a de relevante isotoper i <strong>for</strong>bindelse med ventrikeltømningsundersøgelsen p˚a<br />
Hvidovre Hospital. Isotopen 99m Tc er en meta-stabil isotop med en halveringstid<br />
p˚a 6 timer. Ved henfald til grundtilstanden udsender 99m Tc fotoner med<br />
energier omkring 140.5 keV. Isotopen 111 In har en halveringstid p˚a knap 3 dage<br />
og henfalder til 111 Cd, som øjeblikkeligt henfalder til sin grundtilstand ved at<br />
udsende fotoner med energier p˚a 173 keV og 247 keV.<br />
I dette kapitel har jeg desuden gennemg˚aet <strong>for</strong>mlerne til korrektion af data, og
24 Nuklear medicin<br />
disse opsummeres herunder.<br />
N˚ar data er registreret anterior og posterior, anvendes (3.1) <strong>for</strong> at korrigere <strong>for</strong><br />
dæmpning i <strong>for</strong>m af absorption og spredning.<br />
data = dataanterior · dataposterior<br />
(3.1)<br />
I en ventrikeltømningsundersøgelse falder mængden af radioaktivitet i mavesækken<br />
som funktion af tiden, dels <strong>for</strong>di isotoperne i mavesækken henfalder, og dels<br />
<strong>for</strong>di nogle isotoper først henfalder i tarmene. For at korrigere <strong>for</strong> det fysiske<br />
henfald af radioaktivitet anvendes (3.5) p˚a de opn˚aede tælletal, s˚aledes at der<br />
korrigeres med hensyn til den givne isotop.<br />
A0(t) = A(t) · e λt<br />
(3.5)<br />
Da en del af γ-str˚alerne underg˚ar compton-spredning, vil nogle fotoner fra henfald<br />
af 111 In miste s˚a meget energi, at fotonenergien minder om fotonenergien<br />
<strong>for</strong> 99m Tc. Dette kendes som krydsregistrering og korrigeres ved brug af (3.6)<br />
p˚a de opn˚aede tælletal.<br />
99m Tccorrected = 99m Tc − 0.35 · 111 In (3.6)
Kapitel 4<br />
Kantfindingsprogram<br />
I dette kapitel beskrives et kantfindingsprogram, der er udviklet til databehandling<br />
af ventrikeltømningsundersøgelser 1 . Programmet filtrerer r˚adata, finder en<br />
kant omkring mavesækken, optæller antallet af counts og plotter antallet af<br />
counts som funktion af tiden.<br />
N˚ar en patient har været til ventrikeltømningsundersøgelse p˚a Hvidovre Hospitals<br />
afdeling <strong>for</strong> klinisk fysiologi og nuklearmedicin, venter der efterfølgende<br />
et tidskrævende arbejde med databehandlingen. Programmet, som anvendes<br />
til databehandlingen p˚a Hvidovre Hospital, kan ikke automatisk afgrænse mavesækken<br />
p˚a de optagede billeder. Efter undersøgelsen m˚a personalet der<strong>for</strong><br />
manuelt markere, hvor mavesækken er placeret p˚a hvert billede. I løbet af en<br />
undersøgelse bliver der typisk lavet 24 optagelser, hvor der dannes et billede <strong>for</strong><br />
hver af de to markører 99m Tc og 111 In, hvor 99m Tc markerer fast føde, mens<br />
111 In markerer vand. I <strong>for</strong>bindelse med nærværende bachelorprojekt skulle der<br />
oprindeligt udføres 3 undersøgelser - der ville dermed være tale om 144 billeder,<br />
som manuelt skulle ses efter.<br />
1 Data, som er brugt til at lave billederne i dette kapitel, stammer fra en ventrikeltømningsundersøgelse<br />
og er venligst udl˚ant af hospitalsfysiker Stefan Fuglsang fra Hvidovre<br />
Hospital.
26 Kantfindingsprogram<br />
Figur 4.1: R˚adata <strong>for</strong> de to isotoper Tc99m og In111 efter 2 timer.<br />
4.1 Programmets opbygning<br />
Databehandlingsprogrammet er skrevet i MATLAB og gør brug af diverse indbyggede<br />
funktioner samt funktionen sis read dicom fra sis-toolboxen 2 .<br />
For hver optagelse f˚as en DICOM-fil, som indeholder i alt fire billeder af de<br />
to radioaktive markører 99m Tc og 111 In optaget anteriort og posteriort. For at<br />
korrigere <strong>for</strong> dæmpning af de radioaktive str˚aler anvendes (3.1) p˚a data fra hver<br />
markør. Der bliver dermed fundet en geometrisk middelværdi af data [26], se<br />
Kapitel 3.<br />
P˚a figur 4.1 ses et eksempel p˚a r˚adata <strong>for</strong> de to isotoper 99m Tc og 111 In. Visuelt<br />
ser det ikke ud til at være svært at finde placeringen af mavesækken, dog ses<br />
det, at der <strong>for</strong>ekommer en del støj omkring mavesækken. Denne støj stammer<br />
fra spredning af de radioaktive str˚aler. Under mavesækken ses tarmene.<br />
Følsomheden, <strong>for</strong> hvorn˚ar et punkt er en del af mavesækken, er defineret s˚aledes,<br />
at det afhænger af, hvorn˚ar i undersøgelses<strong>for</strong>løbet billedet er optaget. Da antallet<br />
af radioaktive henfald tilnærmelsesvis følger en poisson<strong>for</strong>deling, vil mængden<br />
af støj være størst først i undersøgelses<strong>for</strong>løbet [36]. Følsomheden defineres<br />
der<strong>for</strong> s˚aledes, at den afhænger af det maksimale antal counts optalt i et<br />
punkt i det aktuelle billede, nærmere bestemt er følsomheden givet ved 1<br />
15 af<br />
det makimale antal counts. I tilfælde af at det maksimale antal counts sent i<br />
undersøgelses<strong>for</strong>løbet er under 15, og følsomheden dermed ved en fejl sættes til<br />
2 http://server.oersted.dtu.dk/personal/jw/jwpublic/matlab/sis/
4.1 Programmets opbygning 27<br />
Figur 4.2: R˚adata <strong>for</strong> de to isotoper 99m Tc og 111 In med indtegnet kant.<br />
0 3 , rettes følsomheden automatisk til 1. Dette viser sig at være en god løsning,<br />
idet mængden af støj p˚a daværende tidspunkt er meget lille, og dermed kan det<br />
retfærdiggøres, at der blot skal være ét count eller derover, før der kan defineres<br />
et kantpunkt.<br />
Kantfindingsalgoritmen er lavet s˚aledes, at fem betingelser skal være opfyldt<br />
<strong>for</strong>, at der defineres et kantpunkt. Algoritmen virker p˚a to m˚ader alt efter om<br />
der skal findes et venstre eller højre kantpunkt i punktet p(i,j), hvor cs angiver<br />
følsomheden.<br />
Betingelser <strong>for</strong> venstre kantpunkt i p(i,j)<br />
– p(i,j-2) < cs<br />
– p(i,j-1) < cs<br />
– p(i,j) > cs<br />
– p(i,j+1) > cs<br />
– p(i,j+2) > cs<br />
Betingelser <strong>for</strong> højre kantpunkt i p(i,j)<br />
– p(i,j-2) > cs<br />
– p(i,j-1) > cs<br />
– p(i,j) > cs<br />
3 Da data er givet i uint16 vil MATLAB afrunde alle værdier under 0.5 til 0.
28 Kantfindingsprogram<br />
– p(i,j+1) < cs<br />
– p(i,j+2) < cs<br />
I stedet <strong>for</strong> at fem betingelser skulle være opfyldt, før et kantpunkt var defineret<br />
kunne antallet af betingelser være fx tre eller syv. De fem betingelser, som er<br />
beskrevet oven<strong>for</strong>, virker dog rimelige, idet man betragter to <strong>for</strong>eg˚aende punkter,<br />
to efterfølgende punkter samt det aktuelle punkt. Var antallet af betingelser blot<br />
tre ville der angiveligt være blevet fundet <strong>for</strong> mange kantpunkter, idet langt flere<br />
punkter ville opfylde de tre betingelser frem <strong>for</strong> de fem betingelser. Omvendt<br />
ville tilføjelsen af to betingelser ikke øge nøjagtigheden nævneværdigt. De fem<br />
betingelser virker der<strong>for</strong> som et <strong>for</strong>nuftigt krav.<br />
P˚a figur 4.2 ses r˚adata med den fundne kant omkring mavesækken. Det ses, at<br />
kanten omkring data fra 99m Tc ikke er entydigt bestemt, men dog ser ud til at<br />
stemme nogenlunde. Værre er det g˚aet med data fra 111 In, hvor der slet ikke er<br />
fundet nogen sammenhængende kant. Det viser sig, at der er to problemstillinger:<br />
Pixelværdierne omkring mavesækkens kant fluktuerer op og ned, og det er<br />
der<strong>for</strong> ikke muligt at finde en entydig kant.<br />
Der er <strong>for</strong> meget støj i r˚adata fra 111 In til, at der kan findes en sammenhængende<br />
kant omkring mavesækken.<br />
Løsningen til det første problem er at filtrere r˚adata med et lavpasfilter, hvorved<br />
støjen omkring kanten fjernes. N˚ar data fra 99m Tc filtreres med et lavpasfilter,<br />
bliver billedet mere udglattet som følge af, at de højfrekvente bidrag er fjernet.<br />
P˚a figur 4.4 ses et eksempel p˚a data fra 99m Tc efter filtrering med lavpasfilter.<br />
Det er nu muligt at definere kanten med kantfindingsalgoritmen, idet pixelværdierne<br />
hen mod mavesækken er monotont stigende og ikke længere fluktuerer.<br />
Neden<strong>for</strong> ses et eksempel p˚a MATLAB kode til filtrering af billede med lavpas<br />
filter. For uddybende kode se A.2 i Appendix A.<br />
1 LP = [1 2 1;2 4 2;1 2 1]/16;<br />
2 Data Tc99m LP = conv2(Data Tc99m,LP,'same');<br />
Filtrering af et billede med et lavpasfilter kan udtrykkes ved (4.1), hvor pij<br />
angiver værdien i det givne punkt, wij angiver vægtningen i det givne punkt,<br />
og Pij angiver værdien i punktet efter filtrering, se figur 4.3. Lavpasfiltrering af<br />
et billede betyder s˚aledes, at der findes en vægtet værdi <strong>for</strong> hvert punkt, hvor<br />
punktet selv vægter mest, nabopunkterne vægter næstmest, og yderpunkterne<br />
vægter mindst.
4.1 Programmets opbygning 29<br />
Figur 4.3: Illustration af lavpasfiltreringens virkem˚ade med angivet vægtning.<br />
Pij =<br />
i+1<br />
j+1<br />
n=i−1 m=j−1<br />
16<br />
wij · pij<br />
(4.1)<br />
For at løse problemet med de støjfyldte data fra 111 In anvendes data fra 99m Tc til<br />
at finde kanten omkring 111 In. Her gælder det, at optagelsen <strong>for</strong> de to markører<br />
er <strong>for</strong>etaget til samme tidspunkt. Dette er vigtigt, idet personen ikke st˚ar det<br />
samme sted <strong>for</strong>an gammakameraet <strong>for</strong> hver optagelse – vedkommende kan have<br />
flyttet sig en lille smule til siden, og s˚a vil mavesækken ikke befinde sig samme<br />
sted i <strong>for</strong>hold til gammakameraet. Til gengæld vil lidt sidelæns bevægelse ikke<br />
ændre p˚a højdeplaceringen af mavesækken. Der<strong>for</strong> defineres en variabel kaldet<br />
stomach-index, som manuelt aflæses p˚a et af de første billeder, hvor mavesækken<br />
er fuld, men der endnu ikke er radioaktivt sporstof i tarmene. Variablen stomachindex<br />
indikerer, ved hvilket indextal mavesækken har sin underkant.<br />
De to beskrevne løsninger medfører, at det filtrede data fra 99m Tc bruges af<br />
kantfindingsalgoritmen til at finde mavesækkens placering, hvorefter den fundne<br />
placering anvendes p˚a r˚adata fra de to isotoper til det givne tidspunkt. Et billede<br />
af den fundne kant ved hjælp af det lavpasfiltrerede data og r˚adata kan ses i<br />
figur 4.5.<br />
N˚ar mavesækkens placering er fundet ved hjælp af kantfindingsalgoritmen, anvendes<br />
placeringen p˚a r˚adata, hvor antallet af radioaktive counts inden<strong>for</strong> mavesækkens<br />
omr˚ade summeres sammen <strong>for</strong> hver isotop, og de to tal gemmes til
30 Kantfindingsprogram<br />
Figur 4.4: Data fra 99m Tc før og efter filtrering med lavpasfilter.<br />
senere brug. I figur 4.6 ses en skitse af mavesækken i et xy-koordinatsystem,<br />
hvor fladen kaldes F. Af (4.2) fremg˚ar det, hvorledes det totale antal counts<br />
findes.<br />
For hver optagelse udføres ovenst˚aende databehandling. Antallet af counts plottes<br />
som funktion af tiden <strong>for</strong> de to isotoper, se figur 4.7. Som nævnt i Kapitel<br />
3 skal der altid korrigeres <strong>for</strong> fysisk henfald. For at korrigere <strong>for</strong> dette anvendes<br />
Figur 4.5: R˚adata <strong>for</strong> de to isotoper 99m Tc og 111 In med indtegnet kant.
4.1 Programmets opbygning 31<br />
<br />
counts =<br />
F<br />
c(x, y) dxdy (4.2)<br />
Figur 4.6: Skitse af mavesæk med angivelse af notation.<br />
(3.5) p˚a de fundne tælletal.<br />
Det ses, at korrektionen i høj grad ændrer kurvens udseende <strong>for</strong> 99m Tc, men<br />
har lille indflydelse p˚a kurven <strong>for</strong> 111 In. Dette skyldes, at Indium - 111 har en<br />
halveringstid p˚a knap 3 dage, og der<strong>for</strong> vil mængden af 111 In efter 4 timer kun<br />
være omkring 4 % lavere end initialt. Technetium - 99m har derimod en halveringstid<br />
p˚a 6 timer, og s˚aledes vil mængden af radioaktivt stof efter 4 timer<br />
være omkring 40 % lavere end ved <strong>for</strong>søgets start.<br />
Ud over at korrigere de fundne tælletal <strong>for</strong> fysisk henfald skal de korrigeres <strong>for</strong><br />
downscatter. Dette gøres ved brug af (3.6), som er gennemg˚aet i Kapitel 3.<br />
Det ses, at denne korrektion af data ogs˚a i høj grad har indflydelse p˚a kurvens<br />
udseende, se figur 4.8. Korrektionen medfører, at kurven bliver fladere i toppen,<br />
og det ses nu, at den faste føde ikke tømmes med det samme.<br />
Et blokdiagram over det færdige programs opbygning kan ses i figur 4.9, hvor de<br />
<strong>for</strong>skellige farver angiver i hvilke funktioner, de enkelte trin <strong>for</strong>eg˚ar. I hovedtræk<br />
fungerer programmet s˚aledes:
32 Kantfindingsprogram<br />
Figur 4.7: Plot af antal counts som funktion af tiden. De bl˚a punkter er data<br />
uden korrektion og de røde punkter er data efter korrektion <strong>for</strong> fysisk henfald.<br />
Til venstre ses data <strong>for</strong> 99m Tc og til højre ses data <strong>for</strong> 111 In.<br />
1. I hovedscriptet indlæses data, og efter diverse databehandlinger plottes<br />
aktiviteten i mavesækken som funktion af tiden.<br />
2. I funktionen load plot count ekstraheres data fra r˚adatafilen, og der<br />
<strong>for</strong>etages en geometrisk korrektion af r˚adata. Data <strong>for</strong> 99m Tc lavpasfiltreres,<br />
og den fundne placering af mavesækken anvendes p˚a data <strong>for</strong> begge<br />
isotoper, hvorefter antallet af counts i mavesækken summeres op. Der dannes<br />
et billede af r˚adata og den fundne mavesæk <strong>for</strong> hver isotop.<br />
3. I funktionen find border angives variablen stomach-index, og følsomheden<br />
beregnes. Kanten omkring mavesækken findes sammen med hele mavesækkens<br />
placering.<br />
4. I funktionen plot ven data plottes data med korrekte akser i gr˚atoner.
4.1 Programmets opbygning 33<br />
Figur 4.8: Plot af antal counts som funktion af tiden. De bl˚a punkter er data<br />
uden korrektion og de grønne punkter er data efter korrektion <strong>for</strong> fysisk henfald<br />
og downscatter.
34 Kantfindingsprogram<br />
Figur 4.9: Blokdiagram af databehandlingens opbygning.
4.2 Resultater 35<br />
Figur 4.10: Sammenligning af r˚adata og den fundne mavesæk efter ca. 25 minutter.<br />
4.2 Resultater<br />
I figur 4.10 og 4.11 ses sammenligninger af r˚adata og den fundne mavesæk. Efter<br />
data fra 99m Tc er blevet filtreret med lavpasfilter, er kanten omkring mavesækken<br />
fundet, og hele mavesækkes placering er brugt p˚a r˚adata - mavesækken er<br />
sk˚aret ud af r˚adata.<br />
P˚a billederne, som er optaget 25 minutter efter m˚altidet, figur 4.10, ses det,<br />
at den faste føde befinder sig i den øvre del af mavesækken, mens vandet er<br />
<strong>for</strong>delt i hele mavesækken og kan ses i tarmene. Efter 2 timer har den faste føde<br />
<strong>for</strong>delt sig i hele mavesækken og kan nu ogs˚a ses i tarmene, se figur 4.11. P˚a<br />
dette tidspunkt er der meget lidt vand tilbage i mavesækken, da dette er tømt<br />
ud i tarmene. Det ses desuden, at støjen omkring mavesækken samt bidrag fra<br />
tarme er elimineret p˚a billederne af den fundne mavesæk. Visuelt ser det ud til,<br />
at kantfindingsalgoritmen har fundet mavesækken med samme nøjagtighed som<br />
det menneskelige øje, hvilket er den ønskede nøjagtighed, da det er den metode,
36 Kantfindingsprogram<br />
Figur 4.11: Sammenligning af r˚adata og den fundne mavesæk efter ca. 2 timer.<br />
som benyttes p˚a Hvidovre Hospital i dag.
4.3 <strong>Mavesækkens</strong> tømning 37<br />
Figur 4.12: Plot af det relative indhold af fast føde i mavesækken som funktion<br />
af tiden.<br />
4.3 <strong>Mavesækkens</strong> tømning<br />
Som nævnt i afsnit 4.1 anvendes de optalte counts fra hver optagelse til at<br />
danne en graf, som beskriver det relative indhold af fast føde i mavesækken som<br />
funktion af tiden, se figur 4.12.<br />
Det ses p˚a figur 4.12, at grafen <strong>for</strong> 99m Tc har en <strong>for</strong>m, der minder om de<br />
tømningskurver, som kendes fra fx Cobelli [21], Elashoff [7] og Goetze [10].<br />
Cobellis model <strong>for</strong> m˚altidsabsorption best˚ar af et system af 3 differentialligninger<br />
med 3 variable, Elashoffs model <strong>for</strong> m˚altidsabsorption best˚ar af 1 differentialligning<br />
med 3 variable, og Goetzes model <strong>for</strong> mavesækkens tømning best˚ar af<br />
3 differentialligninger med 2 variable. I Appendix B ses MATLAB-kode til den<br />
følgende databehandling.
38 Kantfindingsprogram<br />
Figur 4.13: Cobellis model 1 antager to enheder i mavesækken med en konstant<br />
tømningsrate samt en enkelt enhed <strong>for</strong> tarmene med en konstant absorptionsrate.<br />
4.3.1 Cobelli modellen<br />
Cobellis model 1 antager, at der er to enheder i mavesækken - én <strong>for</strong> fast (qsto1)<br />
og én <strong>for</strong> flydende (qsto2 ) - med en konstant tømningsrate (kempt). Endvidere<br />
modelleres tarmene ved hjælp af én enhed (qgut) med en konstant absorptionsrate<br />
(kabs), se figur 4.13. Dette kan modelleres med et system best˚aende af 3<br />
differentialligninger, som er givet ved (4.3)-(4.5).<br />
˙qsto1(t) = −k21 · qsto1(t) + Dδ(t) (4.3)<br />
˙qsto2(t) = −kempt · qsto2(t) + k21 · qsto1(t) (4.4)<br />
˙qgut(t) = −kabs · qgut(t) + kempt · qsto2(t) (4.5)<br />
hvor D er massen af indtaget glukose, qsto1 er massen af fast glukose i mavesækken,<br />
qsto2 er massen af opløst glukose i mavesækken og qgut er massen af glukose<br />
i tarmene. Konstanterne k21, kempt og kabs er alle hastighedsrater og givet i
4.3 <strong>Mavesækkens</strong> tømning 39<br />
Figur 4.14: Plot af det relative indhold i mavesækken som funktion af tiden.<br />
enheden 1/min, hvor k21 er knusnings rate, kempt er mavens tømningsrate og<br />
kabs er absorptionsrate fra tarmen.<br />
I figur 4.14 ses et plot af mavens relative indhold som funktion af tiden, hvor parametrene<br />
k21, kempt og kabs er valgt s˚aledes, at kurven passer bedst muligt med<br />
data fra ventrikeltømningsundersøgelsen, se tabel 4.1. Funktionen fmincon er<br />
benyttet til at finde de parameterværdier som minimerer (qsto1+qsto2)−qdata.<br />
Det fremg˚ar af figur 4.14, at modellen har en <strong>for</strong> kort <strong>for</strong>sinkelsesfase i starten af<br />
<strong>for</strong>løbet, som gør, at modellen ikke følger datapunkterne specielt godt. Derimod<br />
følger modellen datapunkterne godt mod slutningen af <strong>for</strong>løbet.<br />
Symbol Optimized value Unit<br />
k21 0.0141 1/min<br />
kempt 0.0141 1/min<br />
kabs 0.012 1/min<br />
Tabel 4.1: Værdier <strong>for</strong> parametrene i Cobelli modellen.
40 Kantfindingsprogram<br />
Figur 4.15: Elashoffs model antager at mavesækken tømmes via en power eksponentialfunktion,<br />
samt at tarmene best˚ar af en enkelt enhed med en konstant<br />
absorptionsrate.<br />
4.3.2 Elashoff modellen<br />
Elashoffs model antager, at mavesækken tømmes via en power eksponentialfunktion<br />
(Gempt). Endvidere modelleres tarmene ved hjælp af én enhed (qgut)<br />
med en konstant absorptionsrate (kabs), se figur 4.15. Dette kan modelleres som<br />
et system best˚aende af 2 differentialligninger, som er givet ved (4.6)-(4.7) [7].<br />
Gempt(t) = ˙qduo(t) = D · β · k β · t β−1 · e −(kt)β<br />
(4.6)<br />
˙qgut(t) = −kabs · qgut(t) + ˙qduo(t) (4.7)<br />
hvor D er massen af indtaget glukose, qduo er massen af glukose i tolvfingertarmen<br />
og qgut er massen af glukose i tarmene. Konstanten β er en <strong>for</strong>m faktor,<br />
mens konstanterne k og kabs er hastighedsrater givet i enheden 1/min, hvor k<br />
er mavens tømningsrate og kabs er absorptionsrate fra tarmen.<br />
Heraf ses det, at massen af glukose i mavesækken m˚a være mængden af indtaget<br />
glukose fratrukket massen af glukose i tolvfingertarmen. I symboler kan det<br />
udtrykkes som vist i (4.8).<br />
qsto(t) = D − qduo(t) (4.8)<br />
I figur 4.16 ses et plot af mavens relative indhold som funktion af tiden, hvor<br />
parametrene k og β er valgt s˚aledes, at kurven passer bedst muligt med data fra
4.3 <strong>Mavesækkens</strong> tømning 41<br />
Figur 4.16: Plot af det relative indhold i mavesækken som funktion af tiden.<br />
ventrikeltømningsundersøgelsen, se tabel 4.2. Funktionen fmincon er benyttet<br />
til at finde de parameterværdier som minimerer qsto − qdata.<br />
Det fremg˚ar af figur 4.16, at modellen passer rigtig flot med datapunkterne de<br />
første 300 minutter. Herefter passer modellen d˚arligt med data.<br />
Det skal dog bemærkes, at der er et problem med Elashoffs model, idet tiden<br />
fremg˚ar eksplicit af (4.6)-(4.8). I simuleringssammenhænge ønsker man ikke, at<br />
tiden fremg˚ar eksplicit, da det s˚a er nemmere at give m˚altider p˚a <strong>for</strong>skellige<br />
tidspunkter.<br />
Symbol Optimized value Unit<br />
k 0.0065 1/min<br />
β 1.8661 -<br />
Tabel 4.2: Værdier <strong>for</strong> parametrene i Elashoff modellen.<br />
4.3.3 Goetze modellen<br />
Goetzes model best˚ar af én ligning, som er givet ved (4.9). Funktionen er lavet<br />
som en lineær eksponentialfunktion og er en videreudvikling af Elashoffs model,
42 Kantfindingsprogram<br />
Figur 4.17: Goetzes model antager at mavesækken tømmes via en lineær eksponentialfunktion.<br />
som er baseret p˚a en power eksponentialfunktion. Goetzes model er baseret p˚a<br />
<strong>for</strong>søgsdata opn˚aet ved MRI scanninger [10].<br />
qsto(t) = D · (1 + κ ·<br />
t<br />
tempt<br />
t − t ) · e empt (4.9)<br />
hvor D er massen af indtaget glukose og qsto er massen af glukose i mavesækken.<br />
Konstanten κ angiver <strong>for</strong>sinkelse, mens konstanten tempt angiver tømningshastighed<br />
givet i min.<br />
Da det i simuleringssammenhænge er vanskeligt, at have tiden udtrykt eksplicit<br />
kan (4.9) alternativt udtrykkes ved hjælp af et system af tre differentialligninger,<br />
som er givet ved (4.10)-(4.12). Disse ligninger er udtryk <strong>for</strong> systemet i figur<br />
4.17.<br />
˙qsto1(t) = Dδ(t) − 1<br />
tempt<br />
˙qsto2,1(t) = κ · Dδ(t) − 1<br />
˙qsto2,2(t) =<br />
1<br />
tempt<br />
tempt<br />
· qsto2,1(t) − 1<br />
· qsto1(t) (4.10)<br />
· qsto2,1(t) (4.11)<br />
tempt<br />
· qsto2,2(t) (4.12)<br />
I figur 4.18 ses et plot af mavesækkens relative indhold som funktion af tiden.<br />
Parametrene κ og tempt er valgt s˚aledes, at kurven passer bedst muligt med
4.4 Resume af Kapitel 4 43<br />
Figur 4.18: Plot af det relative indhold i mavesækken som funktion af tiden.<br />
data fra ventrikeltømningsundersøgelsen, se tabel 4.3. Funktionen fmincon er<br />
benyttet til at finde de parameterværdier som minimerer qsto − qdata.<br />
Det fremg˚ar af figur 4.18, at modellen skyder over m˚al i starten, men til gengæld<br />
passer modellen rigtig fint med datapunkterne igennem resten af <strong>for</strong>løbet.<br />
Symbol Optimized value Unit<br />
κ 1.2910 -<br />
tempt 62.3977 min<br />
Tabel 4.3: Værdier <strong>for</strong> parametrene i Goetze modellen.<br />
4.4 Resume af Kapitel 4<br />
I dette kapitel har jeg gjort rede <strong>for</strong>, hvorledes den manuelle dataanalyse af data<br />
fra ventrikeltømningsundersøgelser kan gøres meget lettere og mere effektiv ved<br />
en automatisering af dataanalysen. For at løse problemstillingen har jeg udviklet<br />
nogle MATLAB programmer, som automatisk og effektivt lokaliserer mavesækken<br />
og optæller antallet af counts. P˚a denne baggrund kan der dannes en graf
44 Kantfindingsprogram<br />
over det relative indhold i mavesækken som funktion af tiden. Hovedbestanddelen<br />
i programmet er en filtreringsalgoritme samt et simpelt kantfindingsprogram.<br />
Det har desuden vist sig, at tømningsmodellerne af Cobelli, Elashoff og Goetze<br />
passer nogenlunde med <strong>for</strong>søgsdata, n˚ar de <strong>for</strong>skellige parametre vælges hensigtsmæssigt.<br />
Hver model har sine omr˚ader, hvor modellen og datapunkterne<br />
passer med hinanden, dog er der ikke én model, som er markant bedre end de<br />
andre. I hver af de tre modeller kan der justeres p˚a 2 parametre. Jo flere parametre<br />
der er at skrue p˚a i en model, jo nemmere er det at f˚a modellen til at<br />
passe med en hvilken som helst kurve. Et ordsprog lyder: Har man 5 parametre,<br />
kan man tegne en elefant, og har man 6 parametre, kan man f˚a den til at vifte<br />
med halen.
Kapitel 5<br />
Forsøg med normoglykæmisk<br />
clamp<br />
I dette kapitel beskrives i store træk, hvorledes <strong>for</strong>søget den 18. juni 2009 blev<br />
udført. For yderligere detaljer omkring <strong>for</strong>søget henvises til <strong>for</strong>søgsprotokollen<br />
godkendt pr. 21. april 2009, som kan ses i Appendix F. Desuden findes der billeder<br />
fra <strong>for</strong>søget i Appendix E.<br />
Efter en kort gennemgang af <strong>for</strong>søgsgangen vil resultatet af <strong>for</strong>søget blive præsenteret<br />
i <strong>for</strong>m af en kurve over mavesækkens relative indhold af føde som funktion<br />
af tiden. For at dokumentere at blodsukkeret blev holdt konstant under<br />
<strong>for</strong>søget, vil dette blive vist p˚a en graf sammen med niveauet <strong>for</strong> glukoseinfusionen.<br />
Endelig vil 7 <strong>for</strong>skellige lineære modeller til beskrivelse af mavesækkens tømning<br />
blive præsenteret og diskuteret. <strong>Model</strong>lerne bunder ikke i nogle fysiologiske antagelser,<br />
men er eksempler p˚a lineære modeller. Parametrene er valgt s˚aledes, at<br />
summen af kvadraterne p˚a fejlene imellem de modellerede punkter og de opn˚aede<br />
datapunkter er mindst mulig. Forskellige m˚al <strong>for</strong>, hvor godt modellerne passer<br />
til data, vil blive diskuteret.
46 Forsøg med normoglykæmisk clamp<br />
Figur 5.1: Forsøgsperson med venflon i højre og venstre vene. Til venstre ses en<br />
varmelampe til efterligning af arterielt blod. Til højre ses stativ med glukosedrop<br />
samt infusionspumper til glukose og insulin.<br />
5.1 Forsøgsprocedure<br />
Forsøgspersonen mødte p˚a Klinisk Fysiologisk og Nuklear Medicinsk afdeling<br />
p˚a Hvidovre Hospital kl 7:30 efter faste natten over. Her fik han indlagt venflon<br />
i b˚ade højre og venstre side i en vene. I det højre venflon justeredes glukoseog<br />
insulininfusion, mens der fra det venstre venflon blev udtaget blodprøver<br />
til m˚aling af blodsukker, se figur 5.1. For at efterligne arterielt blod blev der<br />
placeret en varmelampe over venflonet, hvorfra der blev udtaget blodprøver til<br />
m˚aling af blodsukker. Blodsukkeret blev m˚alt hvert 5. minut. Dog var det ikke<br />
muligt at m˚ale blodsukkeret, mens <strong>for</strong>søgspersonen blev skintigraferet, s˚a under<br />
den del af <strong>for</strong>søget blev blodsukkeret m˚alt hvert 5. eller 10. minut. Alt efter om<br />
blodsukkeret var over eller under den ønskede værdi p˚a 5 mmol/L, blev glukoseinfusionshastigheden<br />
reguleret manuelt.<br />
Kl 8:00 startede insulininfusionen, som blev holdt konstant under hele <strong>for</strong>søget.<br />
Infusionshastigheden blev sat til 6 mL/h svarende til en dosis p˚a 1 mU/kg/min<br />
dvs. 70 mU/min. Den høje insulininfusion burde undertrykke <strong>for</strong>søgspersonens<br />
egen produktion af insulin. Efter 20 minutter med udelukkende insulininfusion<br />
startede glukoseinfusionen gradvist i løbet af 10 minutter. Glukose infusionshastigheden<br />
varierede i løbet af <strong>for</strong>søget mellem 50 mL/h - 350 mL/h svarende til<br />
0.17 g/min - 1.17 g/min.<br />
Da <strong>for</strong>søgspersonen havde ligget stabilt med et blodsukker p˚a 5 mmol/L i en<br />
halv times tid, blev det radioaktivt mærkede m˚altid givet. M˚altidet bestod af<br />
80 g franskbrød, 120 g æggeomelet mærket med 30 MBq 99m Tc-svovlkolloid og
5.1 Forsøgsprocedure 47<br />
Figur 5.2: Her ses <strong>for</strong>søgspersonen <strong>for</strong>an gammakameraet under en anterior registrering.<br />
200 g vand mærket med 3 MBq 111 In-diethylentriaminpentaacetat, se eventuelt<br />
figur E.2. M˚altidet skulle spises p˚a under 10 minutter, da <strong>for</strong>søgspersonen i det<br />
10. minut skulle have lavet den første skintigrafiske registrering med gammakamera.<br />
I de efterfølgende 4 timer blev der <strong>for</strong>etaget skintigrafisk registrering<br />
hvert 15. minut.<br />
Skintigraferingen <strong>for</strong>egik ved, at <strong>for</strong>søgspersonen først stod med fronten mod<br />
gammakameraet i 2 minutter (anterior), herefter med ryggen mod gammakameraet<br />
i 2 minutter (posterior), se figur 5.2 og eventuelt figur E.3. P˚a gammakameraets<br />
kollimator var der aftegninger, der indikerede, om <strong>for</strong>søgspersonens<br />
overkrop var centreret.<br />
Efter de 4 timer ophørte insulininfusionen, og glukoseinfusionen blev langsomt<br />
udtrappet, mens <strong>for</strong>søgspersonen fik et vel<strong>for</strong>tjent m˚altid.<br />
Det bemærkes, at imellem hver registrering m˚atte <strong>for</strong>søgspersonen g˚a imellem<br />
to tilstødende lokaler, dette kan muligvis have p˚avirket resultatet.
48 Forsøg med normoglykæmisk clamp<br />
Figur 5.3: Plot af det m˚alte blodsukker under <strong>for</strong>søget sammen med glukoseinfusionshastigheden.<br />
M˚altidet er givet til tiden 0.<br />
5.2 Resultater<br />
Af figur 5.3 fremg˚ar det, at blodsukkeret blev holdt relativt konstant p˚a 5<br />
mmol/L under <strong>for</strong>søget. Blodsukkerets middelværdi er beregnet til 5.01 mmol/L,<br />
hvilket er tilstrækkelig tæt p˚a den ønskede værdi. M˚altidet er givet til tiden 0.<br />
Det ses at omkring 40 minutter efter m˚altidet, blev glukoseinfusionshastigheden<br />
nedjusteret som tegn p˚a, at glukose fra m˚altidet blev optaget i blodbanen.<br />
Data fra de skintigrafiske registreringer er behandlet p˚a tilsvarende vis som<br />
data i Kapitel 4. I figur 5.4 ses et plot af det relative indhold i mavesækken som<br />
funktion af tiden.<br />
5.3 7 modeller <strong>for</strong> mavesækkens tømning<br />
I det følgende vil 7 modeller til beskrivelse af mavesækkens tømningshastighed<br />
blive præsenteret. Den første model <strong>for</strong> mavesækkens tømningsrate best˚ar af tre<br />
led, hvoraf det ene er kvadreret, det andet er lineært og det tredje er konstant,
5.3 7 modeller <strong>for</strong> mavesækkens tømning 49<br />
Figur 5.4: Plot af det relative indhold i mavesækken som funktion af tiden ud<br />
fra <strong>for</strong>søgsdata.<br />
se (5.1). De øvrige modeller er kombinationer af disse led s˚aledes, at der er 3<br />
modeller med hver to af de nævnte led, og der er 3 modeller med hver ét af de<br />
nævnte led.<br />
dQ<br />
dt = aQ2 + bQ + c (5.1)<br />
Til at identificere parametrene til de <strong>for</strong>skellige modeller anvendes mindste kvadraters<br />
metode, som g˚ar ud p˚a at minimere summen af kvadraterne p˚a fejlene.<br />
For at illustrere hvorledes denne metode virker, anvendes første model som eksempel.<br />
For alle 7 modeller gælder det, at de beregnede statistiske størrelser (standardafvigelse,<br />
p-værdi, konfidensinterval) <strong>for</strong> parametrene er fundet ved brug<br />
af dataanalyse-værktøjet i Microsoft Office Excel. Se i øvrigt Appendix C <strong>for</strong><br />
detaljer omkring databehandlingen i MATLAB.
50 Forsøg med normoglykæmisk clamp<br />
5.3.1<br />
dQ<br />
dt = aQ2 + bQ + c<br />
Da der er tale om et diskret datasæt med 17 datapunkter, vil differenskvotienten<br />
ligeledes være diskret. Den simpleste m˚ade at udregne differenskvotienten<br />
p˚a er ved at udregne denne imellem to datapunkter, hvorved der kun er 16<br />
punkter til at beskrive den afledte kurve. Det bemærkes, at dette ikke er den<br />
optimale metode til udregning af differenskvotienten, idet der er støj i data, og<br />
denne støj vil blive <strong>for</strong>stærket, n˚ar differenskvotienten beregnes p˚a baggrund<br />
af to datapunkter. Dette er imidlertid den mest simple metode til beregning af<br />
differentialkvotienten og benyttes alligevel.<br />
Differenskvotienten udregnes s˚aledes som dy(k) = y(k+1)−y(k)<br />
∆t med k g˚aende fra<br />
1 til 16, hvor y(k) er fraktionen af mad i mavesækken, og ∆t er tiden imellem<br />
to datapunkter, som i dette tilfælde er 15 minutter. Der kan opstilles følgende<br />
ligning best˚aende af regressionsmatricen X (5.2).<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
y<br />
⎢<br />
⎣<br />
2 (1) y(1) 1<br />
.<br />
y<br />
. .<br />
2 (k)<br />
.<br />
y(k)<br />
.<br />
1<br />
.<br />
y2 ⎤<br />
⎥ ⎡<br />
⎥ ⎣<br />
⎥<br />
⎦<br />
(16) y(16) 1<br />
a<br />
b<br />
c<br />
⎤<br />
⎦ (5.2)<br />
Y = Xδ (5.3)<br />
For at finde parametrene a, b og c bruges et begreb kaldet den pseudoinverse<br />
matrix. Den pseudoinverse matrix af X betegnes X + og har samme størrelse<br />
som den transponerede af X. De følgende 4 regneregler skal være opfyldt <strong>for</strong> at<br />
have en pseudoinvers matrix (5.4)-(5.7).<br />
X · X + · X = X (5.4)<br />
X + · X · X + = X +<br />
(5.5)<br />
(X · X + ) ∗ = X · X +<br />
(5.6)<br />
(X + · X) ∗ = X + · X (5.7)<br />
De to betingelser (5.6) og (5.7) betyder, at den pseudoinverse matrix er hermitian.<br />
En hermitiansk matrix er en matrix, hvor element xi,j er den kompleks<br />
konjugerede af xj,i <strong>for</strong> alle i og j. Parametrene a, b og c findes s˚aledes ved at<br />
udregne følgende fra (5.3).
5.3 7 modeller <strong>for</strong> mavesækkens tømning 51<br />
Figur 5.5: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
Y = X · δ ⇔ (5.8)<br />
X + · Y = X + · X · δ ⇔ ∗<br />
(5.9)<br />
X + · Y = δ (5.10)<br />
∗ in this case X + · X is equal to unity<br />
N˚ar koefficientmatricen δ er fundet, kan den udregnede differentialkvotient sammenlignes<br />
med den modellerede, se figur 5.5. For at kunne sammenligne hvor<br />
godt modellen rent faktisk passer p˚a data <strong>for</strong>etages nogle omregninger. Hvis<br />
Ypred betegner den modellerede værdi <strong>for</strong> Y, kan den modellerede værdi <strong>for</strong><br />
data findes som Xpred se (5.11)-(5.12).<br />
Ypred = X · δ (5.11)<br />
<br />
1 <strong>for</strong> k = 1<br />
Xpred(k) =<br />
Ypred(k − 1) · 15 + Xpred(k − 1) <strong>for</strong> 2 ≤ k ≤ 17 (5.12)
52 Forsøg med normoglykæmisk clamp<br />
I figur 5.5 ses den beregnede og den modellerede differentialkvotient til data.<br />
Det bemærkes, at der er en del støj i den beregnede differentialkvotient, hvilket<br />
som tidligere nævnt skyldes m˚aden, den er blevet beregnet p˚a. P˚a figur 5.5 ses<br />
ligeledes den modellerede værdi <strong>for</strong> data Xpred og de oprindelige datapunkter.<br />
Det ses, at denne model passer ganske godt med data.<br />
I tabel 5.1 præsenteres de fundne parameterværdier med deres standardafvigelser.<br />
Desuden kan p-værdien og et 95 % konfidensinterval aflæses <strong>for</strong> hver<br />
parameter. Hvis en parameters p-værdi er større end 0.05, betyder det, at værdien<br />
ikke er signifikant <strong>for</strong>skellig fra nul, og det m˚a afvises at parameteren indg˚ar<br />
i modellen. Da p-værdien <strong>for</strong> konstanten c er meget større end 0.05, og da konfidensintervallet<br />
inkluderer 0, m˚a det afvises, at denne parameter skal være med<br />
i modellen. Yderligere kommentarer p˚a denne model findes i afsnit 5.4.<br />
5.3.2<br />
Coefficient value P-value 95% confidenceinterval<br />
a 0.0135 ± 0.0038 0.0036 0.0053 - 0.022<br />
b -0.0197 ± 0.0039 0.00021 -0.028 - -0.011<br />
c 0.0005 ± 0.00071 0.50 -0.0010 - 0.0020<br />
Tabel 5.1: Parametre til dQ<br />
dt = aQ2 + bQ + c.<br />
dQ<br />
dt = aQ2 + bQ<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
y<br />
⎢<br />
⎣<br />
2 (1) y(1)<br />
.<br />
y<br />
.<br />
2 (k)<br />
.<br />
y(k)<br />
.<br />
y2 ⎤<br />
⎥ <br />
⎥ a<br />
⎥ b<br />
⎦<br />
(16) y(16)<br />
<br />
(5.13)<br />
Denne model ligner den <strong>for</strong>rige, men konstantleddet er i dette tilfælde sat til 0.<br />
For at finde de to parametre, a og b, løses 5.13. I figur 5.6 ses en sammenligning af<br />
den modellerede differentialkvotient og differentialkvotienten beregnet p˚a data,<br />
ligeledes ses datapunkterne og modellen til beskrivelse af disse punkter. Det ses,<br />
at denne model ogs˚a passer ganske godt til data, dog afviger modellen fra data<br />
omkring de sidste punkter.<br />
Det fremg˚ar af tabel 5.2, at begge parametre skal være en del af modellen, idet<br />
begge p-værdier er meget mindre end 0.05.
5.3 7 modeller <strong>for</strong> mavesækkens tømning 53<br />
Figur 5.6: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
5.3.3<br />
Coefficient value P-value 95% confidenceinterval<br />
a 0.0116 ± 0.0025 0.00044 0.0061 - 0.017<br />
b -0.0174 ± 0.0020 6.3 · 10 −7 -0.022 - -0.013<br />
dQ<br />
dt<br />
= bQ + c<br />
Tabel 5.2: Parametre til dQ<br />
dt = aQ2 + bQ.<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
y(1)<br />
⎤<br />
1<br />
⎢<br />
⎣<br />
.<br />
y(k)<br />
.<br />
⎥<br />
. ⎥ <br />
⎥<br />
1 ⎥ b<br />
⎥ c<br />
. ⎦<br />
y(16) 1<br />
<br />
(5.14)<br />
Denne model indeholder to parametre. For at finde de to parametre, b og c, løses<br />
5.14. I figur 5.7 ses en sammenligning af den modellerede differentialkvotient og
54 Forsøg med normoglykæmisk clamp<br />
Figur 5.7: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
Coefficient value P-value 95% confidenceinterval<br />
b -0.0064 ± 0.0013 0.00019 -0.0091 - -0.0037<br />
c -0.0014 ± 0.00065 0.055 -0.0028 - 3.3 · 10 −5<br />
Tabel 5.3: Parametre til dQ<br />
dt<br />
= bQ + c.<br />
differentialkvotienten beregnet p˚a data, ligeledes ses datapunkterne og modellen<br />
til beskrivelse af disse punkter. Det ses, at denne model passer nogenlunde til<br />
data, men ikke helt fanger kurvens <strong>for</strong>løb i slutningen.<br />
Det fremg˚ar af tabel 5.3, at det rent statistisk set kun er parameteren b, som<br />
skal være en del af modellen, idet p-værdien <strong>for</strong> konstantleddet er større end<br />
0.05, og konfidensintervallet desuden indeholder 0.
5.3 7 modeller <strong>for</strong> mavesækkens tømning 55<br />
Figur 5.8: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
5.3.4<br />
dQ<br />
dt = aQ2 + c<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
y<br />
⎢<br />
⎣<br />
2 (1) 1<br />
.<br />
y<br />
.<br />
2 (k)<br />
.<br />
1<br />
.<br />
y2 ⎤<br />
⎥ <br />
⎥ a<br />
⎥ c<br />
⎦<br />
(16) 1<br />
<br />
(5.15)<br />
Denne model indeholder to parametre. For at finde de to parametre, a og c, løses<br />
5.15. I figur 5.8 ses en sammenligning af den modellerede differentialkvotient og<br />
differentialkvotienten beregnet p˚a data, ligeledes ses datapunkterne og modellen<br />
til beskrivelse af disse punkter. Det ses, at denne model passer okay med data i<br />
starten, men ikke fanger datapunkternes krumning mod slutningen.<br />
Det fremg˚ar af tabel 5.4, at begge parametre skal være en del af modellen, idet<br />
begge p-værdier er mindre end 0.05.
56 Forsøg med normoglykæmisk clamp<br />
Coefficient value P-value 95% confidenceinterval<br />
a -0.0053 ± 0.0015 0.0040 -0.0086 - -0.0020<br />
c -0.0026 ± 0.00064 0.0012 -0.0039 - -0.0012<br />
Tabel 5.4: Parametre til dQ<br />
dt = aQ2 + c.<br />
Figur 5.9: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
5.3.5<br />
dQ<br />
dt<br />
= bQ<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
y(1)<br />
.<br />
y(k)<br />
.<br />
y(16)<br />
⎤<br />
⎥ <br />
⎥ b<br />
⎥<br />
⎦<br />
(5.16)<br />
Denne model indeholder kun én parameter. For at finde parameteren b løses<br />
5.16. I figur 5.9 ses en sammenligning af den modellerede differentialkvotient og
5.3 7 modeller <strong>for</strong> mavesækkens tømning 57<br />
differentialkvotienten beregnet p˚a data, ligeledes ses datapunkterne og modellen<br />
til beskrivelse af disse punkter. Det ses, at denne model passer nogenlunde med<br />
data i starten.<br />
Det fremg˚ar af tabel 5.5, at parameteren b med meget stor sandsynlighed er en<br />
del af modellen, idet p-værdien er meget lille.<br />
5.3.6<br />
Coefficient value P-value 95% confidenceinterval<br />
b -0.0085 ± 0.00085 5.6 · 10 −8 -0.010 - -0.0067<br />
dQ<br />
dt<br />
= c<br />
Tabel 5.5: Parametre til dQ<br />
dt<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
= bQ.<br />
⎡<br />
1<br />
⎤<br />
⎢ .<br />
⎢ 1<br />
⎢<br />
⎣ .<br />
1<br />
⎥ <br />
⎥ c<br />
⎥<br />
⎦<br />
(5.17)<br />
Denne model indeholder én parameter. For at finde parameteren c løses 5.17.<br />
I figur 5.10 ses en sammenligning af den modellerede differentialkvotient og<br />
differentialkvotienten beregnet p˚a data, ligeledes ses datapunkterne og modellen<br />
til beskrivelse af disse punkter. Det ses, at denne model ikke umiddelbart passer<br />
sammen med data.<br />
Det fremg˚ar af tabel 5.6, at p-værdien <strong>for</strong> c er lille.<br />
Coefficient value P-value 95% confidenceinterval<br />
c -0.0040 ± 0.00064 1.8 · 10 −5 -0.0053 - -0.0026<br />
Tabel 5.6: Parametre til dQ<br />
dt<br />
= c.
58 Forsøg med normoglykæmisk clamp<br />
Figur 5.10: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
5.3.7<br />
dQ<br />
dt<br />
= aQ2<br />
⎡<br />
⎢<br />
⎣<br />
dy(1)<br />
.<br />
dy(k)<br />
.<br />
dy(16)<br />
⎤<br />
⎥<br />
⎦<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
y 2 (1)<br />
.<br />
y 2 (k)<br />
.<br />
y 2 (16)<br />
⎤<br />
⎥ <br />
⎥ a<br />
⎥<br />
⎦<br />
(5.18)<br />
Denne model indeholder én parameter. For at finde parameteren a løses (5.18).<br />
I figur 5.11 ses en sammenligning af den modellerede differentialkvotient og<br />
differentialkvotienten beregnet p˚a data, ligeledes ses datapunkterne og modellen<br />
til beskrivelse af disse punkter. Det ses, at denne model slet ikke passer sammen<br />
med datapunkterne.<br />
Det fremg˚ar dog af tabel 5.7, at p-værdien <strong>for</strong> a er rimelig lille.
5.4 Sammenligning af de 7 modeller 59<br />
Figur 5.11: Til venstre ses plot af differentialkvotienten til data (bl˚a) samt model<br />
til beskrivelse af differentialkvotienten (rød). Til højre ses datapunkter (bl˚a)<br />
samt model til beskrivelse af disse data (rød).<br />
Coefficient value P-value 95% confidenceinterval<br />
a -0.0092 ± 0.0017 6.0 · 10 −5 -0.013 - -0.0057<br />
Tabel 5.7: Parametre til dQ<br />
dt = aQ2 .<br />
5.4 Sammenligning af de 7 modeller<br />
For at kunne sammenligne hvorledes de syv lineære modeller passer i <strong>for</strong>hold til<br />
data, anvendes to <strong>for</strong>skellige m˚al. Først og fremmest udregnes fejlen p˚a summen<br />
af kvadraterne (RSS), som er givet ved (5.19). I denne <strong>for</strong>mel udregnes kvadratet<br />
af <strong>for</strong>skellen imellem den beregnede værdi f(xi) og den aktuelle værdi yi <strong>for</strong> hver<br />
observation, og disse kvadrerede fejl summeres. Jo mindre RSS, jo bedre passer<br />
modellen i <strong>for</strong>hold til data.<br />
RSS =<br />
n<br />
(yi − f(xi)) 2<br />
i=1<br />
(5.19)
60 Forsøg med normoglykæmisk clamp<br />
Der findes et andet m˚al, som ud over RSS tager højde <strong>for</strong> hvor mange datapunkter,<br />
modellen skal fitte og hvor mange parametre, der indg˚ar i modellen. Dette<br />
m˚al kaldes AIC (= Akaike In<strong>for</strong>mation Criterion) og er givet ved (5.20) 1 .<br />
AIC = n · ln( RSS<br />
) + 2 · k (5.20)<br />
n<br />
hvor RSS er givet ved (5.19), n er antallet af datapunkter og k er antallet af<br />
parametre i modellen. AIC er et relativt m˚al, dvs. det kan ikke bruges til at sammenligne<br />
modeller, der skal passe til <strong>for</strong>skelligt data. Ofte vil RSS være meget<br />
mindre end antallet af datapunkter, og dermed bliver leddet med den naturlige<br />
logaritme negativt. Det fremg˚ar af ligningen <strong>for</strong> AIC, at jo flere parametre<br />
modellen indeholder, jo mindre negativ bliver AIC <strong>for</strong> modellen, idet antallet af<br />
parametre multipliceres med 2. Jo mere negativ AIC, jo bedre passer modellen i<br />
<strong>for</strong>hold til data taget antallet af datapunkter og modelparametre i betragtning.<br />
I tabel 5.8 ses en sammenligning af de syv lineære modeller i <strong>for</strong>hold til RSS og<br />
AIC. De syv modeller er rangeret i <strong>for</strong>hold til deres AIC. Det fremg˚ar af tabellen,<br />
at de to første modeller stort set har lige god AIC-score, mens de tre modeller<br />
med kun én parameter har opn˚aet de mindst negative værdier og dermed den<br />
d˚arligste score. Da leddet med den naturlige logaritme i dette tilfælde vægter<br />
mest, har det lille betydning, om modellen indeholder én eller tre parametre,<br />
idet en addering af 1 eller 6 ikke gør den store <strong>for</strong>skel, n˚ar tal i størrelsesordenen<br />
-150 og -80 sammenlignes. I andre tilfælde vil leddet med antallet af parametre<br />
vægte mest, og en <strong>for</strong>øgelse af antallet af parametre vil der<strong>for</strong> fungere som en<br />
straf i <strong>for</strong>hold til AIC.<br />
Af m˚aden hvorp˚a modellerne er rangeret, tyder det p˚a, at leddet indeholdende b<br />
under alle omstændigheder skal være en del af modellen. For at finde ud af hvilken<br />
model der passer bedst i <strong>for</strong>hold til ventrikeltømningsdata, bør modellerne<br />
testes p˚a flere datasæt.<br />
<strong>Model</strong> describtion a b c RSS AIC<br />
dQ<br />
dt = aQ2 + bQ + c<br />
dQ<br />
dt<br />
0.0135 -0.0197 0.0005 0.0020 -147.9<br />
= aQ2 + bQ<br />
dQ<br />
dt = bQ + c<br />
dQ<br />
dt<br />
0.0116<br />
-<br />
-0.0174<br />
-0.0064<br />
-<br />
-0.0014<br />
0.0025<br />
0.0264<br />
-146.3<br />
-105.0<br />
= aQ2 + c<br />
dQ<br />
dt = bQ<br />
dQ<br />
dt = c<br />
dQ<br />
dt<br />
-0.0053<br />
-<br />
-<br />
-<br />
-0.0085<br />
-<br />
-0.0026<br />
-<br />
-0.0040<br />
0.0777<br />
0.1058<br />
0.4421<br />
-87.6<br />
-84.3<br />
-60.0<br />
= aQ2 -0.0092 - - 0.8325 -49.3<br />
Tabel 5.8: Sammenligning af hvorledes de 7 modeller beskriver data.<br />
1 http://en.wikipedia.org/wiki/Akaike in<strong>for</strong>mation criterion/
5.5 Resume af Kapitel 5 61<br />
5.5 Resume af Kapitel 5<br />
Forsøget med den normoglykæmiske clamp <strong>for</strong>løb planmæssigt og var vellykket.<br />
Det lykkedes at holde blodsukkeret stabilt p˚a 5 mmol/L b˚ade før og efter et<br />
m˚altid. Det var tydeligt, at glukoseinfusionshastigheden m˚atte sættes ned efter<br />
40 minutter som tegn p˚a, at glukose fra m˚altidet blev optaget i blodbanen.<br />
Den dannede tømningskurve ligner andre tømningskurver, dog er <strong>for</strong>sinkelsesfasen<br />
i starten af tømningen ikke særlig tydelig, sammenlign figur 5.4 og 4.12.<br />
Dette kan m˚aske skyldes, at blodsukkeret under dette <strong>for</strong>søg var clampet, hvorimod<br />
blodsukkeret varierer under en normal ventrikeltømningsundersøgelse.<br />
I dette kapitel har jeg <strong>for</strong>søgt at fitte <strong>for</strong>skellige lineære modeller til data med<br />
det resultat, at dQ<br />
dt = aQ2 + bQ + c og dQ<br />
dt = aQ2 + bQ stort set beskriver<br />
tømningskurven lige godt. Statistisk set er parameteren c ikke signifikant <strong>for</strong>skellig<br />
fra 0, og det kan ikke bekræftes, at parameteren skal være en del af<br />
modellen. Dog ser den modellerede kurve <strong>for</strong> mavesækkens relative indhold ud<br />
til at passe bedre med <strong>for</strong>søgsdata, n˚ar modellen indeholder parameteren c. Det<br />
har vist sig, at leddet bQ skal være en del af modellen, idet modellerne med<br />
bQ passer bedre til data i <strong>for</strong>hold til modellerne uden bQ, hvor det gælder at<br />
de sammenlignede modeller har det samme antal samlede parametre, se tabel<br />
5.8. For at finde ud af hvilken af de <strong>for</strong>esl˚aede modeller som generelt set beskriver<br />
mavesækkens tømning bedst, er det nødvendigt at teste modellerne p˚a<br />
flere ventrikeltømningsdatasæt. Desuden vil det være interessant at se, hvorledes<br />
parametrene ændrer sig afhængig af det clampede blodsukkerniveau.
62 Forsøg med normoglykæmisk clamp
Kapitel 6<br />
Simulering af <strong>for</strong>søgsscenarie<br />
I dette kapitel vil der blive beskrevet en model <strong>for</strong> det menneskelige glukoregulatoriske<br />
system. Størstedelen af modellen stammer fra Hovorka [13, 14] og<br />
er modificeret s˚aledes, at den nu indeholder en model af bugspytkirtlen, som<br />
stammer fra Cobelli [22]. Præcis hvordan de to modeller er koblet sammen og<br />
modificeret vil fremg˚a af afsnit 6.1 og 6.2.<br />
Det har været nødvendigt at implementere en bugspytkirtel i modellen fra<br />
Hovorka <strong>for</strong> at kunne simulere en rask persons daglige glukosehomeostase. Denne<br />
implementering skal bruges til at simulere, hvorledes vi kunne <strong>for</strong>vente, at de<br />
3 planlagte <strong>for</strong>søgsscenarier ville udspille sig, n˚ar <strong>for</strong>søgspersonens blodsukker<br />
holdes konstant p˚a henholdsvis 2.5 mmol/L, 5 mmol/L og 10 mmol/L.<br />
6.1 Hovorka modellen<br />
Første del af modellen er en m˚altidsabsorptionsmodel, som beskriver, hvorledes<br />
den indtagne glukose bevæger sig gennem <strong>for</strong>døjelsessystemet <strong>for</strong> til sidst<br />
at blive optaget i blodbanen. M˚altidsmodellen var ikke med i Hovorkas model<br />
fra 2002 [14], men introduceres i artiklen fra 2004 [13]. I denne model er absorptionsraten<br />
til blodbanen givet ved to enheder i <strong>for</strong>længelse af hinanden med<br />
ens overføringsrater, se figur 6.1. De to enheder repræsenterer fysiologisk set
64 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.1: Illustration af Hovorkas m˚altidsmodel.<br />
mavesækken og tyndtarmen. <strong>Model</strong>len kan beskrives ved et system af 2 differentialligninger,<br />
se (6.1)-(6.3) fra [13].<br />
Der er tale om en meget simpel m˚altidsmodel, der hverken tager højde <strong>for</strong><br />
madens sammensætning af næringsindhold som modellen fra Goetze [10] eller<br />
har implementeret en feedbackmekanisme fra blodsukkeret til mavesækkens<br />
tømningshastighed. Der er med andre ord muligheder <strong>for</strong> <strong>for</strong>bedringer. Differentialligningerne<br />
til beskrivelse af kulhydraternes transport i mavesækken og<br />
tyndtarmen inden de absorberes i blodbanen er givet ved følgende.<br />
˙D1(t)<br />
1000<br />
= AG d(t) − 1<br />
D1(t) (6.1)<br />
MwG<br />
τD<br />
˙D2(t) = 1<br />
D1(t) − 1<br />
D2(t) (6.2)<br />
τD<br />
τD<br />
UG = 1<br />
D2(t) (6.3)<br />
τD<br />
hvor d er massen af indtaget glukose, D1 er massen af glukose i den første enhed,<br />
D2 er massen af glukose i den anden enhed og UG er massen af glukose, som<br />
overføres til plasma per minut. Konstanten τD er en absorptionskonstant givet<br />
i min, AG beskriver hvor stor en del af m˚altidet, som er kulhydrat, og MwG er<br />
molvægten af glukose givet i g/mol.<br />
Ud over m˚altidsabsorptionsmodellen best˚ar Hovorkas model af en delmodel, der<br />
beskriver plasmaets indhold af glukose. Plasma er modelleret med to enheder,<br />
hvoraf den ene er m˚alelig, og den anden er ikke-m˚alelig. Det m˚alelige plasma<br />
er den væske, som findes i blodet, og det ikke-m˚alelige plasma er den væske,<br />
som befinder sig ude i vævene omkring cellerne og <strong>for</strong>syner disse med næring.<br />
Glukosemodellen kan beskrives ved 2 differentialligninger, hvoraf to parametre<br />
afhænger af koncentrationen af glukose i det m˚alelige plasma, se (6.4)-(6.8) fra<br />
[13].
6.1 Hovorka modellen 65<br />
˙Q1(t) = UG(t) − F01,c(t) − FR(t) − x1(t)Q1(t) + k12Q2(t)<br />
+EGP0(1 − x3(t)) (6.4)<br />
˙Q2(t) = x1(t)Q1(t) − k12Q2(t) − x2(t)Q2(t) (6.5)<br />
G(t) = Q1(t)<br />
⇐⇒ ˙ G(t) = ˙ Q1(t)<br />
F01,c(t) =<br />
FR(t) =<br />
VG<br />
<br />
F01<br />
F01 G(t)<br />
4.5<br />
VG<br />
G(t) ≥ 4.5 mmol/L<br />
otherwise<br />
<br />
0.003(G(t) − 9)VG G(t) ≥ 9 mmol/L<br />
0 otherwise<br />
(6.6)<br />
(6.7)<br />
(6.8)<br />
hvor F01,c er det insulin-uafhængige glukose<strong>for</strong>brug af central nervesystemet,<br />
CNS, givet ved (6.7). Det ses, at n˚ar blodsukkeret er under 4.5 mmol/L, nedsættes<br />
CNS’ glukose<strong>for</strong>brug. FR er mængden af glukose, som udskilles i urinen<br />
givet ved (6.8). Det ses, at n˚ar koncentrationen af glukose i blodet er over 9<br />
mmol/L, udskilles en del af glukosen direkte i urinen. Q1 er massen af glukose i<br />
den m˚alelige enhed, og Q2 er massen af glukose i den ikke-m˚alelige enhed. EGP0<br />
er den endogene glukoseproduktion ved fravær af insulin, mens G er den m˚alelige<br />
glukose koncentration i plasma. De tre størrelser x1, x2 og x3 repræsenterer indvirkningerne<br />
af insulin p˚a henholdsvis glukose <strong>for</strong>deling/transport, glukose afsat<br />
i vævene og endogen glukoseproduktion. Konstanten k12 er overføringsraten fra<br />
den ikke-m˚alelige til den m˚alelige enhed givet i 1/min, og VG er volumenet af<br />
den m˚alelige enhed givet i L.<br />
Hovorkas model best˚ar desuden af en model, der beskriver, hvordan insulin optages<br />
gennem vævet. Da insulinen indføres intravenøst under et clamp-<strong>for</strong>søg, har<br />
denne del af modellen ingen relevans i denne simuleringssammenhæng. Til gengæld<br />
har plasmaets indhold af insulin relevans. Hovorkas model indeholder ingen<br />
bugspytkirtel og dermed ingen egenhændig produktion af insulin. Da <strong>for</strong>søgene<br />
udføres p˚a en rask <strong>for</strong>søgsperson, er dette nødvendigt <strong>for</strong> at kunne simulere mere<br />
realistisk. Det antages, at alt den endogene produktion af insulin overføres<br />
direkte til plasma, og den resulterende stigning i plasmaets insulinkoncentration<br />
er givet ved S(t)<br />
, se (6.9) modificeret fra [13].<br />
VI<br />
I(t) ˙ = UI(t)<br />
− keI(t) +<br />
VI<br />
S(t)<br />
VI<br />
(6.9)<br />
hvor UI er den intravenøse insulin absorptionsrate, I er koncentrationen af insulin<br />
i plasma, og S er mængden af secerneret insulin. ke er eliminationsrate af<br />
insulin fra plasma givet i 1/min, og VI er insulins <strong>for</strong>delingsvolumen givet i L.
66 Simulering af <strong>for</strong>søgsscenarie<br />
I Hovorkas model findes et delsystem, som repræsenterer insulins indflydelse p˚a<br />
<strong>for</strong>skellige glukoseenheder, se (6.10)-(6.12) fra [14].<br />
˙x1(t) = −ka1x1(t) + kb1I(t) (6.10)<br />
˙x2(t) = −ka2x2(t) + kb2I(t) (6.11)<br />
˙x3(t) = −ka3x3(t) + kb3I(t) (6.12)<br />
hvor x1 er insulins indflydelse p˚a <strong>for</strong>deling/transport af glukose, x2 er insulins<br />
indflydelse p˚a glukose afsat i vævene, og x3 er insulins indflydelse p˚a den endogene<br />
produktion af glukose. Konstanterne ka1, ka2 og ka3 er deaktiveringskonstanter<br />
givet i 1/min, og konstanterne kb1, kb2 og kb3 er aktiveringskonstanter<br />
givet i 1/min<br />
mU/L , se [13] <strong>for</strong> beregning af kb1, kb2 og kb3.<br />
6.2 Implementering af model <strong>for</strong> bugspytkirtel<br />
Som nævnt har det været nødvendigt at implementere en bugspytkirtel <strong>for</strong> at<br />
gøre simuleringerne af <strong>for</strong>søgsscenarierne mere realistiske, se figur 6.2. <strong>Model</strong>len<br />
<strong>for</strong> bugspytkirtlen best˚ar af to enheder [22]. Insulin secerneringen kan der<strong>for</strong><br />
beskrives ved et system af 2 differentialligninger givet ved (6.13)-(6.16).<br />
S(t) = γIpo(t) (6.13)<br />
Ipo(t) ˙<br />
Spo(t)<br />
=<br />
=<br />
−S(t) + Spo(t) (6.14)<br />
<br />
Y (t) + KG(t) ˙ + Sb <strong>for</strong> ˙ G > 0<br />
Y (t) + Sb<br />
<strong>for</strong> ˙ ˙Y (t) =<br />
(6.15)<br />
G ≤ 0<br />
<br />
−α[Y (t) − β(G(t) − Gss)] if β(G(t) − Gss) ≥ −Sb<br />
(6.16)<br />
−α[Y (t) + Sb] if β(G(t) − Gss) < −Sb<br />
hvor S(t) ifølge den oprindelige model er insulin secerneringen fra portalvenen<br />
til leveren givet i mU/min. Ved implementering i Hovorka modellen antages det,<br />
at insulin secerneres direkte fra portalvenen til plasma. Ipo(t) er s˚aledes mængden<br />
af insulin i portalvenen givet i mU, Spo(t) er insulin optag i portalvenen<br />
givet i mU/min, Y (t) er insulin optag eller udskillelse fra portalvenen givet i<br />
mU/min, og Sb er den basale insulinsecernering givet i mU/min. Endvidere er γ<br />
en hastighedsrate imellem portalvenen og plasma givet i 1/min, K er bugspytkirtlens<br />
p˚avirkelighed over<strong>for</strong> ændringer i glukoseniveauet givet i mU/mmol, α
6.2 Implementering af model <strong>for</strong> bugspytkirtel 67<br />
Figur 6.2: Illustration af Hovorka modellen med implementeret bugspytkirtel fra<br />
Cobelli.<br />
er <strong>for</strong>sinkelsen imellem glukosesignalet og insulinsecerneringen givet i 1/min, β<br />
er bugspytkirtlens p˚avirkelighed over<strong>for</strong> glukoseniveauet givet i mU/min<br />
mmol/L , og Gss<br />
er glukose koncentrationen i steady state givet i mmol/L.<br />
For at kunne implementere ovenst˚aende model er det nødvendigt at kende de<br />
mange parametre, som indg˚ar samt kende begyndelsesbetingelserne <strong>for</strong> de <strong>for</strong>skellige<br />
enheder, se tabel 6.1 og 6.2. Mange af disse størrelser afhænger af kropsvægten<br />
enten direkte eller indirekte. De to størrelser, som afhænger indirekte<br />
af vægten, er den basale insulinsecernering Sb, som i øvrigt er lig initial indholdet<br />
af insulin i portalvenen Ipo(0), samt det basale insulin niveau I(0). Disse<br />
parametre vælges s˚aledes, at der opn˚as et steady state, se figur 6.3.<br />
For at kunne implementere modellen af bugspytkirtlen fra Cobelli i modellen fra<br />
Hovorka har det været nødvendigt at <strong>for</strong>etage en del omregninger af parametrene<br />
fra Cobelli. Det skyldes, at Cobelli bruger enheden pmol <strong>for</strong> insulin, og Hovorka<br />
bruger enheden mU. Som omregningsfaktor imellem pmol og mU <strong>for</strong> insulin er<br />
benyttet 1 mU/L = 6.00 pmol/L [35].<br />
Implementeringen af Hovorka modellen og bugspytkirtel modellen fra Cobelli i<br />
MATLAB kan ses i Appendix D.
68 Simulering af <strong>for</strong>søgsscenarie<br />
Symbol Value Unit<br />
Transfer rate k12 0.066 1/min<br />
Deactivation rate ka1 0.006 1/min<br />
Deactivation rate ka2 0.06 1/min<br />
Deactivation rate ka3 0.03 1/min<br />
Insulin elimination rate ke 0.138 1/min<br />
CHO absorption constant τD 40 min<br />
Insulin absorption constant τS 55 min<br />
CHO utilization AG 0.8 -<br />
Transport insulin sensitivity SI,1 51.2 · 10−4 L/mU<br />
Disposal insulin sensitivity SI,2 8.2 · 10−4 L/mU<br />
EGP insulin sensitivity SI,3 520 · 10−4 L/mU<br />
Insulin distribution volume<br />
Glucose distribution volume<br />
Liver glucose production<br />
VI<br />
BW<br />
VG<br />
BW<br />
EGP0<br />
BW<br />
0.12<br />
0.16<br />
0.0161<br />
L/kg<br />
L/kg<br />
mmol<br />
min /kg<br />
CNS glucose consumption<br />
F01<br />
mmol<br />
BW 0.0097 min /kg<br />
Normalization factor η 6.00 pmol/mU<br />
Transfer rate γ 0.5 1/min<br />
Responsitivity to glucose change K 43.16 mU/mmol<br />
Delay α 0.05 1/min<br />
Responsitivity to glucose<br />
β<br />
BW 0.3303<br />
mU/min<br />
mmol/L /kg<br />
Basal insulin secretion Sb<br />
∗ mU/min<br />
Tabel 6.1: ∗ Parameteren Sb afhænger direkte og indirekte af personens vægt.<br />
Ex <strong>for</strong> BW = 70 kg er Sb = 6.5072 og <strong>for</strong> BW = 60 kg er Sb = 1.8592.
6.2 Implementering af model <strong>for</strong> bugspytkirtel 69<br />
Figur 6.3: Glukoseniveau og insulinniveau i steady state <strong>for</strong> BW = 70 kg.<br />
Symbol Value Unit<br />
Glucose in compartment 1 D1(0) 0 mmol<br />
Glucose in compartment 2 D2(0) 0 mmol<br />
Glucose in accessible compartment Q1(0) 55.9483 mmol<br />
Glucose in non-accessible compartment Q2(0) 23.3399 mmol<br />
Plasma insulin concentration I(0) ∗ mU/L<br />
Insulin action on distribution/transport x1(0) 0.0295 mU<br />
Insulin action on disposal in addipose tissue x2(0) 0.0047 mU<br />
Insulin action on EGP x3(0) 0.2997 mU<br />
Insulin mass in portal vein Ipo(0) ∗ mU<br />
Tranfer of insulin Y (0) 0 mU/min<br />
Tabel 6.2: ∗ Begyndelsesbetingelserne I(0) og Ipo(0) afhænger af personens vægt.<br />
Ex <strong>for</strong> BW = 70 kg er I(0) = 5.7677 og Ipo(0) = 6.5072; <strong>for</strong> BW = 60 kg er<br />
I(0) = 5.7253 og Ipo(0) = 1.8592.
70 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.4: Visualisering af <strong>for</strong>søgsdata fra <strong>for</strong>søg med normoglykæmisk clamp i<br />
<strong>for</strong>m af blodsukkerniveau og glukoseinfusion. M˚altidet blev givet til tiden 0.<br />
6.3 Simulering af clamp-<strong>for</strong>søg<br />
Selvom det kun var muligt at gennemføre ét af de i alt tre planlagte clamp-<strong>for</strong>søg,<br />
vil jeg i dette afsnit præsentere hvorledes alle tre <strong>for</strong>søgsscenarier kunne have udspillet<br />
sig, hvis den modificerede model fra Hovorka afspejlede virkeligheden. For<br />
at lette simuleringsarbejdet udvikles en simpel controller, som regulerer glukoseinfusionen.<br />
Herunder er vist et eksempel p˚a MATLAB kode til controlleren,<br />
n˚ar den ønskede nøjagtighed <strong>for</strong> justering af glukoseinfusionen er 0.25 g/min.<br />
Der simuleres 5 timer i intervaller af 5 minutter, se linje 8-11. Hvis blodsukkeret<br />
efter de 5 minutter er over den ønskede værdi, mindskes glukoseinfusionen, og<br />
hvis blodsukkeret efter de 5 minutter derimod er under den ønskede værdi, øges<br />
sukkerinfusionen, se linje 12-20. I tilfælde af at controlleren beregner en negativ<br />
værdi <strong>for</strong> glukoseinfusionen, sættes denne til 0, se linje 21-23. Controllerne, som<br />
styrer henholdsvis den hyperglykæmiske clamp og den hypoglykæmiske clamp,<br />
er en anelse anderledes, men bygger p˚a det samme princip, se Appendix D.<br />
Controlleren fungerer som beskrevet oven<strong>for</strong>, da dette var den benyttede metode<br />
til clamp af blodsukkeret p˚a Hvidovre Hospital. Naturligvis havde lægerne en erfaring<br />
<strong>for</strong>, hvorn˚ar glukosen ville blive optaget i plasma og vidste der<strong>for</strong> hvorn˚ar,<br />
glukoseinfusionen skulle nedreguleres, modsat controlleren som kun reagerer p˚a
6.3 Simulering af clamp-<strong>for</strong>søg 71<br />
det aktuelle blodsukker. For at gøre controlleren bedre kunne glukoseændringen<br />
ligeledes indg˚a som et argument <strong>for</strong> at ændre glukoseinfusionen, se linje 14 og<br />
18.<br />
1 <strong>for</strong> t = 0:5:N−2<br />
2 % Initial values <strong>for</strong> compartments be<strong>for</strong>e first simulation.<br />
3 if t == 0<br />
4 Xx = xss;<br />
5 end<br />
6 % Giving same glucoseinfusion <strong>for</strong> 5 minutes.<br />
7 IV glu(t+1:t+5) = IV glu(t+1:t+5)+iv glu bolus;<br />
8 % Simulating 5 minutes.<br />
9 [tx,Gx,Ix,Xx] = Hovorka<strong>Model</strong>Simulation2Pancreas...<br />
10 (T(t+1):T(t+5),Xx,IV ins(t+1:t+5),IV glu(t+1:t+5),D(t+1:t+5),par);<br />
11 Xx = Xx(end,:)';<br />
12 % If bloodsugar is higher than target value: reduce glucoseinfusion<br />
13 % <strong>for</strong> next 5 minutes.<br />
14 if Gx > BS<br />
15 iv glu bolus = iv glu bolus − 0.25;<br />
16 % If bloodsugar is lower than target value: enlarge glucoseinfusion<br />
17 % <strong>for</strong> next 5 minutes.<br />
18 elseif Gx < BS<br />
19 iv glu bolus = iv glu bolus + 0.25;<br />
20 end<br />
21 if iv glu bolus < 0<br />
22 iv glu bolus = 0;<br />
23 end<br />
24 % Saving time−vector, plasma−glucose−vector, plasma−insulin−vector.<br />
25 Tx = [Tx; tx(1)];<br />
26 G = [G; Gx(1)];<br />
27 I = [I; Ix(1)];<br />
28 X = [X; Xx(1)];<br />
29 end<br />
6.3.1 Normoglykæmisk clamp<br />
Som det fremg˚ar af figur 6.5, holdes blodsukkeret relativt konstant p˚a 5 mmol/L.<br />
Under hele simuleringen holdes insulininfusionen konstant p˚a 12 mU/min. Dette<br />
er alt <strong>for</strong> lavt i <strong>for</strong>hold til den infusion, som blev givet under <strong>for</strong>søget, dette vil<br />
blive omtalt senere. Den intravenøse glukoseinfusion er fra starten 0 og reguleres<br />
af controlleren med en nøjagtighed p˚a 0.25 g/min. M˚altidet gives 60 minutter<br />
efter simuleringens start, og de 40 g kulhydrat indtages i løbet af 10 minutter.<br />
Ved simuleringen af normoglykæmi er den samlede mængde glukose, som er<br />
givet intravenøst, lidt over 300 g. Dette stemmer godt overens med det virkelige<br />
<strong>for</strong>søg, hvor der ca. blev brugt 1 1<br />
2<br />
pose glukoseopløsning, som hver indeholdt<br />
200 g glukose. Det fremg˚ar af figur 6.5, at glukoseinfusionsraten faldt ca. 30<br />
minutter efter m˚altidet, hvilket stemmer overens med det virkelige <strong>for</strong>søg, se
72 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.5: Simulering af clampet blodsukker p˚a 5 mmol/L og den deraf følgende<br />
plasma insulinkoncentration. Desuden ses mængden af indgivet glukose og insulin.<br />
Den sorte pil indikerer, hvorn˚ar m˚altidet er givet.<br />
figur 6.4. Dog stemmer størrelsen af glukoseinfusionsraten ikke helt overens. I<br />
det virkelige <strong>for</strong>søg svingede infusionsraten imellem 50 ml/h (= 0.17 g/min) og<br />
350 ml/h (= 1.17 g/min), mens glukoseinfusionsraten i det simulerede <strong>for</strong>søg var<br />
s˚a høj som 2.25 g/min svarende til 675 ml/h. Dette virker urealistisk højt, idet<br />
<strong>for</strong>søgspersonen oplevede en del ubehag i blodkarrene omkring infusionsstedet<br />
ved glukoseinfusionen p˚a 350 ml/h, og en højere infusionsrate ville kun gøre<br />
ubehaget større.<br />
Det fremg˚ar af figur 6.5, at plasma insulinniveauet svingede en del, men befandt<br />
sig omkring 20-25 mU/L. Da der ikke var mulighed <strong>for</strong> at m˚ale denne størrelse<br />
under <strong>for</strong>søget, er det ikke muligt at udtale sig om rigtigheden af det simulerede<br />
insulinniveau. Dog har man under et tilsvarende <strong>for</strong>søg med en normoglykæmisk<br />
clamp fundet, at insulinniveauet var omkring 50 mU/L, hvilket er en del højere<br />
end det simulerede [34].<br />
Under det virkelige <strong>for</strong>søg med den normoglykæmiske clamp var insulininfusionen<br />
konstant 70 mU/min, hvilket fremg˚ar af figur 6.6. Ved simulering af<br />
normoglykæmi ved denne fastsatte insulininfusion ses det, at blodsukkeret holdes<br />
rimelig stabilt p˚a 5 mmol/L. Den intravenøse glukoseinfusion er fra starten<br />
0 og reguleres af controlleren med en nøjagtighed p˚a 0.8 g/min. M˚altidet gives
6.3 Simulering af clamp-<strong>for</strong>søg 73<br />
Figur 6.6: Simulering af clampet blodsukker p˚a 5 mmol/L og den deraf følgende<br />
plasma insulinkoncentration. Desuden ses mængden af indgivet glukose og realistisk<br />
insulininfusion p˚a 70 mU/min. Den sorte pil indikerer, hvorn˚ar m˚altidet<br />
er givet.<br />
60 minutter efter simuleringens start, og de 40 g kulhydrat indtages i løbet af<br />
10 minutter.<br />
Ved simuleringen af normoglykæmi er den samlede mængde glukose, som er<br />
givet intravenøst, lidt over 2.2 kg. Dette stemmer slet ikke overens med det virkelige<br />
<strong>for</strong>søg, hvor der blev brugt ca. 300 g glukose. Det fremg˚ar af figur 6.6, at<br />
glukoseinfusionsraten steg frem mod m˚altidet, var konstant op til en time efter<br />
og steg igen langsomt. Stigningen frem mod m˚altidet kan betragtes som stabiliseringsfasen.<br />
I det virkelige <strong>for</strong>søg faldt glukoseinfusionen dog efter m˚altidet,<br />
men i simuleringen var infusionen uændret længe efter m˚altidet. Den langsomme<br />
stigning en time efter m˚altidet stemmer overens med det virkelige <strong>for</strong>søg,<br />
se figur 6.4. Dog stemmer størrelsen af glukoseinfusionsraten ikke overens. I det<br />
virkelige <strong>for</strong>søg var infusionsraten maksimalt 350 ml/h (= 1.17 g/min), mens<br />
glukoseinfusionsraten i det simulerede <strong>for</strong>søg var s˚a høj som 10 g/min svarende<br />
til 3 L/h. Dette virker som sagt fuldstændig urealistisk.<br />
Det fremg˚ar af figur 6.6, at plasma insulinniveauet først peakede omkring 90<br />
mU/L og derefter stabiliserede sig omkring 70 mU/L. I et tilsvarende <strong>for</strong>søg<br />
med en normoglykæmisk clamp har man fundet at insulinniveauet var omkring<br />
50 mU/L, hvilket er lidt under det simulerede [34].
74 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.7: Simulering af clampet blodsukker p˚a 10 mmol/L og den deraf følgende<br />
plasma insulinkoncentration. Desuden ses mængden af indgivet glukose. Den<br />
sorte pil indikerer, hvorn˚ar m˚altidet er givet.<br />
6.3.2 Hyperglykæmisk clamp<br />
Det fremg˚ar af figur 6.7, at det tager omkring 20 minutter at n˚a det ønskede<br />
blodsukkerniveau p˚a 10 mmol/L. Der gives ingen insulin under simuleringen.<br />
Den intravenøse glukoseinfusion er fra starten 5 g/min og reguleres af controlleren<br />
med en nøjagtighed p˚a 0.5 g/min. M˚altidet gives 60 minutter efter simuleringens<br />
start, og de 40 g kulhydrat indtages i løbet af 10 minutter.<br />
Da der ikke blev udført et <strong>for</strong>søg ved hyperglykæmi, kan resultaterne fra Vollmer<br />
bruges som sammenligningsgrundlag [34], se figur 6.8. Ved simuleringen af hyperglykæmi<br />
er den samlede mængde glukose, som er givet intravenøst omkring 5.7<br />
kg. Dette virker meget urealistisk. Det fremg˚ar af figur 6.7, at glukoseinfusions-<br />
raten steg med konstant hastighed de første 3 1<br />
2<br />
time, herefter blev stigningen<br />
mindre. Dette stemmer ikke overens med resultaterne fra Vollmer, hvor glukoseinfusionsniveauet<br />
faldt umiddelbart efter m˚altidet og derefter steg langsomt<br />
igen. Glukoseinfusionsraten i det simulerede <strong>for</strong>søg virker desuden alt <strong>for</strong> høj<br />
b˚ade i <strong>for</strong>hold til det normoglykæmiske <strong>for</strong>søg og resultaterne fra Vollmer, hvor<br />
infusionsraten under den hyperglykæmiske clamp maksimalt var 1.05 g/min.<br />
Det fremg˚ar af figur 6.7, at plasma insulinniveauet først peakede ved 120 mU/L,
6.3 Simulering af clamp-<strong>for</strong>søg 75<br />
Figur 6.8: Plasma koncentration af glukose (A), insulin (B) og C-peptid (C) samt<br />
glukoseinfusionsrater (D) ved normoglykæmi (˚abne) og hyperglykæmi (fyldte),<br />
fra [34].<br />
men derefter stabiliserede sig omkring 100 mU/L. Dette er ifølge m˚alingerne fra<br />
Vollmer <strong>for</strong> lavt, idet insulinniveauet under den hyperglykæmiske clamp stabiliserede<br />
sig omkring 250 mU/L.<br />
6.3.3 Hypoglykæmisk clamp<br />
Som det fremg˚ar af figur 6.9, holdes blodsukkeret relativt konstant p˚a omkring<br />
2.5 mmol/L. Under den første time af simuleringen holdes insulininfusionen konstant<br />
p˚a 40 mU/min, og de sidste 4 timer sættes infusionsraten til 20 mU/min.<br />
Den intravenøse glukoseinfusion er fra starten 0 og reguleres af controlleren<br />
med en nøjagtighed p˚a 0.5 g/min. M˚altidet gives 60 minutter efter simuleringens<br />
start, og de 40 g kulhydrat indtages i løbet af 10 minutter.<br />
Ved simuleringen af hypoglykæmi er den samlede mængde glukose, som er givet<br />
intravenøst lidt over 200 g. Det fremg˚ar af figur 6.9, at glukoseinfusionsraten<br />
faldt ca. 30 minutter efter m˚altidet. Dog virker størrelsen af glukoseinfusionsraterne<br />
ikke realistiske, idet infusionsraten maksimalt var 2.5 g/min svarende til<br />
750 ml/h, og som tidligere nævnt oplevede <strong>for</strong>søgspersonen allerede ubehag ved<br />
den høje glukoseinfusion p˚a 350 ml/h.<br />
Det fremg˚ar af figur 6.9, at plasma insulinniveauet svingede en del, men befandt<br />
sig omkring 20-30 mU/L. Dette virker realistisk, idet man under et <strong>for</strong>søg med<br />
normoglykæmisk clamp har fundet, at insulinniveauet var omkring 50 mU/L,
76 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.9: Simulering af clampet blodsukker p˚a 2.5 mmol/L og den deraf følgende<br />
plasma insulinkoncentration. Desuden ses mængden af indgivet glukose og insulin.<br />
Den sorte pil indikerer, hvorn˚ar m˚altidet er givet.<br />
se figur 6.8.<br />
Ifølge personalet p˚a Endokrinologisk afdeling p˚a Hvidovre Hospital skulle insulininfusionen<br />
under hypoglykæmi have været 70 mU/min. I figur 6.10 fremg˚ar<br />
det, hvorledes s˚adan et <strong>for</strong>søgsscenarie kunne have set ud.<br />
Som det fremg˚ar af figur 6.10, svinger blodsukkeret imellem 2-2.8 mmol/L. Insulininfusionen<br />
holdes konstant under hele <strong>for</strong>søget p˚a 70 mU/min. For at undg˚a<br />
at blodsukkeret kommer <strong>for</strong> langt ned, startes glukoseinfusionen p˚a 2 g/min efter<br />
30 minutter og <strong>for</strong>tsætter, indtil m˚altidet er indtaget. Herudover reguleres<br />
blodsukkeret af controlleren med en nøjagtighed p˚a 0.8 g/min. M˚altidet gives<br />
60 minutter efter simuleringens start, og de 40 g kulhydrat indtages i løbet af<br />
10 minutter.<br />
Ved simuleringen af hypoglykæmi er den samlede mængde glukose, som er givet<br />
intravenøst omkring 1.3 kg, hvilket virker usandsynligt. Som det fremg˚ar af figur<br />
6.10, svinger glukoseinfusionsraten, men tendensen er generelt stigende. Dog<br />
virker størrelsen af glukoseinfusionsraterne ikke realistiske, idet infusionsraten<br />
maksimalt var 7 g/min svarende til 2 L/h.<br />
Det fremg˚ar af figur 6.10, at plasma insulinniveauet svingede omkring 65-75<br />
mU/L. Dette svarer til insulinniveauet under det simulerede normoglykæmiske
6.4 Diskussion af simulering af clamp-<strong>for</strong>søg 77<br />
Figur 6.10: Simulering af clampet blodsukker p˚a 2.5 mmol/L og den deraf<br />
følgende plasma insulinkoncentration. Desuden ses mængden af indgivet glukose<br />
og realistisk insulininfusion p˚a 70 mU/min. Den sorte pil indikerer, hvorn˚ar<br />
m˚altidet er givet.<br />
clamp-<strong>for</strong>søg med insulininfusionsrate p˚a 70 mU/L.<br />
6.4 Diskussion af simulering af clamp-<strong>for</strong>søg<br />
Ved simuleringerne af de ovenst˚aende clamp-<strong>for</strong>søg har det vist sig, at controlleren<br />
fungerer udmærket og letter simuleringsarbejdet i <strong>for</strong>hold til, hvis glukoseinfusionsraterne<br />
skulle være justeret manuelt. Dog virker dele af simuleringerne<br />
urealistiske, især er niveauerne <strong>for</strong> de intravenøse glukoseinfusioner og de deraf<br />
følgende totale glukosemængder alt <strong>for</strong> høje. Den krævede høje mængde glukose<br />
<strong>for</strong> at kunne opretholde et givet blodsukker m˚a skyldes nogle <strong>for</strong>kerte parametre<br />
<strong>for</strong> glukose-insulin kinetikken, som stammer fra Hovorka [14].<br />
Der er endnu et problem med simuleringerne. N˚ar glukosen fra m˚altidet optages<br />
i blodbanen, bør dette kunne ses i glukoseinfusionsniveauet, som bør falde et<br />
givet tidsrum efter m˚altidets start og derefter stige [27, 34]. Begge disse hændelser<br />
skete langt fra ved alle simuleringerne. Hvis modellen <strong>for</strong> m˚altidsabsorption
78 Simulering af <strong>for</strong>søgsscenarie<br />
Figur 6.11: Simulering af clampet blodsukker p˚a 2.5 mmol/L og den følgende<br />
plasma insulinkoncentration <strong>for</strong> nedsat K. Desuden ses mængden af indgivet<br />
glukose og realistisk insulininfusion p˚a 70 mU/min. Den sorte pil indikerer,<br />
hvorn˚ar m˚altidet er givet.<br />
ydermere havde indeholdt en feedback-mekanisme fra blodsukkeret til mavesækkens<br />
tømningshastighed, ville tiden fra m˚altidets start til nedjusteringen af<br />
glukoseinfusionen have varieret afhængig af det clampede blodsukkerniveau. I<br />
<strong>for</strong>hold til tidsrummet i normoglykæmi ville tidsrummet i hyperglykæmi have<br />
været længere, og tidsrummet i hypoglykæmi ville have været kortere.<br />
Der er ligeledes et stort problem med modellen <strong>for</strong> insulinsecernering. Det bemærkes<br />
at insulinproduktionen ikke undertrykkes ved infusion p˚a 12 mU/L,<br />
hvilket stemmer overens med virkeligheden. Dog bør en insulininfusion p˚a 70<br />
mU/L undertrykke insulinsecerneringen. Dette er ikke tilfældet i modellen fra<br />
Cobelli. Det skyldes, at Cobelli modellen ikke indeholder nogen mekanisme, som<br />
stopper insulinproduktionen, selvom kroppen befinder sig i hypoglykæmi. Det,<br />
som virkelig tricker insulinproduktionen, er en stigning i plasma glukosekoncentrationen.<br />
Det fremg˚ar af tabel 6.1, at bugspytkirtlens p˚avirkelighed over<strong>for</strong><br />
ændringer i glukosekoncentrationen, K, er omkring 40 mU/mmol. Det vil sige,<br />
at hver gang blodsukkeret blot stiger 0.5 mmol/L, stiger insulinproduktionen<br />
med 20 mU/L (6.15). Dette er et meget aggressivt respons, hvilket ogs˚a fremg˚ar<br />
af figurerne i afsnit 6.3. S˚a snart glukosekoncentrationen stiger en anelse, ogs˚a<br />
fra hypoglykæmi til normoglykæmi, reagerer bugspytkirtlen prompte og pro-
6.5 Resume af Kapitel 6 79<br />
ducerer meget mere insulin end nødvendigt. Logisk set burde bugspytkitlens<br />
p˚avirkelighed være en variabel, som afhang af blodets glukosekoncentration.<br />
S˚aledes er det rimeligt, at p˚avirkeligheden er høj, hvis kroppen befinder sig i<br />
hyperglykæmi. Derimod bør p˚avirkeligheden være lav, n˚ar kroppen befinder sig<br />
i hypoglykæmi, hvorved insulinproduktionen undertrykkes i overensstemmelse<br />
med virkeligheden. P˚a figur 6.11 er simuleringen med blodsukker p˚a 2.5 mmol/L<br />
og insulininfusion p˚a 70 mU/min gentaget, hvor K er 1<br />
4 af den oprindelige værdi.<br />
Det ses, at insulinresponset til sm˚a stigninger i blodsukkeret undertrykkes<br />
i overensstemmelse med, hvad man kunne <strong>for</strong>vente i virkeligheden. For at undersøge<br />
hvorledes denne p˚avirkelighed afhænger af blodsukkeret, kunne man<br />
lave en række <strong>for</strong>søg, hvor man først fastholder blodsukkeret og derefter giver<br />
en større glukosebolus intravenøst, mens man samtidig m˚aler insulinkoncentrationen<br />
i plasma.<br />
Det voldsomme respons fra bugspytkirtlen kan som nævnt enten skyldes parameteren<br />
K, eller m˚aske skyldes det m˚aden bugspytkirtlen er implementeret p˚a,<br />
hvor den producerede insulin overføres direkte til plasma og ikke lagres i leveren<br />
som i Cobelli modellen. I den oprindelige model er der mulighed <strong>for</strong> at lagre insulin,<br />
s˚aledes at kun en del af den insulin, som befinder sig i leveren, secerneres<br />
til plasma.<br />
6.5 Resume af Kapitel 6<br />
I dette kapitel har jeg vist, hvorledes Hovorka modellen <strong>for</strong> menneskets glukoregulatoriske<br />
system og m˚altidsabsorption kan sammenkobles med Cobelli modellen<br />
<strong>for</strong> bugspytkirtlen. Denne sammenkobling er ikke problemfri, idet Cobelli<br />
bruger enheden pmol <strong>for</strong> insulin, mens Hovorka bruger enheden mU. For at<br />
gøre sammenkoblingen simpel antages det, at den producerede insulin secerneres<br />
direkte i plasma og ikke kan lagres i leveren som i den oprindelige model fra<br />
Cobelli. Dette kan have betydet, at insulinresponset i de viste simuleringer er<br />
<strong>for</strong> kraftigt.<br />
Noget tyder p˚a, at parametrene <strong>for</strong> glukose-insulin kinetikken ikke er korrekte,<br />
idet der er behov <strong>for</strong> urealistisk høje glukoseinfusionsrater <strong>for</strong> at opretholde<br />
et givet blodsukker. Desuden virker det helt <strong>for</strong>kert, at m˚altidet i de fleste<br />
simuleringer slet ikke p˚avirker glukoseinfusionsraten. Dette kan tilskrives den<br />
nødvendige høje glukoseinfusionsrate.<br />
Ligeledes er insulinresponset i simuleringen urealistisk, idet der produceres ekstra<br />
insulin, hvis blodsukkeret stiger fra hypoglykæmi til normoglykæmi. Dette<br />
strider imod den menneskelige fysiologi, som netop <strong>for</strong>søger at opretholde glukosehomeostase<br />
ved at mindske insulinproduktionen under hypoglykæmi. Fysiologisk<br />
set bør bugspytkirtlens p˚avirkelighed over<strong>for</strong> ændringer i plasma glukosekoncentrationen<br />
der<strong>for</strong> være afhængig af det aktuelle blodsukker.
80 Simulering af <strong>for</strong>søgsscenarie<br />
For at implementere modellen af bugspytkirtlen fra Cobelli mere korrekt i Hovorka<br />
modellen bør man overveje at tilføje en enhed <strong>for</strong> leveren, hvori insulin kan lagres<br />
samt at gøre parameteren K afhængig af blodsukkeret. Desuden bør parametrene,<br />
som har indflydelse p˚a glukose-insulin kinetikken, undersøges nærmere.
Kapitel 7<br />
Konklusion<br />
I dette bachelor-projekt har jeg blandt andet <strong>for</strong>søgt at undersøge, hvilke hormoner<br />
der kan have indflydelse p˚a mavesækkens tømning i hyperglykæmi og<br />
hypoglykæmi. P˚a baggrund af <strong>for</strong>skning har det vist sig, at mulige hæmmere af<br />
tømningen i hyperglykæmi kan være somastostatin og cholecystokinin. Desuden<br />
har det vist sig, at en mulig fremmer af ventrikeltømningen i hypoglykæmi kan<br />
være ghrelin. Herudover kan det ikke udelukkes, at blodsukkeret p˚avirker nervesystemet<br />
direkte til at ændre mavesækkens tømningshastighed under hyperog<br />
hypoglykæmi. Det kunne være spændende at lave et clamp-<strong>for</strong>søg, hvor ventrikeltømningen<br />
registreres samtidig med, at plasma-koncentrationerne af somastostatin,<br />
CCK og ghrelin m˚ales.<br />
Jeg har i dette projekt desuden udviklet et kantfindingsprogram til behandling<br />
af data fra ventrikeltømningsundersøgelser, som automatisk og effektivt finder<br />
mavesækken og plotter den relative mængde af mad i mavesækken som funktion<br />
af tiden. Jeg har fittet eksisterende modeller <strong>for</strong> mavesækkens tømning til<br />
data fra en ordinær ventrikeltømningsundersøgelse med det resultat, at ingen<br />
af modellerne matchede data tilfredsstillende. Som følge heraf har jeg præsenteret<br />
<strong>for</strong>skellige bud p˚a modeller, der beskriver ventrikeltømningshastigheden ved<br />
konstant blodsukker. Det har vist sig, at dQ<br />
dt = aQ2 + bQ + c og dQ<br />
dt = aQ2 + bQ<br />
stort set fitter data lige godt p˚a trods af, at parameteren c ikke er signifikant<br />
<strong>for</strong>skellig fra 0.<br />
Jeg har opstillet mit eget bachelor-projekt fra bunden og selv <strong>for</strong>midlet kontak-
82 Konklusion<br />
ten til de relevante afdelinger og læger p˚a Hvidovre Hospital. Grundet omstændighederne<br />
blev kun ét af de i alt tre planlagte <strong>for</strong>søg gennemført. Det kunne<br />
være spændende at gennemføre alle tre planlagte clamp-<strong>for</strong>søg og undersøge<br />
nærmere, hvorledes parametrene a og b (og c) i de <strong>for</strong>esl˚aede modeller afhænger<br />
af blodsukkeret.<br />
For at f˚a et indblik i hvordan clamp-<strong>for</strong>søgene under hypo- og hyperglykæmi<br />
kunne have set ud, har jeg implementeret en model <strong>for</strong> bugspytkirtlen i<br />
Hovorka modellen. Simuleringerne blev gjort effektive af en controller-algoritme,<br />
som automatisk justerede glukoseinfusionen under simuleringerne. Simuleringerne<br />
stemte dog langt fra overens, med hvad man i virkeligheden ville <strong>for</strong>vente,<br />
og flere punkter i modellerne bør ses efter i sømmene. Det gælder først og fremmest<br />
implementeringen af modellen <strong>for</strong> bugspytkirtlen, som m˚aske vil blive mere<br />
realistisk, hvis der implementeres en enhed <strong>for</strong> leveren, hvori insulin kan lagres.<br />
Parameteren, som angiver bugspytkirtlens p˚avirkelighed over<strong>for</strong> ændringer<br />
i blodsukkeret, bør gøres afhængig af blodsukkeret s˚aledes, at det er muligt at<br />
undertrykke insulinproduktionen under hypoglykæmi. Desuden bør parametrene<br />
som beskriver glukose-insulin-kinetikken undersøges, idet glukoseinfusionsraterne<br />
i simuleringerne virker helt urealistiske samtidig med, at m˚altidet ikke lod<br />
til at have nogen effekt p˚a glukoseinfusionsraterne, hvilket ikke stemmer overens<br />
med virkeligheden.<br />
Der er ingen tvivl om, at blodsukkeret i høj grad p˚avirker mavesækkens tømning<br />
og efter min mening, vil en implementering af denne feedback-mekanisme gøre<br />
modellen <strong>for</strong> m˚altidsabsorption bedre. Denne feedback-mekanisme vil ogs˚a gøre<br />
simuleringen af en diabetikers daglige glukosemetabolisme mere realistisk, idet<br />
modellen vil kunne tage højde <strong>for</strong> den <strong>for</strong>sinkede ventrikeltømning som følge af<br />
det eleverede blodsukker efter et m˚altid.
Bilag A<br />
MATLAB kode til<br />
kantfindingsprogram<br />
Listing A.1: ventrikel eksempel.m<br />
1 % Copyrigth Sabrina Wendt, DTU, 31/3−2009<br />
2<br />
3 close all; clear all;<br />
4<br />
5 % Dicom−files with data are loaded into MATLAB.<br />
6 Data1 = sis read dicom('ANT Tc001 DS.dcm');<br />
7 Data2 = sis read dicom('ANT Tc002 DS.dcm');<br />
8 Data3 = sis read dicom('ANT Tc003 DS.dcm');<br />
9 Data4 = sis read dicom('ANT Tc004 DS.dcm');<br />
10 Data5 = sis read dicom('ANT Tc005 DS.dcm');<br />
11 Data6 = sis read dicom('ANT Tc006 DS.dcm');<br />
12 Data7 = sis read dicom('ANT Tc007 DS.dcm');<br />
13 Data8 = sis read dicom('ANT Tc008 DS.dcm');<br />
14 Data9 = sis read dicom('ANT Tc009 DS.dcm');<br />
15 Data10 = sis read dicom('ANT Tc010 DS.dcm');<br />
16 Data11 = sis read dicom('ANT Tc011 DS.dcm');<br />
17 Data12 = sis read dicom('ANT Tc012 DS.dcm');<br />
18 Data13 = sis read dicom('ANT Tc013 DS.dcm');<br />
19 Data14 = sis read dicom('ANT Tc014 DS.dcm');<br />
20 Data15 = sis read dicom('ANT Tc015 DS.dcm');<br />
21<br />
22 % Finding number of counts from the stomach.<br />
23 C1 = load plot count(Data1,1);
84 MATLAB kode til kantfindingsprogram<br />
24 C2 = load plot count(Data2,2);<br />
25 C3 = load plot count(Data3,3);<br />
26 C4 = load plot count(Data4,4);<br />
27 C5 = load plot count(Data5,5);<br />
28 C6 = load plot count(Data6,6);<br />
29 C7 = load plot count(Data7,7);<br />
30 C8 = load plot count(Data8,8);<br />
31 C9 = load plot count(Data9,9);<br />
32 C10 = load plot count(Data10,10);<br />
33 C11 = load plot count(Data11,11);<br />
34 C12 = load plot count(Data12,12);<br />
35 C13 = load plot count(Data13,13);<br />
36 C14 = load plot count(Data14,14);<br />
37 C15 = load plot count(Data15,15);<br />
38<br />
39 % Creating vectors containing number of counts <strong>for</strong> each isotope<br />
40 % together with a time vector.<br />
41 Time = [C1(1);C2(1);C3(1);C4(1);C5(1);C6(1);C7(1);C8(1);C9(1);C10(1);...<br />
42 C11(1);C12(1);C13(1);C14(1);C15(1)] − C1(1);<br />
43 CTc99m = [C1(2);C2(2);C3(2);C4(2);C5(2);C6(2);C7(2);C8(2);C9(2);C10(2);...<br />
44 C11(2);C12(2);C13(2);C14(2);C15(2)];<br />
45 CIn111 = [C1(3);C2(3);C3(3);C4(3);C5(3);C6(3);C7(3);C8(3);C9(3);C10(3);...<br />
46 C11(3);C12(3);C13(3);C14(3);C15(3)];<br />
47<br />
48 % Correction of phyical decay<br />
49 kTc = log(2)/360; % Defining trans<strong>for</strong>mation constant <strong>for</strong> 99mTc.<br />
50 DTc99m = CTc99m.*exp(kTc*Time);<br />
51 kIn = log(2)/(2.83*24*60); % Defining trans<strong>for</strong>mation constant <strong>for</strong> 111In.<br />
52 DIn111 = CIn111.*exp(kIn*Time);<br />
53<br />
54 % Plotting number of counts as a function of time <strong>for</strong> each isotope.<br />
55 h=figure(16)<br />
56 subplot(1,2,1)<br />
57 plot(Time, CTc99m,'−b.','MarkerSize',15)<br />
58 hold on<br />
59 plot(Time, DTc99m,'−r.','MarkerSize',15)<br />
60 xlabel('Time [min]','fontsize',14);ylabel('Counts','fontsize',14);<br />
61 title('ˆ9ˆ9ˆmTc','fontsize',14)<br />
62 axis([0 Time(end) 0 max(CTc99m)]);<br />
63 subplot(1,2,2)<br />
64 plot(Time, CIn111,'−b.','MarkerSize',15)<br />
65 hold on<br />
66 plot(Time, DIn111,'−r.','MarkerSize',15)<br />
67 xlabel('Time [min]','fontsize',14);ylabel('Counts','fontsize',14);<br />
68 title('ˆ1ˆ1ˆ1In','fontsize',14)<br />
69 axis([0 Time(end) 0 max(CIn111)]);<br />
70 set(get(h,'CurrentAxes'),'fontsize',14)<br />
71 legend('Uncorrected data','Corrected data');<br />
72<br />
73 % Correction of downscatter<br />
74 STc99m = DTc99m − 0.35*DIn111;<br />
75 h2=figure(17)<br />
76 plot(Time, CTc99m,'−b.','MarkerSize',15)<br />
77 hold on<br />
78 plot(Time, STc99m,'−g.','MarkerSize',15)
79 xlabel('Time [min]','fontsize',14);ylabel('Counts','fontsize',14)<br />
80 axis([0 Time(end) 0 max(DTc99m)]);<br />
81 set(get(h2,'CurrentAxes'),'fontsize',14)<br />
82 legend('Uncorrected Data','Final data');<br />
83<br />
84 save eks cor Time STc99m<br />
Listing A.2: load plot count.m<br />
1 function C = load plot count(Data,TID)<br />
2 % This function extracts the 4 images in one dicom−file and flips the<br />
3 % posterior images. Data is corrected using anterior and posterior image.<br />
4 % The output of this function is a vector containing counts from the two<br />
5 % isotopes and the time of examination.<br />
6 % Copyrigth Sabrina Wendt, DTU, 31/3−2009<br />
7<br />
8 Data 1 = Data.Images(1:end,1:end,1); % ANT Tc99m.<br />
9 Data 2 = Data.Images(1:end,end:−1:1,2); % POST Tc99m, is mirrored<br />
10 % compaired to ANT Tc99m.<br />
11 Data 3 = Data.Images(1:end,1:end,3); % ANT In111.<br />
12 Data 4 = Data.Images(1:end,end:−1:1,4); % POST In111, is mirrored<br />
13 % compaired to ANT In111.<br />
14<br />
15 Data 1d = double(Data 1)+1; % Data is converted to double.<br />
16 Data 2d = double(Data 2)+1; % Data is converted to double.<br />
17 Data 3d = double(Data 3)+1; % Data is converted to double.<br />
18 Data 4d = double(Data 4)+1; % Data is converted to double.<br />
19<br />
20 Data Tc99md = sqrt(Data 1d.*Data 2d); % Geometric correction.<br />
21 Data In111d = sqrt(Data 3d.*Data 4d); % Geometric correction.<br />
22<br />
23 Data Tc99m = uint16(Data Tc99md−1); % Data is converted to uint16.<br />
24 Data In111 = uint16(Data In111d−1); % Data is converted to uint16.<br />
25<br />
26 LP = [1 2 1;2 4 2;1 2 1]/16; % Defining a lowpas filter.<br />
27 Data Tc99m LP = conv2(Data Tc99m,LP,'same'); % Filtering Tc99m data.<br />
28<br />
29 Borderline = find border(Data Tc99m LP); % Finding the area of the stomach.<br />
30<br />
31 S Tc99md = Borderline .* Data Tc99md; % Using counts from the stomach.<br />
32 S In111d = Borderline .* Data In111d; % Using counts from the stomach.<br />
33 S Tc99m = uint16(S Tc99md−1); % Data is converted to uint16.<br />
34 S In111 = uint16(S In111d−1); % Data is converted to uint16.<br />
35<br />
36 c Tc = sum(sum(S Tc99m)); % Calculating total number of counts<br />
37 % within the stomach.<br />
38 c In = sum(sum(S In111)); % Calculating total number of counts<br />
39 % within the stomach.<br />
40<br />
41 % Finding time <strong>for</strong> count instance.<br />
42 t = Data.DicomHeader.ContentTime;<br />
43 time sec = (t(1)*10 + t(2)*1)*60*60 + (t(3)*10 + t(4)*1)*60 + ...<br />
44 (t(5)*10 + t(6)*1);<br />
45 time min = time sec/60;<br />
85
46<br />
86 MATLAB kode til kantfindingsprogram<br />
47 minC = min(min(Data Tc99m)); % Calculating limits <strong>for</strong> the colormap<br />
48 maxC = max(max(Data Tc99m));<br />
49 minC2 = min(min(Data In111));<br />
50 maxC2 = max(max(Data In111));<br />
51<br />
52 figure<br />
53 subplot(2,2,1)<br />
54 plot ven data(Data Tc99m) % Plotting raw Tc99m data.<br />
55 title('Original Tc99m');<br />
56 xlabel('Horizontal [mm]'); ylabel('Vertical [mm]');<br />
57 subplot(2,2,2)<br />
58 plot ven data(S Tc99m) % Plotting the stomach from Tc99m data.<br />
59 title('Stomach Tc99m');<br />
60 xlabel('Horizontal [mm]'); ylabel('Vertical [mm]');<br />
61 caxis([minC,maxC]);<br />
62 subplot(2,2,3)<br />
63 plot ven data(Data In111) % Plotting raw In111 data.<br />
64 title('Original In111');<br />
65 xlabel('Horizontal [mm]'); ylabel('Vertical [mm]');<br />
66 subplot(2,2,4)<br />
67 plot ven data(S In111) % Plotting the stomach from In111 data.<br />
68 title('Stomach In111');<br />
69 xlabel('Horizontal [mm]'); ylabel('Vertical [mm]');<br />
70 caxis([minC2,maxC2]);<br />
71 print('−depsc', '−tiff', ['subplot tid' num2str(TID)])<br />
72 print('−djpeg', '−loose', ['subplot tid' num2str(TID)])<br />
73<br />
74 C = [time min; c Tc; c In]; % Returning number of counts from Tc99m<br />
75 % and In111 and time instance.<br />
Listing A.3: find border.m<br />
1 function Borderline = find border(Data)<br />
2 % This function finds the position of the stomach.<br />
3 % Data − A matrix containing a set of data from a stomach−examination<br />
4 % with gamma−cameras.<br />
5 % The call to the function is: find border(Data).<br />
6 % Copyrigth Sabrina Wendt, DTU, 31/3−2009<br />
7<br />
8<br />
9 si = 58; % Stomach Index, describes the lower bondary of the stomach.<br />
10 cs = (1/15)*max(max(Data(1:si,:))); % Count Sensivity, depends on maximal<br />
11 % number of counts in that image.<br />
12<br />
13 if cs == 0 % To awoid getting 0 counts when the Count Sensitivity is<br />
14 % very low.<br />
15 cs = 1;<br />
16 end<br />
17<br />
18 LD = length(Data);<br />
19 Borderline = zeros(LD);<br />
20 <strong>for</strong> i = 1:1:si<br />
21 <strong>for</strong> j = 1:1:LD
22 if Data(i,j) ≥ cs<br />
23 if Data(i,j−2) < cs && Data(i,j−1) < cs && ...<br />
24 Data(i,j+1) ≥ cs && Data(i,j+2) ≥ cs<br />
25 % 5 conditions have to be meet be<strong>for</strong>e defining a border.<br />
26 Borderline(i,j) = 1;<br />
27 elseif Data(i,j−2) ≥ cs && Data(i,j−1) ≥ cs && ...<br />
28 Data(i,j+1) < cs && Data(i,j+2) < cs<br />
29 % 5 conditions have to be meet be<strong>for</strong>e defining a border.<br />
30 Borderline(i,j) = 1;<br />
31 end<br />
32 end<br />
33 end<br />
34 end<br />
35<br />
36 % Assignning all the values between the borders to the value of 1.<br />
37 <strong>for</strong> k = 1:1:si<br />
38 [i,j] = find(Borderline(k,:));<br />
39 if length(j) ≥ 2<br />
40 Borderline(k,j(1):j(end)) = 1;<br />
41 end<br />
42 end<br />
Listing A.4: plot ven data.m<br />
1 function dummy = plot ven data(Data)<br />
2 % This function plots a set of data from a stomach−examination<br />
3 % with gamma−cameras.<br />
4 % Data − A matrix containing a set of data from a stomach−examination<br />
5 % with gamma−cameras.<br />
6 % The call to the function is: plot ven data(Data).<br />
7 % Copyrigth Sabrina Wendt, DTU, 31/3−2009<br />
8<br />
9 imagesc(Data) % Plotting data.<br />
10 colormap gray % Plotting with grey colors.<br />
11 axis image % Fitting the axes to the image.<br />
87
88 MATLAB kode til kantfindingsprogram
Bilag B<br />
MATLAB kode til fit af data<br />
1 clear all; close all;<br />
2<br />
3 % Constrains <strong>for</strong> fmincon<br />
4 A = [ −1 0 ; 0 −1 ];<br />
5 B = [0; 0];<br />
6<br />
7 % Loading experimental data<br />
8 load('eks cor.mat')<br />
9 Data = STc99m/max(STc99m);<br />
10<br />
Listing B.1: fitdata.m<br />
11 %%%%%%%%%%%%%%%%%%%%%% Cobelli %%%%%%%%%%%%%%%%%%%%%%%%<br />
12 % Guess of initial value<br />
13 x0 = [0.18; 0.18]; % [k21; kempt]<br />
14 XC = fmincon(@Cfun,x0,A,B);<br />
15<br />
16 k21 = XC(1); % rate of grinding [1/min]<br />
17 kempt = XC(2); % rate of gastric emptying [1/min]<br />
18 kabs = 0.013; % rate constant of intestinal absorption [1/min]<br />
19<br />
20 q0 = [1; 0; 0]; % Initial condition<br />
21 [T,Q] = ode15s(@<strong>Model</strong>1,[0 400],q0,[],k21,kempt,kabs);<br />
22<br />
23 qsto1 = Q(:,1); % Mass of glucose in stommach in solid phase [g]<br />
24 qsto2 = Q(:,2); % Mass of glucose in stommach in liquid phase [g]<br />
25 qsto = qsto1 + qsto2;<br />
26 Qsto = qsto/max(qsto);
27<br />
90 MATLAB kode til fit af data<br />
28 % Plot of Cobelli <strong>Model</strong> and data<br />
29 h1 = figure(1);<br />
30 plot(T,Qsto,'LineWidth',2)<br />
31 hold on<br />
32 plot(Time,Data,'.r','MarkerSize',20)<br />
33 xlabel('Time [min]','fontsize',14);<br />
34 ylabel('Relative amount of glucose in stomach','fontsize',14);<br />
35 legend('Cobelli','Data')<br />
36 set(get(h1,'CurrentAxes'),'fontsize',14)<br />
37 axis([0 400 0 1])<br />
38 print('−depsc', '−tiff', ['cobelli1 stomach fit'])<br />
39 print('−dpng', '−loose', ['cobelli1 stomach fit'])<br />
40<br />
41 %%%%%%%%%%%%%%%%%%%%%%%% Elashoff %%%%%%%%%%%%%%%%%%%%%%%%<br />
42<br />
43 % Guess of initial value<br />
44 x0 = [0.015; 1.03]; % [k; beta]<br />
45 XE = fmincon(@Efun,x0,A,B);<br />
46<br />
47 D = 75; % [g]<br />
48 kabs = 0.231; % rate constant of intestinal absorption [1/min].<br />
49 k = XE(1); % rate of emptying [1/min].<br />
50 beta = XE(2); % shape factor [−].<br />
51<br />
52 % Løsning af differentialligning<br />
53 [T,Q] = ode15s(@Elashoff,[0 400],[0;0],[],D,kabs,k,beta);<br />
54 qduo = Q(:,1);<br />
55 qgut = Q(:,2);<br />
56 qsto = D − qduo;<br />
57 Qsto = qsto/max(qsto);<br />
58<br />
59 % Plot of Elashoff <strong>Model</strong> and data<br />
60 h2 = figure(2);<br />
61 plot(T,Qsto,'LineWidth',2)<br />
62 hold on<br />
63 plot(Time,Data,'.r','MarkerSize',20)<br />
64 xlabel('Time [min]','fontsize',14);<br />
65 ylabel('Relative amount of glucose in stomach','fontsize',14);<br />
66 legend('Elashoff','Data')<br />
67 set(get(h2,'CurrentAxes'),'fontsize',14)<br />
68 axis([0 400 0 1])<br />
69 print('−depsc', '−tiff', ['elashoff stomach fit'])<br />
70 print('−dpng', '−loose', ['elashoff stomach fit'])<br />
71<br />
72 %%%%%%%%%%%%%%%%%%%%%% Goetze %%%%%%%%%%%%%%%%%%%%%%%%%%<br />
73<br />
74 % Guess of initial value<br />
75 x0 = [1.14; 16.23]; % [k; tempt]<br />
76 XG = fmincon(@Gfun,x0,A,B);<br />
77<br />
78 K = XG(1); % Lag phase [−]<br />
79 tempt = XG(2); % Emptying time constant [min]<br />
80<br />
81 D = 75; % Amount of glucose [g]
82 t = 0:1:400;<br />
83 Q = (1 + K*(t/tempt)).*exp(−(t/tempt)); % Amount of glucose in stomach [g]<br />
84<br />
85 % Plot of Goetze <strong>Model</strong> and data<br />
86 h3 = figure(3);<br />
87 plot(t,Q,'LineWidth',2)<br />
88 hold on<br />
89 plot(Time,Data,'.r','MarkerSize',20)<br />
90 xlabel('Time [min]','fontsize',14);<br />
91 ylabel('Relative amount of glucose in stomach','fontsize',14);<br />
92 legend('Goetze','Data')<br />
93 set(get(h3,'CurrentAxes'),'fontsize',14)<br />
94 axis([0 400 0 1])<br />
95 print('−depsc', '−tiff', ['goetze stomach fit'])<br />
96 print('−dpng', '−loose', ['goetze stomach fit'])<br />
1 function N = Cfun(x)<br />
2<br />
Listing B.2: Cfun.m<br />
3 load('eks cor.mat') % Time, STc99m<br />
4 Data = STc99m/max(STc99m);<br />
5<br />
6 kabs = 0.013;<br />
7 q0 = [1; 0; 0];<br />
8 [T,Q] = ode15s(@<strong>Model</strong>1,Time',q0,[],x(1),x(2),kabs);<br />
9<br />
10 qsto1 = Q(:,1); % Mass of glucose in stommach in solid phase [g]<br />
11 qsto2 = Q(:,2); % Mass of glucose in stommach in liquid phase [g]<br />
12 qsto = qsto1 + qsto2;<br />
13 Qsto = qsto/max(qsto);<br />
14<br />
15 N = norm(Qsto − Data);<br />
1 function N = Efun(x)<br />
2<br />
Listing B.3: Efun.m<br />
3 load('eks cor.mat') % Time, STc99m<br />
4 Data = STc99m/max(STc99m);<br />
5 N = norm(exp(−(x(1)*Time).ˆx(2)) − Data);<br />
1 function N = Gfun(x)<br />
2<br />
Listing B.4: Gfun.m<br />
3 load('eks cor.mat') % Time, STc99m<br />
4 Data = STc99m/max(STc99m);<br />
5 N = norm((1 + x(1)*Time/x(2)).*exp(−Time/x(2)) − Data);<br />
91
92 MATLAB kode til fit af data<br />
Listing B.5: <strong>Model</strong>1.m<br />
1 function xdot = <strong>Model</strong>1(t,q,k21,kempt,kabs)<br />
2<br />
3 xdot = [ − k21*q(1); k21*q(1) − kempt*q(2); kempt*q(2) − kabs*q(3)];
Bilag C<br />
MATLAB kode til behandling<br />
af <strong>for</strong>søgsdata<br />
1 clear all; close all;<br />
2<br />
3 % Loading data<br />
Listing C.1: curves.m<br />
4 load('normo time.mat') % Time, time vector.<br />
5 load('normo decay.mat') % CTc99m, counts in stomach from Tc99m.<br />
6 load('normo decayI.mat') % CTcIn111, counts in stomach from In111.<br />
7<br />
8 kTc = log(2)/360; % Defining trans<strong>for</strong>mation constant <strong>for</strong> 99mTc.<br />
9 DTc99m = CTc99m.*exp(kTc*Time); % Correction of physical decay.<br />
10<br />
11 kIn = log(2)/(2.83*24*60); % Defining trans<strong>for</strong>mation constant <strong>for</strong> 111In.<br />
12 DIn111 = CIn111.*exp(kIn*Time); % Correction of physical decay.<br />
13<br />
14 STc99m = DTc99m − 0.35*DIn111; % Correction of downscatter.<br />
15 Cdata = STc99m/max(STc99m); % Calculating relative amount in stomach.<br />
16<br />
17 Y = (Cdata(2:end)−Cdata(1:end−1))/15; % Calculating differential<br />
18 % quotient. Y = y(k)−y(k−1)/∆T.<br />
19 % Plot of corrected data.<br />
20 h = figure;<br />
21 plot(Time,Cdata,'.','markersize',15)<br />
22 xlabel('Time [min]','fontsize',14);<br />
23 ylabel('Fraction of food in the stomach','fontsize',14);
94 MATLAB kode til behandling af <strong>for</strong>søgsdata<br />
24 set(get(h,'CurrentAxes'),'fontsize',14)<br />
25 axis([0 Time(end) 0 1])<br />
26 print('−depsc', '−tiff', ['data emil'])<br />
27 print('−dpng', '−loose', ['data emil'])<br />
28<br />
29 n = 17; % Number of datapoints.<br />
30<br />
31 %%%%%%%%%%%%%%%%%%%%%%%%% 3 parameters %%%%%%%%%%%%%%%%%%%%%%%%%<br />
32 % <strong>Model</strong> A<br />
33 % Defining matrix X and finding parameters.<br />
34 XA = [Cdata(1:end−1).*Cdata(1:end−1) Cdata(1:end−1) ones(16,1)];<br />
35 DA = pinv(XA)*Y;<br />
36<br />
37 % Calculating the model of Y.<br />
38 predYA = XA*DA;<br />
39 % Plot of the model of Y with datapoints.<br />
40 h = figure;<br />
41 subplot(1,2,1)<br />
42 plot(Time(2:end),Y,'b','linewidth',2)<br />
43 hold on<br />
44 plot(Time(2:end),predYA,'r','linewidth',2)<br />
45 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
46 axis tight<br />
47<br />
48 % Calculating the model of data.<br />
49 predCA(1) = 1;<br />
50 <strong>for</strong> k = 2:17<br />
51 predCA(k) = predYA(k−1)*15+predCA(k−1);<br />
52 end<br />
53 % Plot the model of data with datapoints.<br />
54 subplot(1,2,2)<br />
55 plot(Time,Cdata,'.b','MarkerSize',15)<br />
56 hold on<br />
57 plot(Time,predCA,'r','linewidth',2)<br />
58 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
59 legend('Data','dQ/dt = aQˆ2 + bQ + c')<br />
60 axis([0 Time(end) 0 1])<br />
61 set(get(h,'CurrentAxes'),'fontsize',14)<br />
62 print('−depsc', '−tiff', ['modelA'])<br />
63 print('−dpng', '−loose', ['modelA'])<br />
64<br />
65 % Calculating Sum of Square Errors and AIC<br />
66 diffA = Cdata − predCA';<br />
67 SSEA = diffA'*diffA;<br />
68 KA = length(DA);<br />
69 AICA = n*log(SSEA/n)+2*KA;<br />
70<br />
71 %%%%%%%%%%%%%%%%%%%%%%%%% 2 parameters %%%%%%%%%%%%%%%%%%%%%%%%%<br />
72 % <strong>Model</strong> B<br />
73 % Defining matrix X and finding parameters.<br />
74 XB = [Cdata(1:end−1).*Cdata(1:end−1) Cdata(1:end−1)];<br />
75 DB = pinv(XB)*Y;<br />
76<br />
77 % Calculating the model of Y.<br />
78 predYB = XB*DB;
79 % Plot of the model of Y with datapoints.<br />
80 h = figure;<br />
81 subplot(1,2,1)<br />
82 plot(Time(2:end),Y,'b','linewidth',2)<br />
83 hold on<br />
84 plot(Time(2:end),predYB,'r','linewidth',2)<br />
85 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
86 axis tight<br />
87<br />
88 % Calculating the model of data.<br />
89 predCB(1) = 1;<br />
90 <strong>for</strong> k = 2:17<br />
91 predCB(k) = predYB(k−1)*15+predCB(k−1);<br />
92 end<br />
93 % Plot the model of data with datapoints.<br />
94 subplot(1,2,2)<br />
95 plot(Time,Cdata,'.b','MarkerSize',15)<br />
96 hold on<br />
97 plot(Time,predCB,'r','linewidth',2)<br />
98 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
99 legend('Data','dQ/dt = aQˆ2 + bQ')<br />
100 axis([0 Time(end) 0 1])<br />
101 set(get(h,'CurrentAxes'),'fontsize',14)<br />
102 print('−depsc', '−tiff', ['modelB'])<br />
103 print('−dpng', '−loose', ['modelB'])<br />
104<br />
105 % Calculating Sum of Square Errors and AIC<br />
106 diffB = Cdata − predCB';<br />
107 SSEB = diffB'*diffB;<br />
108 KB = length(DB);<br />
109 AICB = n*log(SSEB/n)+2*KB;<br />
110<br />
111 % <strong>Model</strong> C<br />
112 % Defining matrix X and finding parameters.<br />
113 XC = [Cdata(1:end−1).*Cdata(1:end−1) ones(16,1)];<br />
114 DC = pinv(XC)*Y;<br />
115<br />
116 % Calculating the model of Y.<br />
117 predYC = XC*DC;<br />
118 % Plot of the model of Y with datapoints.<br />
119 h = figure;<br />
120 subplot(1,2,1)<br />
121 plot(Time(2:end),Y,'b','linewidth',2)<br />
122 hold on<br />
123 plot(Time(2:end),predYC,'r','linewidth',2)<br />
124 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
125 axis tight<br />
126<br />
127 % Calculating the model of data.<br />
128 predCC(1) = 1;<br />
129 <strong>for</strong> k = 2:17<br />
130 predCC(k) = predYC(k−1)*15+predCC(k−1);<br />
131 end<br />
132 % Plot the model of data with datapoints.<br />
133 subplot(1,2,2)<br />
95
96 MATLAB kode til behandling af <strong>for</strong>søgsdata<br />
134 plot(Time,Cdata,'.b','MarkerSize',15)<br />
135 hold on<br />
136 plot(Time,predCC,'r','linewidth',2)<br />
137 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
138 legend('Data','dQ/dt = aQˆ2 + c')<br />
139 axis([0 Time(end) 0 1])<br />
140 set(get(h,'CurrentAxes'),'fontsize',14)<br />
141 print('−depsc', '−tiff', ['modelC'])<br />
142 print('−dpng', '−loose', ['modelC'])<br />
143<br />
144 % Calculating Sum of Square Errors and AIC<br />
145 diffC = Cdata − predCC';<br />
146 SSEC = diffC'*diffC;<br />
147 KC = length(DC);<br />
148 AICC = n*log(SSEC/n)+2*KC;<br />
149<br />
150 % <strong>Model</strong> D<br />
151 % Defining matrix X and finding parameters.<br />
152 XD = [Cdata(1:end−1) ones(16,1)];<br />
153 DD = pinv(XD)*Y;<br />
154<br />
155 % Calculating the model of Y.<br />
156 predYD = XD*DD;<br />
157 % Plot of the model of Y with datapoints.<br />
158 h = figure;<br />
159 subplot(1,2,1)<br />
160 plot(Time(2:end),Y,'b','linewidth',2)<br />
161 hold on<br />
162 plot(Time(2:end),predYD,'r','linewidth',2)<br />
163 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
164 axis tight<br />
165<br />
166 % Calculating the model of data.<br />
167 predCD(1) = 1;<br />
168 <strong>for</strong> k = 2:17<br />
169 predCD(k) = predYD(k−1)*15+predCD(k−1);<br />
170 end<br />
171 % Plot the model of data with datapoints.<br />
172 subplot(1,2,2)<br />
173 plot(Time,Cdata,'.b','MarkerSize',15)<br />
174 hold on<br />
175 plot(Time,predCD,'r','linewidth',2)<br />
176 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
177 legend('Data','dQ/dt = bQ + c')<br />
178 axis([0 Time(end) 0 1])<br />
179 set(get(h,'CurrentAxes'),'fontsize',14)<br />
180 print('−depsc', '−tiff', ['modelD'])<br />
181 print('−dpng', '−loose', ['modelD'])<br />
182<br />
183 % Calculating Sum of Square Errors and AIC<br />
184 diffD = Cdata − predCD';<br />
185 SSED = diffD'*diffD;<br />
186 KD = length(DD);<br />
187 AICD = n*log(SSED/n)+2*KD;<br />
188
189 %%%%%%%%%%%%%%%%%%%%%%%%% 1 parameter %%%%%%%%%%%%%%%%%%%%%%%%%<br />
190 % <strong>Model</strong> E<br />
191 % Defining matrix X and finding parameters.<br />
192 XE = [Cdata(1:end−1).*Cdata(1:end−1)];<br />
193 DE = pinv(XE)*Y;<br />
194<br />
195 % Calculating the model of Y.<br />
196 predYE = XE*DE;<br />
197 % Plot of the model of Y with datapoints.<br />
198 h = figure;<br />
199 subplot(1,2,1)<br />
200 plot(Time(2:end),Y,'b','linewidth',2)<br />
201 hold on<br />
202 plot(Time(2:end),predYE,'r','linewidth',2)<br />
203 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
204 axis tight<br />
205<br />
206 % Calculating the model of data.<br />
207 predCE(1) = 1;<br />
208 <strong>for</strong> k = 2:17<br />
209 predCE(k) = predYE(k−1)*15+predCE(k−1);<br />
210 end<br />
211 % Plot the model of data with datapoints.<br />
212 subplot(1,2,2)<br />
213 plot(Time,Cdata,'.b','MarkerSize',15)<br />
214 hold on<br />
215 plot(Time,predCE,'r','linewidth',2)<br />
216 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
217 legend('Data','dQ/dt = aQˆ2')<br />
218 axis([0 Time(end) 0 1])<br />
219 set(get(h,'CurrentAxes'),'fontsize',14)<br />
220 print('−depsc', '−tiff', ['modelE'])<br />
221 print('−dpng', '−loose', ['modelE'])<br />
222<br />
223 % Calculating Sum of Square Errors and AIC<br />
224 diffE = Cdata − predCE';<br />
225 SSEE = diffE'*diffE;<br />
226 KE = length(DE);<br />
227 AICE = n*log(SSEE/n)+2*KE;<br />
228<br />
229 % <strong>Model</strong> F<br />
230 % Defining matrix X and finding parameters.<br />
231 XF = [Cdata(1:end−1)];<br />
232 DF = pinv(XF)*Y;<br />
233<br />
234 % Calculating the model of Y.<br />
235 predYF = XF*DF;<br />
236 % Plot of the model of Y with datapoints.<br />
237 h = figure;<br />
238 subplot(1,2,1)<br />
239 plot(Time(2:end),Y,'b','linewidth',2)<br />
240 hold on<br />
241 plot(Time(2:end),predYF,'r','linewidth',2)<br />
242 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
243 axis tight<br />
97
244<br />
98 MATLAB kode til behandling af <strong>for</strong>søgsdata<br />
245 % Calculating the model of data.<br />
246 predCF(1) = 1;<br />
247 <strong>for</strong> k = 2:17<br />
248 predCF(k) = predYF(k−1)*15+predCF(k−1);<br />
249 end<br />
250 % Plot the model of data with datapoints.<br />
251 subplot(1,2,2)<br />
252 plot(Time,Cdata,'.b','MarkerSize',15)<br />
253 hold on<br />
254 plot(Time,predCF,'r','linewidth',2)<br />
255 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
256 legend('Data','dQ/dt = bQ')<br />
257 axis([0 Time(end) 0 1])<br />
258 set(get(h,'CurrentAxes'),'fontsize',14)<br />
259 print('−depsc', '−tiff', ['modelF'])<br />
260 print('−dpng', '−loose', ['modelF'])<br />
261<br />
262 % Calculating Sum of Square Errors and AIC<br />
263 diffF = Cdata − predCF';<br />
264 SSEF = diffF'*diffF;<br />
265 KF = length(DF);<br />
266 AICF = n*log(SSEF/n)+2*KF;<br />
267<br />
268 % <strong>Model</strong> G<br />
269 % Defining matrix X and finding parameters.<br />
270 XG = [ones(16,1)];<br />
271 DG = pinv(XG)*Y;<br />
272<br />
273 % Calculating the model of Y.<br />
274 predYG = XG*DG;<br />
275 % Plot of the model of Y with datapoints.<br />
276 h = figure;<br />
277 subplot(1,2,1)<br />
278 plot(Time(2:end),Y,'b','linewidth',2)<br />
279 hold on<br />
280 plot(Time(2:end),predYG,'r','linewidth',2)<br />
281 xlabel('Time [min]','fontsize',14); ylabel('dQ/dt','fontsize',14);<br />
282 axis tight<br />
283<br />
284 % Calculating the model of data.<br />
285 predCG(1) = 1;<br />
286 <strong>for</strong> k = 2:17<br />
287 predCG(k) = predYG(k−1)*15+predCG(k−1);<br />
288 end<br />
289 % Plot the model of data with datapoints.<br />
290 subplot(1,2,2)<br />
291 plot(Time,Cdata,'.b','MarkerSize',15)<br />
292 hold on<br />
293 plot(Time,predCG,'r','linewidth',2)<br />
294 xlabel('Time [min]','fontsize',14); ylabel('Q','fontsize',14);<br />
295 legend('Data','dQ/dt = c')<br />
296 axis([0 Time(end) 0 1])<br />
297 set(get(h,'CurrentAxes'),'fontsize',14)<br />
298 print('−depsc', '−tiff', ['modelG'])
299 print('−dpng', '−loose', ['modelG'])<br />
300<br />
301 % Calculating Sum of Square Errors and AIC<br />
302 diffG = Cdata − predCG';<br />
303 SSEG = diffG'*diffG;<br />
304 KG = length(DG);<br />
305 AICG = n*log(SSEG/n)+2*KG;<br />
99
100 MATLAB kode til behandling af <strong>for</strong>søgsdata
Bilag D<br />
MATLAB kode til simulering<br />
af <strong>for</strong>søgsscenarie<br />
I dette Appendix findes de 5 MATLAB-scripts, som er nødvendige <strong>for</strong> at kunne<br />
simulere <strong>for</strong>søgsscenariet. Derudover findes 3 scripts fra simulering af <strong>for</strong>søgsscenariet<br />
med controller <strong>for</strong> de tre blodsukre 2.5 mmol/L, 5 mmol/L og 10 mmol/L.<br />
Listing D.1: HovorkaParametersPancreas.m<br />
1 function par = HovorkaParametersPancreas(BodyMass)<br />
2 % HOVORKAPARAMETERS Computes the parameters <strong>for</strong> the Hovorka <strong>Model</strong><br />
3 %<br />
4 % Computes the parameters <strong>for</strong> the Hovorka model as function of body mass.<br />
5 %<br />
6 % Syntax: par = HovorkaParametersPancreas(BodyMass)<br />
7 %<br />
8 % BodyMass: Weight of individual [kg]<br />
9 % par: Structure with the parameters<br />
10<br />
11 %==========================================================================<br />
12 % Modified 23.07.09 SW<br />
13 %==========================================================================<br />
14<br />
15 par.k12 = 0.066; % Transfer rate [1/min]<br />
16 par.ka1 = 0.006; % Deactivation rate [1/min]<br />
17 par.ka2 = 0.06; % Deactivation rate [1/min]<br />
18 par.ka3 = 0.03; % Deactivation rate [1/min]
102 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
19 par.ke = 0.138; % Insulin elimination rate [1/min]<br />
20 par.tauD = 40.0; % CHO absorption time constant [min]<br />
21 par.tauS = 55.0; % Insulin absorption time constant [min]<br />
22 par.AG = 0.8; % CHO utilization [−]<br />
23<br />
24 SI1 = 51.2e−4; % Transport insulin sensitivity [L/mU]<br />
25 SI2 = 8.2e−4; % Disposal insulin sensitivity [L/mU]<br />
26 SI3 = 520e−4; % EGP insulin sensitivity [L/mU]<br />
27<br />
28 par.kb1 = par.ka1*SI1; % Activation rate [(L/mU)/min]<br />
29 par.kb2 = par.ka2*SI2; % Activation rate [(L/mU)/min]<br />
30 par.kb3 = par.ka3*SI3; % Activation rate [(L/mU)/min]<br />
31<br />
32 par.VI = 0.12*BodyMass; % Insulin distribution volume [L]<br />
33 par.VG = 0.16*BodyMass; % Glucose distribution volume [L]<br />
34 par.EGP0 = 0.0161*BodyMass; % Liver glucose production at zero insulin<br />
35 % [mmol/min]<br />
36 par.F01 = 0.0097*BodyMass; % Insulin independent glucose consumption<br />
37 % [mmol/min]<br />
38<br />
39 par.MwG = 180.1577; % Molecular weight of glucose [g/mol]<br />
40<br />
41 % Parameters from Cobelli<br />
42 norm = 1/6.00; % [mU/pmol]<br />
43<br />
44 par.gamma = 0.5; % Transfer rate constant between portal vein<br />
45 % and liver [1/min]<br />
46 par.K = (2.3*norm*par.MwG*0.1)*(BodyMass/par.VG); % [mU/mmol]<br />
47 par.alpha = 0.05; % [1/min]<br />
48 par.beta = 0.11*norm*0.1*par.MwG*BodyMass; % [(mU/min)/(mmol/L)]<br />
49<br />
50 HEb = 0.6; % [−]<br />
51 m5 = 0.0304*(1/norm)*(1/BodyMass); % [min/mU]<br />
52 m6 = 0.6471; % [−]<br />
53<br />
54 par.Sb = ((m6−HEb)/m5)*0.36; % [mU/min]<br />
55 % For BW = 70 kg is par.Sb = ((m6−HEb)/m5)*0.36 and I(0) = 5.7677<br />
56 % For BW = 60 kg is par.Sb = ((m6−HEb)/m5)*0.12 and I(0) = 5.7253<br />
57 par.Gss = 4.9656; % [mmol/L] <strong>for</strong> BW = 70 kg<br />
Listing D.2: Hovorka<strong>Model</strong>2pancreas.m<br />
1 function xdot = Hovorka<strong>Model</strong>2pancreas(t,x,u,ug,d,par)<br />
2 %HOVORKAMODEL The Hovorka model <strong>for</strong> the glucoregulatory system<br />
3 %<br />
4 % The function implements the Hovorka model <strong>for</strong> the gluco−regulatory system<br />
5 % including absorption of food and iv administration of short−acting<br />
6 % insulin together with Cobelli model <strong>for</strong> endogeneous insulin production.<br />
7 %<br />
8 % The model is in the <strong>for</strong>m<br />
9 %<br />
10 % xdot(t) = (dx/dt)(t) = f(t,x(t),u,ug,d,par)<br />
11 %<br />
12 % with
13 %<br />
14 % time : t [min]<br />
103<br />
15 % States: x = [D1; D2; Q1; Q2; I; x1; x2; x3; Ipo; Y]<br />
16 % D1: Glucose compartment 1 in stomach/gut [mmol]<br />
17 % D2: Glucose compartment 2 in stomach/gut [mmol]<br />
18 % Q1: Plasma glucose (measurable) [mmol]<br />
19 % Q2: Adipose glucose (non−measurable) [mmol]<br />
20 % I : Plasma insulin [mU/L]<br />
21 % x1: Insulin action on distribution/transport Q1−>Q2<br />
22 % x2: Insulin action utilization in cells<br />
23 % x3: Insulin action on EGP.<br />
24 % Ipo:Insulin in portal vein [pmol/kg]<br />
25 % Y : [mU/min]<br />
26 % MVs : u = intraveneous insulin injection [mU/min]<br />
27 % : ug = intraveneous glucose injection [g/min]<br />
28 % DVs : d = CHO consumption [g/min]<br />
29 % : Gss = Basal plasma glucose concentration [mmol/L]<br />
30 % Parameters: par = {k12; ka1; ka2; ke; tauD; tauS; AG; kb1; kb2; VI; VG;<br />
31 % EGP0; F01; MwG; gamma; K; alpha; beta; Sb; Gss}<br />
32 % (this is a struct).<br />
33 %<br />
34 % The parameters may be constructed using the function<br />
35 % HovorkaParametersPancreas.<br />
36 %<br />
37 % Syntax: xdot = Hovorka<strong>Model</strong>2pancreas(t,x,u,ug,d,par)<br />
38<br />
39 % ========================================================================<br />
40 % Modified 23.07.09 SW<br />
41 % ========================================================================<br />
42 %% Extract variables<br />
43 % Extract states<br />
44 D1 = x(1,1); % Glucose compartment 1 in stomach/gut [mmol]<br />
45 D2 = x(2,1); % Glucose compartment 2 in stomach/gut [mmol]<br />
46 Q1 = x(3,1); % Plasma glucose (measurable) [mmol]<br />
47 Q2 = x(4,1); % Adipose glucose (non−measurable) [mmol]<br />
48 I = x(5,1); % Plasma insulin concentration [mU/L]<br />
49 x1 = x(6,1); % Insulin action on distribution/transport [mU]<br />
50 x2 = x(7,1); % Insulin action on disposal in adipose tissue [mU]<br />
51 x3 = x(8,1); % Insulin action on EGP<br />
52<br />
53 Ipo = x(9,1); % Insulin mass in liver [mU]<br />
54 Y = x(10,1); % Transfer of insulin [mU/min]<br />
55<br />
56 % Extract parameters<br />
57 k12 = par.k12; % Transfer rate [1/min]<br />
58 ka1 = par.ka1; % Deactivation rate [1/min]<br />
59 ka2 = par.ka2; % Deactivation rate [1/min]<br />
60 ka3 = par.ka3; % Deactivation rate [1/min]<br />
61 ke = par.ke; % Insulin elimination rate [1/min]<br />
62 tauD = par.tauD; % CHO absorption time constant [min]<br />
63 tauS = par.tauS; % Insulin absorption time constant [min]<br />
64 AG = par.AG; % CHO utilization [−]<br />
65 kb1 = par.kb1; % Activation rate [(L/mU)/min]<br />
66 kb2 = par.kb2; % Activation rate [(L/mU)/min]<br />
67 kb3 = par.kb3; % Activation rate [(L/mU)/min]
104 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
68 VI = par.VI; % Insulin distribution volume [L]<br />
69 VG = par.VG; % Glucose distribution volume [L]<br />
70 EGP0 = par.EGP0; % Liver glucose production at zero insulin [mmol/min]<br />
71 F01 = par.F01; % Insulin independent glucose consumption [mmol/min]<br />
72 MwG = par.MwG; % Molecular weight of glucose [g/mol]<br />
73<br />
74 gamma = par.gamma; % [kg*mU/min*pmol]<br />
75 K = par.K; % [mU/mmol]<br />
76 alpha = par.alpha; % [1/min]<br />
77 beta = par.beta; % [L*mU/min*mmol]<br />
78 Sb = par.Sb; % [mU/min]<br />
79 Gss = par.Gss; % [mmol/L]<br />
80<br />
81<br />
82 %% <strong>Model</strong><br />
83 % =========================================================================<br />
84 % CHO absorption<br />
85 % =========================================================================<br />
86 D = (1000/MwG)*d; % CHO input rate in glucose equivalents [mmol/min]<br />
87 UG1 = D1/tauD; % Glucose flux from compartment 1 to 2 [mmol/min]<br />
88 UG = D2/tauD; % Glucose flux from stomach/gut to blood [mmol/min]<br />
89 D1dot = AG*D−UG1; % Stomach/gut compartment 1 balance [mmol/min]<br />
90 D2dot = UG1−UG; % Stomach/gut compartment 2 balance [mmol/min]<br />
91<br />
92 % =========================================================================<br />
93 % Insulin infusion<br />
94 % =========================================================================<br />
95 UI = u;<br />
96<br />
97 % =========================================================================<br />
98 % Glucose subsystem<br />
99 % =========================================================================<br />
100 G = Q1/VG; % Plasma glucose concentration [mmol/L]<br />
101<br />
102 % Non−insulin dependent glucose consumption [mmol/min]<br />
103 if G ≥ 4.5<br />
104 F01c = F01;<br />
105 else<br />
106 F01c = F01*G/4.5;<br />
107 end<br />
108<br />
109 % Renal glucose excretion [mmol/min]<br />
110 if G ≥ 9.0<br />
111 FR = 0.003*(G−9.0)*VG;<br />
112 else<br />
113 FR = 0.0;<br />
114 end<br />
115<br />
116 % Mass balances <strong>for</strong> the two glucose compartments<br />
117 Q12 = x1*Q1; % Glucose transport/distrubtion [mmol/min]<br />
118 Q21 = k12*Q2; % Glucose transport distribution [mmol/min]<br />
119 Q2out = x2*Q2; % Glucose disposal in adipose tissue [mmol/min]<br />
120 EGP = EGP0*(1.0−x3); % Endogenous Glucose Production [mmol/min]<br />
121<br />
122 Q1dot = UG + ug − F01c − FR − Q12 + Q21 + EGP; % Compartment 1 [mmol/min]
105<br />
123 Q2dot = Q12 − Q21 − Q2out; % Compartment 2 [mmol/min]<br />
124<br />
125 % =========================================================================<br />
126 % Insulin subsystem<br />
127 % =========================================================================<br />
128 x1dot = −ka1*x1+kb1*I; % Insulin influence on transport/distubtion<br />
129 x2dot = −ka2*x2+kb2*I; % Insulin influence on disposal in adipose tissue<br />
130 x3dot = −ka3*x3+kb3*I; % Insulin influence on EGP in liver<br />
131<br />
132 % =========================================================================<br />
133 % Insulin secretion<br />
134 % =========================================================================<br />
135 S = gamma*Ipo; % Insulin secretion [mU/min]<br />
136<br />
137 Idot = UI/VI − ke*I + S/VI; % Change in plasma insulin concentration<br />
138 % [(mU/L)/min]<br />
139<br />
140 % Insulin uptake in portal vein<br />
141 if Q1dot > 0<br />
142 Spo = Y + Sb + K*Q1dot; % [mU/min]<br />
143 else<br />
144 Spo = Y + Sb; % [mU/min]<br />
145 end<br />
146 Ipodot = −S + Spo; % Change in insulin amount in portal vein [mU/min]<br />
147<br />
148 if beta*(G−Gss) ≥ −Sb<br />
149 Ydot = −alpha*(Y − beta*(G−Gss)); % [(mU/min)/min]<br />
150 else<br />
151 Ydot = −alpha*(Y + Sb); % [(mU/min)/min]<br />
152 end<br />
153<br />
154 %% Return derivatives<br />
155 xdot = [D1dot; D2dot; Q1dot; Q2dot; Idot; x1dot; x2dot; x3dot; Ipodot;...<br />
156 Ydot];<br />
Listing D.3: HovorkaBasalState2Pancreas.m<br />
1 function [Gss,Iss,xss] = HovorkaBasalState2Pancreas(u,ug,d,par,xinit)<br />
2 % HOVORKABASALSTATE Computes the basal state of the Hovorka model<br />
3 %<br />
4 % The basal state is identical to the steady state. Given the inputs<br />
5 %<br />
6 % Syntax: [Gss,Iss,xss] = HovorkaBasalState2Pancreas(u,ug,d,par,xinit)<br />
7 %<br />
8 % Gss : [mmol/L] Basal plasma glucose concentration (steady state)<br />
9 % Iss : [mU/L] Basal plasma insulin concentration (steady state)<br />
10 % xss : Basal states in the Hovorka model (steady state)<br />
11 %<br />
12 % u : [mU/min] basal insulin injection<br />
13 % ug : [g/min] basal glucose injection<br />
14 % d : [g/min] basal oral food intake (usually zero)<br />
15 % par : Parameters (see HovorkaParametersPancreas.m)<br />
16 % xinit : initial guess on the basal states (optional)<br />
17
18<br />
106 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
19 % ========================================================================<br />
20 % Modified 23.07.2009 SW<br />
21 % ========================================================================<br />
22 if nargin < 4<br />
23 xinit = [0 0 55.9483 23.3399 5.7626 0.0295 0.0047 0.2997 −0 0]';<br />
24 end<br />
25 x = fsolve(@WrapHovorka<strong>Model</strong>2Pancreas,xinit,[],u,ug,d,par);<br />
26 xss = abs(x);<br />
27 Gss = xss(3,1)/par.VG;<br />
28 Iss = xss(5,1);<br />
Listing D.4: WrapHovorka<strong>Model</strong>2Pancreas.m<br />
1 function xdot = WrapHovorka<strong>Model</strong>2Pancreas(x,u,ug,d,par)<br />
2 %WRAPHOVORKAMODEL The Hovorka model <strong>for</strong> the glucoregulatory system<br />
3 %<br />
4 % The function implements the Hovorka model <strong>for</strong> the gluco−regulatory system<br />
5 % including absorption of food and iv administration of short−acting<br />
6 % insulin together with Cobelli model <strong>for</strong> endogeneous insulin production.<br />
7 %<br />
8 % The model is in the <strong>for</strong>m<br />
9 %<br />
10 % xdot(t) = (dx/dt)(t) = f(x(t),u,ug,d,par)<br />
11 %<br />
12 % with<br />
13 %<br />
14 % time : t [min]<br />
15 % States: x = [D1; D2; S1; S2; Q1; Q2; I; x1; x2; x3; Ipo; Y]<br />
16 % D1: Glucose compartment 1 in stomach/gut [mmol]<br />
17 % D2: Glucose compartment 2 in stomach/gut [mmol]<br />
18 % S1: Insulin compartment 1 SC layer [mU]<br />
19 % S2: Insulin compartment 2 SC layer [mU]<br />
20 % Q1: Plasma glucose (measurable) [mmol]<br />
21 % Q2: Adipose glucose (non−measurable) [mmol]<br />
22 % I : Plasma insulin [mU/L]<br />
23 % x1: Insulin action on distribution/transport Q1−>Q2<br />
24 % x2: Insulin action utilization in cells<br />
25 % x3: Insulin action on EGP.<br />
26 % Ipo:Insulin in portal vein [pmol/kg]<br />
27 % Y : [mU/min]<br />
28 % MVs : u = intraveneous insulin injection [mU/min]<br />
29 % : ug = intraveneous glucose injection [g/min]<br />
30 % DVs : d = CHO consumption [g/min]<br />
31 % Parameters: par = {k12; ka1; ka2; ke; tauD; tauS; AG; kb1; kb2; VI; VG;<br />
32 % EGP0; F01; MwG; gamma; K; alpha; beta; Sb; Gss}<br />
33 % (this is a struct).<br />
34 %<br />
35 % The parameters may be constructed using the function<br />
36 % HovorkaParametersPancreas.<br />
37 %<br />
38 % Syntax: xdot = WrapHovorka<strong>Model</strong>2Pancreas(x,u,ug,d,par)<br />
39<br />
40 % ========================================================================
41 % Modified 23.07.09 SW<br />
107<br />
42 % ========================================================================<br />
43 xdot = Hovorka<strong>Model</strong>2pancreas(0,x,u,ug,d,par);<br />
Listing D.5: Hovorka<strong>Model</strong>Simulation2Pancreas.m<br />
1 function [Tx,G,I,X]=Hovorka<strong>Model</strong>Simulation2Pancreas(T,x0,U,ugvec,D,par)<br />
2 % HOVORKAMODELSIMULATION Simulation using the Hovorka model<br />
3 %<br />
4 % Syntax: [Tx,G,I,X]=Hovorka<strong>Model</strong>Simulation2Pancreas(T,x0,U,ugvec,D,par)<br />
5<br />
6 nx = length(x0);<br />
7 N = length(T);<br />
8 Tx(1) = T(1);<br />
9 X = x0';<br />
10 <strong>for</strong> k=1:N−1<br />
11 x = X(end,:)';<br />
12 [Tk,Xk]=ode45(@Hovorka<strong>Model</strong>2pancreas,[T(k) T(k+1)],x,[],U(:,k),...<br />
13 ugvec(:,k),D(:,k),par);<br />
14 X = [X; Xk];<br />
15 Tx = [Tx; Tk];<br />
16 end<br />
17<br />
18 G = X(:,3)/par.VG;<br />
19 I = X(:,5);<br />
Listing D.6: experiment simulation pan con 5.m<br />
1 clear all; close all;<br />
2<br />
3 % Parameters <strong>for</strong> the Steady State.<br />
4 BodyWeight = 70.0;<br />
5 par = HovorkaParametersPancreas(BodyWeight);<br />
6 uss = 0.0; % Basal rate of insulin.<br />
7 dss = 0.0; % Basal rate of glucose.<br />
8<br />
9 % Compute Steady State.<br />
10 Ipo0 = par.Sb;<br />
11 xinit = [0 0 55.9483 23.3399 5.7677 0.0295 0.0047 0.2997 Ipo0 0]';<br />
12 [Gss,Iss,xss]=HovorkaBasalState2Pancreas(uss,0,dss,par,xinit);<br />
13 gss = Gss*par.MwG/10;<br />
14<br />
15 Ts = 10; % Time to eat the glucose [min].<br />
16 dmeal = 40/Ts; % Amount of oral glucose [g/min].<br />
17<br />
18 T = 0:1:5*60; % Time of simulation [min].<br />
19 N = length(T);<br />
20<br />
21 D = repmat(dss,1,N);<br />
22 idd = round([60 61 62 63 64 65 66 67 68 69] + 1); % Time <strong>for</strong> meal [min].<br />
23 D(1,idd) = D(1,idd)+dmeal; % Meal vector.<br />
24<br />
25 BS = 5; % Target value of blood glucose [mmol/L].
108 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
26 Tx = [];<br />
27 G = [];<br />
28 I = [];<br />
29 X = [];<br />
30 IV ins = repmat(12,1,N); % Constant rate of insulin infusion [mU/min].<br />
31 IV glu = zeros(1,N);<br />
32 iv glu bolus = 0.0; % Glucosebolus at the beginning [g/min].<br />
33<br />
34 % Control algorithm <strong>for</strong> iv glucoseadministration.<br />
35 <strong>for</strong> t = 0:5:N−2<br />
36 if t == 0<br />
37 Xx = xss;<br />
38 end<br />
39 IV glu(t+1:t+5) = IV glu(t+1:t+5)+iv glu bolus;<br />
40 [tx,Gx,Ix,Xx] = Hovorka<strong>Model</strong>Simulation2Pancreas...<br />
41 (T(t+1):T(t+5),Xx,IV ins(t+1:t+5),IV glu(t+1:t+5),D(t+1:t+5),par);<br />
42 Xx = Xx(end,:)';<br />
43 if Gx > BS<br />
44 iv glu bolus = iv glu bolus − 0.25;<br />
45 elseif Gx < BS<br />
46 iv glu bolus = iv glu bolus + 0.25;<br />
47 end<br />
48 if iv glu bolus < 0<br />
49 iv glu bolus = 0;<br />
50 end<br />
51 Tx = [Tx; tx(1)];<br />
52 G = [G; Gx(1)];<br />
53 I = [I; Ix(1)];<br />
54 X = [X; Xx(1)];<br />
55 end<br />
56<br />
57 % Plot of glucose concentration in plasma.<br />
58 h = figure(1);<br />
59 subplot(221)<br />
60 plot([Tx(1) Tx(end)],[5 5],'r−',Tx,G,'b−','linewidth',2); grid;<br />
61 xlabel('time [min]','fontsize',14); ylabel('G (mmol/L)','fontsize',14);<br />
62 ylim([0 10]); xlim([Tx(1) Tx(end)]);<br />
63 text(60,6,'\downarrow','fontsize',14)<br />
64 hold on;<br />
65 fill([Tx(1) Tx(end) Tx(end) Tx(1)],...<br />
66 [70/par.MwG*10 70/par.MwG*10 140/par.MwG*10 140/par.MwG*10],...<br />
67 'g','facealpha',0.2)<br />
68 hold off<br />
69 set(get(h,'CurrentAxes'),'fontsize',14)<br />
70 legend('Target value of BS','Actual value of BS','Location','NorthEast')<br />
71<br />
72 % Plot of insulin concentration in plasma.<br />
73 subplot(222)<br />
74 plot(Tx,I,'b−','linewidth',2);<br />
75 grid; xlabel('time [min]','fontsize',14); ylabel('I (mU/L)','fontsize',14);<br />
76 xlim([Tx(1) Tx(end)])<br />
77 set(get(h,'CurrentAxes'),'fontsize',14)<br />
78<br />
79 % Plot of oral glucose load and iv glucose infusion.<br />
80 T=T/60;
109<br />
81 subplot(223)<br />
82 stairs(T,D,'b−','linewidth',2)<br />
83 hold on<br />
84 stairs(T,IV glu,'m−','linewidth',2); grid;<br />
85 xlabel('time [hr]','fontsize',14); ylabel('Glucose (g/min)','fontsize',14);<br />
86 xlim([T(1) T(end)]); ylim([0 10]);<br />
87 text(2.5,7,['Total glucose = ' num2str(sum(IV glu)) 'g'],'fontsize',12)<br />
88 set(get(h,'CurrentAxes'),'fontsize',14)<br />
89 legend('Meal','IV glucose')<br />
90<br />
91 % Plot of iv insulin infusion.<br />
92 subplot(224)<br />
93 stairs(T,IV ins,'b−','linewidth',2); grid;<br />
94 xlabel('time [hr]','fontsize',14);<br />
95 ylabel('Insulin infusion (mU/min)','fontsize',14);<br />
96 xlim([T(1) T(end)]); ylim([0 max(IV ins)+1]);<br />
97 set(get(h,'CurrentAxes'),'fontsize',14)<br />
1 clear all; close all;<br />
2<br />
Listing D.7: experiment simulation pan con 10.m<br />
3 % Parameters <strong>for</strong> the Steady State.<br />
4 BodyWeight = 70.0;<br />
5 par = HovorkaParametersPancreas(BodyWeight);<br />
6 uss = 0.0; % Basal rate of insulin.<br />
7 dss = 0.0; % Basal rate of glucose.<br />
8<br />
9 % Compute Steady State.<br />
10 Ipo0 = par.Sb;<br />
11 xinit = [0 0 55.9483 23.3399 5.7677 0.0295 0.0047 0.2997 Ipo0 0]';<br />
12 [Gss,Iss,xss]=HovorkaBasalState2Pancreas(uss,0,dss,par,xinit);<br />
13 gss = Gss*par.MwG/10;<br />
14<br />
15 Ts = 10; % Time to eat the glucose [min].<br />
16 dmeal = 40/Ts; % Amount of oral glucose [g/min]<br />
17<br />
18 T = 0:1:5*60; % Time of simulation [min].<br />
19 N = length(T);<br />
20<br />
21 D = repmat(dss,1,N);<br />
22 idd = round([60 61 62 63 64 65 66 67 68 69] + 1); % Time <strong>for</strong> meal [min].<br />
23 D(1,idd) = D(1,idd)+dmeal; % Meal vector.<br />
24<br />
25 BS = 10; % Target value of blood glucose [mmol/L].<br />
26 Tx = [];<br />
27 G = [];<br />
28 I = [];<br />
29 X = [];<br />
30 IV ins = repmat(uss,1,N); % None insulin infusion [mU/min].<br />
31 IV glu = zeros(1,N);<br />
32 iv glu bolus = 5; % Glucosebolus at the beginning [g/min].<br />
33<br />
34 % Control algorithm <strong>for</strong> iv glucoseadministration.
110 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
35 <strong>for</strong> t = 0:5:N−2<br />
36 if t == 0<br />
37 Xx = xss;<br />
38 end<br />
39 IV glu(t+1:t+5) = IV glu(t+1:t+5)+iv glu bolus;<br />
40 [tx,Gx,Ix,Xx] = Hovorka<strong>Model</strong>Simulation2Pancreas...<br />
41 (T(t+1):T(t+5),Xx,IV ins(t+1:t+5),IV glu(t+1:t+5),D(t+1:t+5),par);<br />
42 Xx = Xx(end,:)';<br />
43 if Gx > BS<br />
44 iv glu bolus = iv glu bolus − 0.5;<br />
45 elseif Gx < BS<br />
46 iv glu bolus = iv glu bolus + 0.5;<br />
47 end<br />
48 if iv glu bolus < 0<br />
49 iv glu bolus = 0;<br />
50 end<br />
51 Tx = [Tx; tx(1)];<br />
52 G = [G; Gx(1)];<br />
53 I = [I; Ix(1)];<br />
54 X = [X; Xx(1)];<br />
55 end<br />
56<br />
57 % Plot of glucose concentration in plasma.<br />
58 h = figure(1);<br />
59 subplot(221)<br />
60 plot([Tx(1) Tx(end)],[10 10],'r−',Tx,G,'b−','linewidth',2); grid;<br />
61 xlabel('time [min]','fontsize',14); ylabel('G (mmol/L)','fontsize',14)<br />
62 ylim([0 12]); xlim([Tx(1) Tx(end)]);<br />
63 text(60,10.5,'\downarrow','fontsize',14)<br />
64 hold on;<br />
65 fill([Tx(1) Tx(end) Tx(end) Tx(1)],...<br />
66 [70/par.MwG*10 70/par.MwG*10 140/par.MwG*10 140/par.MwG*10],...<br />
67 'g','facealpha',0.2)<br />
68 hold off<br />
69 set(get(h,'CurrentAxes'),'fontsize',14)<br />
70 legend('Target value of BS','Actual value of BS','Location','SouthEast')<br />
71<br />
72 % Plot of insulin concentration in plasma.<br />
73 subplot(222)<br />
74 plot(Tx,I,'b−','linewidth',2); grid;<br />
75 xlabel('time [min]','fontsize',14); ylabel('I (mU/L)','fontsize',14);<br />
76 xlim([Tx(1) Tx(end)])<br />
77 set(get(h,'CurrentAxes'),'fontsize',14)<br />
78<br />
79 % Plot of oral glucose load and iv glucose infusion.<br />
80 T=T/60;<br />
81 subplot(223)<br />
82 stairs(T,D,'b−','linewidth',2)<br />
83 hold on<br />
84 stairs(T,IV glu,'m−','linewidth',2); grid;<br />
85 xlabel('time [hr]','fontsize',14); ylabel('Glucose (g/min)','fontsize',14);<br />
86 xlim([T(1) T(end)]); ylim([0 32]);<br />
87 text(2.9,11,['Total glucose = ' num2str(sum(IV glu)) 'g'],'fontsize',12)<br />
88 set(get(h,'CurrentAxes'),'fontsize',14)<br />
89 legend('Meal','IV glucose','Location','SouthEast')
90<br />
91 % Plot of iv insulin infusion.<br />
92 subplot(224)<br />
93 stairs(T,IV ins,'b−','linewidth',2); grid;<br />
94 xlabel('time [hr]','fontsize',14);<br />
95 ylabel('Insulin infusion (mU/min)','fontsize',14);<br />
96 xlim([T(1) T(end)]); ylim([0 uss+1]);<br />
97 set(get(h,'CurrentAxes'),'fontsize',14)<br />
1 clear all; close all;<br />
2<br />
Listing D.8: experiment simulation pan con 25.m<br />
3 % Parameters <strong>for</strong> the Steady State.<br />
4 BodyWeight = 70.0;<br />
5 par = HovorkaParametersPancreas(BodyWeight);<br />
6 uss = 0.0; % Basal rate of insulin.<br />
7 dss = 0.0; % Basal rate of glucose.<br />
8<br />
9 % Compute Steady State.<br />
10 Ipo0 = par.Sb;<br />
11 xinit = [0 0 55.9483 23.3399 5.7677 0.0295 0.0047 0.2997 Ipo0 0]';<br />
12 [Gss,Iss,xss]=HovorkaBasalState2Pancreas(uss,0,dss,par,xinit);<br />
13 gss = Gss*par.MwG/10;<br />
14<br />
15 Ts = 10; % Time to eat the glucose [min].<br />
16 dmeal = 40/Ts; % Amount of oral glucose [g/min].<br />
17<br />
18 T = 0:1:5*60; % Time of simulation [min].<br />
19 N = length(T);<br />
20<br />
21 D = repmat(dss,1,N);<br />
111<br />
22 idd = round([60 61 62 63 64 65 66 67 68 69] + 1); % Time <strong>for</strong> meal [min].<br />
23 D(1,idd) = D(1,idd)+dmeal; % Meal vector.<br />
24<br />
25 BS = 2.5; % Target value of blood glucose [mmol/L].<br />
26 Tx = [];<br />
27 G = [];<br />
28 I = [];<br />
29 X = [];<br />
30 IV ins = repmat(0,1,N);<br />
31 IV ins(0+1:60+1) = IV ins(0+1:60+1)+40; % Insulin infusion first<br />
32 % hour [mU/min].<br />
33 IV ins(61+1:300+1) = IV ins(61+1:300+1)+20; % Insulin infusion last four<br />
34 % hours [mU/min].<br />
35 IV glu = zeros(1,N);<br />
36 iv glu bolus = 0; % Glucosebolus at the beginning [g/min].<br />
37<br />
38 % Control algorithm <strong>for</strong> iv glucoseadministration.<br />
39 <strong>for</strong> t = 0:5:N−2<br />
40 if t == 0<br />
41 Xx = xss;<br />
42 end<br />
43 IV glu(t+1:t+5) = IV glu(t+1:t+5)+iv glu bolus;
112 MATLAB kode til simulering af <strong>for</strong>søgsscenarie<br />
44 [tx,Gx,Ix,Xx] = Hovorka<strong>Model</strong>Simulation2Pancreas...<br />
45 (T(t+1):T(t+5),Xx,IV ins(t+1:t+5),IV glu(t+1:t+5),D(t+1:t+5),par);<br />
46 Xx = Xx(end,:)';<br />
47 if Gx > BS<br />
48 iv glu bolus = iv glu bolus − 0.5;<br />
49 elseif Gx < BS<br />
50 iv glu bolus = iv glu bolus + 0.5;<br />
51 end<br />
52 if iv glu bolus < 0<br />
53 iv glu bolus = 0;<br />
54 end<br />
55 Tx = [Tx; tx(1)];<br />
56 G = [G; Gx(1)];<br />
57 I = [I; Ix(1)];<br />
58 X = [X; Xx(1)];<br />
59 end<br />
60<br />
61 % Plot of glucose concentration in plasma.<br />
62 h = figure(1);<br />
63 subplot(221)<br />
64 plot([Tx(1) Tx(end)],[2.5 2.5],'r−',Tx,G,'b−','linewidth',2); grid;<br />
65 xlabel('time [min]','fontsize',14); ylabel('G (mmol/L)','fontsize',14);<br />
66 ylim([0 10]); xlim([Tx(1) Tx(end)]);<br />
67 text(60,6,'\downarrow','fontsize',14)<br />
68 hold on;<br />
69 fill([Tx(1) Tx(end) Tx(end) Tx(1)],...<br />
70 [70/par.MwG*10 70/par.MwG*10 140/par.MwG*10 140/par.MwG*10],...<br />
71 'g','facealpha',0.2)<br />
72 hold off<br />
73 set(get(h,'CurrentAxes'),'fontsize',14)<br />
74 legend('Target value of BS','Actual value of BS','Location','NorthEast')<br />
75<br />
76 % Plot of insulin concentration in plasma.<br />
77 subplot(222)<br />
78 plot(Tx,I,'b−','linewidth',2); grid;<br />
79 xlabel('time [min]','fontsize',14); ylabel('I (mU/L)','fontsize',14);<br />
80 xlim([Tx(1) Tx(end)]);<br />
81 set(get(h,'CurrentAxes'),'fontsize',14)<br />
82<br />
83 % Plot of oral glucose load and iv glucose infusion.<br />
84 T=T/60;<br />
85 subplot(223)<br />
86 stairs(T,D,'b−','linewidth',2)<br />
87 hold on<br />
88 stairs(T,IV glu,'m−','linewidth',2); grid;<br />
89 xlabel('time [hr]','fontsize',14); ylabel('Glucose (g/min)','fontsize',14);<br />
90 xlim([T(1) T(end)]); ylim([0 8]);<br />
91 text(2.9,5,['Total glucose = ' num2str(sum(IV glu)) 'g'],'fontsize',12)<br />
92 set(get(h,'CurrentAxes'),'fontsize',14)<br />
93 legend('Meal','IV glucose','Location','NorthEast')<br />
94<br />
95 % Plot of insulin infusion.<br />
96 subplot(224)<br />
97 stairs(T,IV ins,'b−','linewidth',2); grid;<br />
98 xlabel('time [hr]','fontsize',14);
99 ylabel('Insulin infusion (mU/min)','fontsize',14);<br />
100 xlim([T(1) T(end)]); ylim([0 41]);<br />
101 set(get(h,'CurrentAxes'),'fontsize',14)<br />
113
114 MATLAB kode til simulering af <strong>for</strong>søgsscenarie
Bilag E<br />
Billeder fra <strong>for</strong>søg med<br />
normoglykæmisk clamp<br />
Jeg har valgt at vedlægge nogle billeder fra <strong>for</strong>søget med den normoglykæmiske<br />
clamp den 18. juli 2009. Desuden findes der nogle f˚a billeder af <strong>for</strong>søget i Kapitel<br />
5.
116 Billeder fra <strong>for</strong>søg med normoglykæmisk clamp<br />
Figur E.1: Forsøgspersonen f˚ar lagt venflon i en antekubital vene p˚a højre side<br />
til blodprøvetagning.<br />
Figur E.2: Forsøgspersonen spiser m˚altid best˚aende af 80 g franskbrød, 120 g<br />
æggeomelet mærket med 99m Tc og 200 g vand mærket med 111 In. M˚altidet<br />
skulle spises p˚a under 10 minutter.
117<br />
Figur E.3: Her ses <strong>for</strong>søgspersonen <strong>for</strong>an gammakameraet under en posterior<br />
registrering.
118 Billeder fra <strong>for</strong>søg med normoglykæmisk clamp<br />
Figur E.4: Hæmocue til m˚aling af blodsukker.<br />
Figur E.5: Forsøgspersonen f˚ar sig et vel<strong>for</strong>tjent m˚altid efter <strong>for</strong>søget.
Bilag F<br />
Formelle dokumenter i<br />
<strong>for</strong>bindelse med klinisk <strong>for</strong>søg
De Videnskabsetiske Komiteer<br />
<strong>for</strong> Region Hovedstaden<br />
Regionsgården<br />
Kongens Vænge 2<br />
3400 Hillerød<br />
Vedr.: Anmeldelse af <strong>for</strong>søgsprotokol<br />
Til sekretariatet,<br />
Hermed fremsendes vedlagt i 2 eksemplarer:<br />
- Kopi af elektronisk anmeldelse<br />
- Dokumentation <strong>for</strong> identitet (kopi af sundhedskort)<br />
- Kortfattet CV<br />
- Udfyldt anmeldelsesblanket<br />
- Forsøgsprotokol inklusive lægmands- og patientin<strong>for</strong>mation<br />
- Annonce<br />
Med venlig hilsen<br />
Jan Lysgård Madsen<br />
Overlæge, dr. med.<br />
Klinisk fysiologisk/nuklearmedicinsk afdeling<br />
Hvidovre Hospital<br />
Hvidovre Hospital<br />
Kettegård Allé 30<br />
2650 Hvidovre<br />
Afsnit Klinisk fysiologisk/nuklearmedicinsk afd.<br />
afsnit 239<br />
Telefon 3632 2188<br />
Fax 3632 3750<br />
JLM/<br />
Mail jan.lysgaard.madsen@hvh.regionh.dk<br />
9. februar 2009
Komitéens reg.nr.<br />
(KF)_____________<br />
Anmeldelse til Videnskabsetisk Komité<br />
Alle oplysninger på denne blanket betragtes som offentlig tilgængelige.<br />
Projekttitel: (maks. 50 tegn). (Denne projekttitel vil altid blive offentliggjort i <strong>for</strong>bindelse med Komitéens årsberetning)<br />
Effekten af hypo-, normo- og hyperglykæmi på ventriklens tømningsfunktion hos raske <strong>for</strong>søgspersoner<br />
Projektets hoved<strong>for</strong>mål:<br />
Formålet med dette projekt er at undersøge hvorledes hypo-, normo- og hyperglykæmi påvirker ventriklens tømingsfunktion hos raske <strong>for</strong>søgspersoner.<br />
Resultaterne skal benyttes til <strong>for</strong>bedring af computerbaserede modeller <strong>for</strong> ventriklens fysiologiske funktioner.<br />
Projektleder: (ved multicenterprojekter: projektkoordinator i Danmark)<br />
Overlæge, dr. med. Jan Lysgård Madsen<br />
Klinisk ansvarlig: (bør som hovedregel være overlæge/afd.læge)<br />
Overlæge, dr. med. Jan Lysgård Madsen<br />
Øvrige medlemmer af projektgruppen:<br />
Stud. polyt. Sabrina Lyngbye Wendt, assisterende professor, ph.d. John Bagterp Jørgensen, 1. reservelæge, ph.d. Heidi Storgaard, overlæge,<br />
dr. med. Kirsten Nørgaard<br />
Kontaktperson som <strong>for</strong>estår al korrespondance vedr. projektet<br />
(navn, adresse, tlf. – husk at meddele ny adresse):<br />
Overlæge, dr. med. Jan Lysgård Madsen, klinisk fysiologisk/nuklearmedicinsk afdeling, Hvidovre Hospital, Kettegård Allé 30, 2650 Hvidovre<br />
Telefon: 3632 2188<br />
E-mail: jan.lysgaard.madsen@hvh.regionh.dk<br />
Stedet <strong>for</strong> projektets gennemførelse:<br />
Klinisk fysiologisk/nuklearmedicinsk afdeling, Hvidovre Hospital, Kettegård Allé 30, 2650 Hvidovre<br />
Projektets <strong>for</strong>ventede varighed i Danmark: Projektet <strong>for</strong>ventes i Danmark at ville omfatte<br />
A: Inklusion af <strong>for</strong>søgspersoner (angiv antal) patienter: 0<br />
fra april 2009 til december 2009<br />
(angiv antal) raske <strong>for</strong>søgspersoner: 6<br />
B: Sidste <strong>for</strong>søgsperson <strong>for</strong>ventes af udgå<br />
december 2009<br />
Ydes extern økonomisk støtte nej ja (hvis ja, indføjes oplysninger i protokol, lægmandsresumé og deltagerin<strong>for</strong>mation)<br />
Der vedlægges:<br />
Forsøgsprotokol i 8 eksemplarer (se bagsiden)<br />
Skriftlig deltagerin<strong>for</strong>mation med samtykkeerklæring<br />
Ikke-videnskabelig beskrivelse af projektet<br />
Genpart af anmeldelse til Lægemiddelstyrelsen (kun ved <strong>for</strong>søg med lægemidler)<br />
Genpart af anmeldelse til Registertilsynet (kun ved registerprojekter)<br />
Eksemplarer af eventuelle spørgeskemaer<br />
Afsnit med de samlede etiske overvejelser<br />
Kopi af girokvittering<br />
Dato: Underskrift (ansvarlig projektleder) Underskrift (klinisk ansvarlig)<br />
9. januar 2009<br />
Forbeholdt komitéen Modtaget dato Udsendt til medlemmerne dato<br />
II.99 Rev. febr.1999
Effekten af hypo-, normo- og hyperglykæmi på ventriklens<br />
tømningsfunktion hos raske <strong>for</strong>søgspersoner<br />
Forsøgsprotokol<br />
Version 1<br />
Februar 2009<br />
Stud. polyt. Sabrina Lyngbye Wendt, <strong>Danmarks</strong> <strong>Tekniske</strong> Universitet<br />
Assisterende professor, ph.d. John Bagterp Jørgensen, <strong>Danmarks</strong> <strong>Tekniske</strong> Universitet<br />
1. reservelæge, ph.d. Heidi Storgaard, Endokrinologisk afdeling, Hvidovre Hospital<br />
Overlæge, dr. med. Kirsten Nørgaard, Endokrinologisk afdeling, Hvidovre Hospital<br />
Overlæge, dr. med. Jan Lysgård Madsen, Klinisk fysiologisk/nuklearmedicinsk afdeling, Hvidovre Hospital
Formål<br />
Formålet med dette projekt er at undersøge hvorledes hypo-, normo- og hyperglykæmi påvirker ventriklens<br />
tømingsfunktion hos raske <strong>for</strong>søgspersoner. Resultaterne skal benyttes til <strong>for</strong>bedring af computerbaserede<br />
modeller <strong>for</strong> ventriklens basalfysiologi.<br />
Baggrund<br />
Sukkersyge (diabetes mellitus) er et syndrom, der er karakteriseret ved utilstrækkelig insulinsekretion, nedsat<br />
insulinfølsomhed, nedsat glukosetolerance og tendens til udvikling af nervebetændelse og universelle<br />
blodkar<strong>for</strong>andringer (neuropati, mikroangiopati, aterosklerose). Sukkersyge er således en flerhed af<br />
sygdomsenheder med <strong>for</strong>skellig ætiologi, genetisk baggrund, patogenese, klinisk manifestation og <strong>for</strong>løb.<br />
Hyperglykæmi er den biokemiske abnormitet, som er fælles <strong>for</strong> alle typer af sukkersyge, og behandling af<br />
hyperglykæmi ikke alene mindsker hovedsymptomerne (træthed, tørst<strong>for</strong>nemmelse, polyuri, vægttab), men er<br />
også vist at mindske risikoen <strong>for</strong> komplikationer i øjne, nyrer og nerver. Et væsentligt mål <strong>for</strong> behandlingen er<br />
der<strong>for</strong> at opnå stabile koncentrationer i blodet af glukose så tæt på normalværdierne som muligt. Dette kan hos<br />
en del patienter opnås ved diæt- og motionsregimer samt medikamenter, der enten øger insulinsekretionen eller<br />
øger insulinvirkningen. Hos omtrent 1/4 af patienterne med nedsat insulinsekretion eller nedsat<br />
insulinfølsomhed (type 2 sukkersyge) og hos alle patienter uden insulinsekretion (type 1 sukkersyge) er<br />
behandling med insulin nødvendig. Oftest anvendes faste daglige doseringer af langsomt virkende<br />
insulinpræparater suppleret med varierende doseringer af hurtigt virkende præparater afhængigt af<br />
fødeindtagelsen og den fysiske aktivitet. Herunder er gentagne målinger af blodets glukosekoncentration ofte<br />
påkrævet.<br />
Med henblik på at opnå den bedst mulige regulering af blod-glukosekoncentrationen hos patienter med<br />
sukkersyge, har man de sidste årtier <strong>for</strong>søgt at udvikle computerbaserede kunstige bugspytkirtler. De første<br />
systemer blev udviklet til at fastholde patienter med type 1 sukkersyge i en normoglykæmisk tilstand under<br />
faste ved hjælp af intravenøst placerede sensorer til måling af blod-glukosekoncentrationen og intravenøs<br />
infusion af insulin (1,2). Siden har man arbejdet med computerbaserede systemer til optimering af<br />
insulinbehandlingen i en normal hverdag omfattende både fødeindtagelse og fysisk aktivitet i varierende<br />
omfang (3,4). Disse systemer beror på komplicerede matematiske algoritmer til beregning af <strong>for</strong>ventede blod-<br />
glukosekoncentrationer ud fra kendskab til fødeindtagelse, energiomsætning, glukoseabsorption fra tyndtarm,<br />
glukosefrisætning fra lever, subkutan insulinabsorption og insulinvirkning på lever og muskler.<br />
De aktuelle algoritmer til beregning af <strong>for</strong>ventede blod-glukosekoncentrationer er ikke færdigudviklede,<br />
og de kan der<strong>for</strong> endnu ikke anvendes i klinisk praksis. En af grundene hertil er, at effekten af variationer i<br />
blod-glukosekoncentrationen på ventriklens tømningsfunktion og dermed graden af glukoseabsorption fra<br />
tyndtarmen efter fødeindtagelse ikke er medtaget i algoritmerne. Det er velkendt, at en feedback-mekanisme<br />
3
mellem blod-glukosekoncentrationen og ventriklens tømningsfunktion er med til at fastholde blod-<br />
glukosekoncentrationen inden<strong>for</strong> ret snævre grænser hos raske mennesker (5). Lav blod-glukosekoncentration<br />
vil således øge tømningshastigheden og dermed øge glukoseabsorptionen fra tyndtarmen, mens høj blod-<br />
glukosekoncentration vil nedsætte tømningshastigheden og dermed nedsætte glukoseabsorptionen. Formålet<br />
med det aktuelle studium er at tilvejebringe kvantitative data vedrørende denne feedback-mekanisme med<br />
henblik på <strong>for</strong>bedring af eksisterende computerbaserede modeller <strong>for</strong> ventriklens tømningsfunktion, der indgår<br />
i algoritmerne til beregning af <strong>for</strong>ventede blod-glukosekoncentrationer.<br />
Forsøgspersoner<br />
I projektet deltager 6 raske <strong>for</strong>søgspersoner, der rekrutteres ved opslag blandt studerende ved annoncering på<br />
internetadressen www.<strong>for</strong>soegsperson.dk. Annoncen vedrørende rekruttering af raske <strong>for</strong>søgspersoner er<br />
vedlagt særskilt. Annoncen indeholder en henvisning (link) til den skriftlige in<strong>for</strong>mation om <strong>for</strong>søget. Mundtlig<br />
in<strong>for</strong>mation gives af overlæge Jan Lysgård Madsen, klinisk fysiologisk/nuklearmedicinsk afdeling, Hvidovre<br />
Hospital. Skriftligt samtykke afgives senest på første <strong>for</strong>søgsdag.<br />
Inklusionskriterier<br />
- Mand<br />
- Alder > 20 år og < 40 år<br />
- BMI (body mass index) > 20 25 kg/m 2 og < 25 kg/m 2<br />
- Normal biokemisk standardanalyse (faste-glukose, hæmoglobin, natrium, kalium, kreatinin,<br />
lactatdehydrogenase, basisk fosfatase)<br />
Eksklusionskriterier<br />
- Gastrointestinale symptomer<br />
- Tidligere operativt indgreb på mavetarmkanalen bortset fra appendektomi<br />
- Kronisk sygdom med mulig virkning på mavetarmkanalens motilitet<br />
- Medikamentel behandling med virkning på mavetarmkanalens motilitet<br />
- Sukkersyge hos førstegradsslægtning<br />
Forsøgsdesign<br />
Hver <strong>for</strong>søgsperson skal deltage i 3 del<strong>for</strong>søg, der afvikles enkeltblindet og randomiseret med 1-3 ugers<br />
interval. Under del<strong>for</strong>søgene bedømmes effekten af en konstant blod-glukosekoncentration på henholdsvis 2,5<br />
mmol/l (hypoglykæmi), 5 mmol/l (normoglykæmi) og 10 mmol/l (hyperglykæmi) på ventriklens<br />
tømningsfunktion.<br />
4
Forsøgsprocedure<br />
Efter <strong>for</strong>udgående faste i mindst 10 timer møder <strong>for</strong>søgspersonerne kl. 8 på klinisk<br />
fysiologisk/nuklearmedicinsk afdeling, Hvidovre Hospital. Der indføres på både højre og venstre side et<br />
plastkateter (venflon) i en antekubital vene til kontrollerede intravenøse infusioner af glukose og insulin samt<br />
hyppige målinger af blod-glukosekoncentrationen med henblik på opnåelse af den ønskede blod-<br />
glukosekoncentration under <strong>for</strong>søget (clamp-teknik) (6).<br />
Efter 1 time med stabil blod-glukosekoncentration på det ønskede niveau indtager <strong>for</strong>søgspersonerne et<br />
måltid bestående af 80 g franskbrød, 120 g æggeomelet tilsat 30 MBq 99mTc-svovlkolloid (99mTc-Nanocis,<br />
General Electric Health Care, USA) og 200 g vand tilsat 3 MBq 111In-diethylentriaminpentaacetat (111In-<br />
DTPA, Covidien, USA). Måltidets energiindhold er 1.675 kJ, der er <strong>for</strong>delt med 43% fra kulhydrat, 35% fra<br />
fedtstof og 22% fra protein. Ventrikeltømningen følges dernæst ved skintigrafisk registrering med<br />
gammakamera hvert 30. min de efterfølgende 4 timer (7).<br />
Derudover vil der under <strong>for</strong>søget blive udtaget blodprøver fra det ene plastkateter til bestemmelse af<br />
insulin, glucagon, væksthormon, adrenalin og noradrenalin. Ved hvert del<strong>for</strong>søg vil der herved blive udtaget<br />
150 ml blod, således at hver <strong>for</strong>søgsperson ved deltagelse i alle 3 del<strong>for</strong>søg vil miste i alt 450 ml blod.<br />
Datapræsentation og -sammenligning<br />
Samtlige resultater præsenteres som medianer med tilhørende spændvidder. Sammenligninger af resultater<br />
opnået under de 3 del<strong>for</strong>søg <strong>for</strong>etages med non-parametrisk parret test (Wilcoxon- og Friedman-test).<br />
Dosimetri<br />
Hver <strong>for</strong>søgsperson vil ved deltagelse i projektet i alt modtage en effektiv stråledosis på 4,86 mSv (3 x 0,72<br />
mSv fra 99mTc-svovlkolloid og 3 x 0,90 mSv fra 111In-DTPA).<br />
Etik, bivirkninger, risici og <strong>for</strong>sikrings<strong>for</strong>hold<br />
Projektet anses <strong>for</strong> værende i fuld overensstemmelse med Helsinki-II-deklarationen, og projektprotokollen er<br />
godkendt af De Videnskabsetiske Komitéer <strong>for</strong> Region Hovedstaden (journalnr. x). Alle <strong>for</strong>søgspersoner<br />
deltager frivilligt, og der indhentes samtykke efter både mundtlig og skriftlig in<strong>for</strong>mation om projektet. Alle<br />
in<strong>for</strong>meres desuden om, at de til enhver tid kan træde ud af projektet.<br />
Vort projekt vil kunne tilvejebringe data, der kan benyttes i udviklingen af computerbaserede teknikker<br />
til <strong>for</strong>bedring af sukkersyges insulinbehandling. Det er der<strong>for</strong> vort skøn, at den beskedne risiko, som deltagelse<br />
i projektet medfører, fuldt ud opvejes af det <strong>for</strong>ventede udbytte.<br />
5
Indføring af de 2 katetre til infusion og blodprøvetagning giver kun anledning til let ubehag.<br />
Hypoglykæmien kan medføre let ubehag i <strong>for</strong>m af indre uro, sult<strong>for</strong>nemmelse, svedudbrud og hjertebanken.<br />
Ubehaget ophører straks efter <strong>for</strong>søgets afslutning. Der vil under hele <strong>for</strong>søget være en læge til stede.<br />
Den samlede udtagne blodmængde på 450 ml svarer til den blodmængde, der normalt udtages ved én<br />
bloddonation.<br />
Vanlige strålehygiejniske sikkerheds<strong>for</strong>anstaltninger vil blive overholdt. Strålebelastningen vil <strong>for</strong> hver<br />
<strong>for</strong>søgsperson være lidt mindre end den, der gennemsnitligt modtages fra den naturlige baggrundsstråling ved 2<br />
års ophold i Danmark.<br />
Hospital.<br />
Økonomi<br />
Forsikringsmæssigt har <strong>for</strong>søgspersonerne status som almindelige ambulante patienter på Hvidovre<br />
Godtgørelse til deltagende <strong>for</strong>søgspersoner<br />
18 del<strong>for</strong>søg (6 <strong>for</strong>søgspersoner deltager hver i 3 del<strong>for</strong>søg) á kr. 2.000 kr. 36.000<br />
Betaling <strong>for</strong> blodprøveanalyser<br />
Insulin, 126 blodprøveanalyser (18 del<strong>for</strong>søg med hver 7 blodprøver) á kr. 30 kr. 3.780<br />
Glucagon, 126 blodprøveanalyser (18 del<strong>for</strong>søg med hver 7 blodprøver) á kr. 50 kr. 6.300<br />
Væksthormon, 126 blodprøveanalyser (18 del<strong>for</strong>søg med hver 7 blodprøver) á kr. 50 kr. 6.300<br />
Adrenalin, 126 blodprøveanalyser (18 del<strong>for</strong>søg med hver 7 blodprøver) á kr. 50 kr. 6.300<br />
Noradrenalin, 126 blodprøveanalyser (18 del<strong>for</strong>søg med hver 7 blodprøver) á kr. 50 kr. 6.300<br />
________________________________________________________________________________Udgifter<br />
i alt kr. 64.980<br />
________________________________________________________________________________<br />
Omkostningerne søges dækket ved hjælp af fondsmidler. Intet lægemiddelfirma er involveret, og ingen af<br />
projektgruppens medlemmer har økonomisk interesse i <strong>for</strong>søget. Driftsomkostninger og udgifter til indkøb af<br />
isotopmærkede markører dækkes af klinisk fysiologisk/nuklearmedicinsk afdeling, Hvidovre Hospital.<br />
Sted <strong>for</strong> projektets gennemførelse<br />
Projektet gennemføres på klinisk fysiologisk/nuklearmedicinsk afdeling, afsnit 239, Hvidovre Hospital.<br />
Tidsplan <strong>for</strong> projektet<br />
Projektet <strong>for</strong>ventes gennemført i løbet af 2009.<br />
6
Publikation<br />
Forsøgsresultaterne vil uanset udfaldet blive søgt publiceret i et internationalt tidsskrift.<br />
Litteratur<br />
7
1. Albisser AM, Leibel BS, Ewart TG, Davidovac Z, Bolz CK, Zingg W. An artificial pancreas. Diabetes<br />
1974; 23: 389-404.<br />
2. Clemens AH, Chang PH, Myers RW. The development of biostator, a glucose controlled insulin<br />
infusion system (GCIIS). Horm Metab Res 1977; Suppl 7: 22-33.<br />
3. Hvorka R, Canonico V, Chassin LJ, Haueter U, Massi-Benedetti M, Federici MO, Pieber TR, Schaller<br />
HC, Schaupp L, Vering T, Wilinska ME. Nonlinear model predictive control of glucose concentration<br />
in subjects with type 1 diabetes. Physiol Meas 2004; 25: 905-920.<br />
4. Kildegaard J, Randløv J, Poulsen JU, Hejlesen OK. The impact of non-model-related variability on<br />
blood glucose prediction. Diabetes Technol Ther 2007; 9: 363-371<br />
5. Horowitz M., O’Donovan D., Jones K. L., Feinle C., Rayner C. K., Samsom M. Gastric emptying in<br />
diabetes: clinical significance and treatment. Diabetic Medicine 2002; 19: 177-194.<br />
6. DeFronzo RA, Tobin JD, Andres R. Glucose clamp technique: a method <strong>for</strong> quantifying insulin<br />
secretion and resistance. Am J Physiol Endocrinol Metab 1979; 273: E214-E223.<br />
7. Madsen JL, Fuglsang S. A randomized, placebo-controlled, crossover, double-blind trial of the NK1<br />
receptor antagonist aprepitant on gastrointestinal motor function in healthy humans. Aliment Pharmacol<br />
Ther 2008; 27: 609-615.<br />
8
Effekten af hypo-, normo- og hyperglykæmi på ventriklens<br />
tømningsfunktion hos raske <strong>for</strong>søgspersoner<br />
Ikke-videnskabelig beskrivelse af <strong>for</strong>søget<br />
Ved sukkersyge er mængden af sukker i blodet <strong>for</strong>højet. Som følge heraf kan patienter med<br />
sukkersyge få skader i blodkar, øjne, nyrer og nerver. For at undgå disse skader er det vigtigt, at<br />
behandlingen medfører, at blodsukkeret holdes så tæt på normalværdierne som muligt. Hos nogle<br />
patienter med sukkersyge kan dette kun opnås ved behandling med insulin. Det kan imidlertid være<br />
vanskeligt at dosere mængden af insulin korrekt, idet behovet afhænger af en lang række <strong>for</strong>hold<br />
inklusive mængden af sukker i kosten, omfanget af fysisk aktivitet og hastigheden hvormed insulinet<br />
bliver optaget i kroppen efter indsprøjtning. Oftest anvendes faste daglige doser af langsomt virkende<br />
insulinpræparater suppleret med varierende doser af hurtigt virkende præparater afhængigt af<br />
blodsukkerniveauet.<br />
I de senere år har man <strong>for</strong>søgt at udvikle computerprogrammer, der ud fra kendskab til blandt andet<br />
sukkerindtagelsen, mavesækkens tømningshastighed, sukkeroptagelsen fra tyndtarmen,<br />
sukkeroptagelsen i lever og muskler samt insulinoptagelsen i koppen efter indsprøjtning kan benyttes<br />
til at beregne <strong>for</strong>ventede niveauer af blodsukkeret og dermed behovet <strong>for</strong> supplerende insulin. Man<br />
håber, at computerprogrammerne kan blive så gode, at de kan benyttes af patienter med sukkersyge<br />
til at dosere indsprøjtningerne af insulin mest hensigtsmæssigt. Vi håber med dette førsøg at kunne<br />
opnå resultater, der kan bruges til <strong>for</strong>bedring af de aktuelle computerprogrammer. <strong>Mavesækkens</strong><br />
tømningshastighed og blodsukkerniveauet er tæt <strong>for</strong>bundet. Lavt blodsukker øger<br />
tømningshastigheden, der igen øger blodsukkeret. Omvendt nedsætter højt blodsukker<br />
tømningshastigheden, hvilket medfører langsommere stigning i blodsukkeret. Den præcise<br />
sammenhæng er imidlertid ukendt og søges belyst i dette <strong>for</strong>søg.<br />
Vi har planlagt, at i alt 6 raske <strong>for</strong>søgspersoner skal medvirke i <strong>for</strong>søget. Hver <strong>for</strong>søgsperson skal<br />
deltage i 3 del<strong>for</strong>søg, der afvikles med 1-3 ugers interval på klinisk fysiologisk/nuklearmedicinsk<br />
afdeling, Hvidovre Hospital. Herunder måles effekten af henholdsvis lavt, normalt og højt<br />
blodsukkerniveau på mavesækkens tømningshastighed.<br />
Ved hvert del<strong>for</strong>søg indføres en tynd plastkanyle i en blodåre på både højre og venstre arm til<br />
indsprøjtning af henholdsvis sukker og insulin samt udtagning af blodprøver til måling af<br />
1
lodsukkeret. Ved indsprøjtning af sukker og insulin i et passende <strong>for</strong>hold er det muligt at holde<br />
blodsukkeret på et konstant niveau under hele del<strong>for</strong>søget. Når det ønskede niveau er nået, skal du<br />
indtage et prøvemåltid, der er tilsat små mængder radioaktive sporstoffer. I de efterfølgende 4 timer<br />
måler vi med mellemrum mængden af sporstoffer i mavesækken med et kamera (gammakamera), der<br />
er anbragt uden<strong>for</strong> kroppen. Hvert del<strong>for</strong>søg varer således i alt ca. 5 timer.<br />
Indføring af plastkanylerne kan medføre nogen gene. Under del<strong>for</strong>søget med lavt blodsukker kan der<br />
desuden <strong>for</strong>ekomme let ubehag i <strong>for</strong>m af indre uro, sult<strong>for</strong>nemmelse, svedudbrud og hjertebanken.<br />
Ubehaget ophører straks efter <strong>for</strong>søgets afslutning.<br />
Under <strong>for</strong>søget vil vi fra den ene plastkanyle med mellemrum udtage blodprøver til analyse <strong>for</strong><br />
<strong>for</strong>skellige hormoner, der har betydning <strong>for</strong> reguleringen af blodsukkerniveauet. Ved hvert del<strong>for</strong>søg<br />
vil vi udtage 150 ml blod, således at den samlede udtagne blodmængde ved deltagelse i alle 3<br />
del<strong>for</strong>søg <strong>for</strong> hver <strong>for</strong>søgsperson er 450 ml. Dette svarer til den blodmængde, der der normalt<br />
udtages fra en bloddoner ved én bloddonation. Når blodprøverne er analyseret, vil eventuelt<br />
overskydende mængder blod blive destrueret. Blodprøverne vil højest blive opbevaret i 1 år, og de vil<br />
ikke blive anvendt i andre <strong>for</strong>skningsprojekter.<br />
Brug af radioaktive sporstoffer belaster hver <strong>for</strong>søgsperson med en effektiv stråledosis på ca. 5 mSv,<br />
hvilket er lidt mindre end den stråledosis, man på 2 år får fra den naturlige baggrundsstråling i<br />
Danmark. Stråledosis er også sammenlignelig med den, der modtages ved en røntgenundersøgelse af<br />
tarmens blodkar. Man kan desuden teoretisk beregne, at dette svarer til en ekstra risiko <strong>for</strong> på<br />
længere sigt at dø af kræft på 0,01%, således at den samlede risiko <strong>for</strong> på længere sigt at dø af kræft<br />
eksempelvis øges fra de ca. 25%, der gælder <strong>for</strong> hele befolkningen, til 25,01%.<br />
Vort projekt vil kunne tilvejebringe data, der kan benyttes i udviklingen af computerbaserede<br />
teknikker til <strong>for</strong>bedring af sukkersyges insulinbehandling. Det er der<strong>for</strong> vort skøn, at den beskedne<br />
risiko, som deltagelse i projektet medfører, fuldt ud opvejes af det <strong>for</strong>ventede udbytte.<br />
Der indhentes in<strong>for</strong>meret samtykke fra deltagende <strong>for</strong>søgspersoner.<br />
Forsøgets omkostninger er godtgørelse til deltagende <strong>for</strong>søgspersoner og betaling <strong>for</strong><br />
blodprøveanalyser. Hver <strong>for</strong>søgsperson deltager i 3 del<strong>for</strong>søg, der hvert godtgøres med kr. 2.000.<br />
Omkostningerne søges dækket ved hjælp af fondsmidler. Ingen af de deltagende læger vil have<br />
økonomisk tilknytning til de pågældende fonde. Intet lægemiddelfirma er involveret i <strong>for</strong>søget.<br />
2
Driftsomkostninger og udgifter til indkøb af isotopmærkede markører dækkes af klinisk<br />
fysiologisk/nuklearmedicinsk afdeling, afsnit 239, Hvidovre Hospital. Forsøgets tilrettelæggere har<br />
taget iniativ til <strong>for</strong>søget.<br />
3
Effekten af hypo-, normo- og hyperglykæmi på ventriklens<br />
tømningsfunktion hos raske <strong>for</strong>søgspersoner<br />
Skriftlig in<strong>for</strong>mation til deltagende raske <strong>for</strong>søgspersoner<br />
Vi henvender os til dig <strong>for</strong> at spørge, om du vil deltage i vort videnskabelige <strong>for</strong>søg. Deltagelse er<br />
frivillig. Selvom du har skrevet under på at ville deltage, kan du altid vælge at træde ud af <strong>for</strong>søget<br />
uden at skulle give en <strong>for</strong>klaring på, hvor<strong>for</strong> du alligevel ikke vil være med.<br />
Fortrolige oplysninger om dig, som eventuelt fremkommer i <strong>for</strong>bindelse med <strong>for</strong>søget, er omfattet af<br />
tavshedspligt. Du kan få aktindsigt i <strong>for</strong>søgsprotokollen efter offentligheds-lovgivningens<br />
bestemmelser. Du har klageadgang gennem patientklagenævnet, og du har ret til erstatning after<br />
patient<strong>for</strong>sikringsloven ved eventuelle skader som følge af <strong>for</strong>søget. Tag dig god tid at læse alle<br />
papirerne, før du beslutter dig. Hvis du ønsker det, kan du have en ledsager med, når vi in<strong>for</strong>merer<br />
dig mundtligt om <strong>for</strong>søget.<br />
I det følgende vil vi beskrive hvad <strong>for</strong>søget går ud på, og hvordan du skal deltage, hvis du vil være<br />
med.<br />
Ved sukkersyge er mængden af sukker i blodet <strong>for</strong>højet. Som følge heraf kan patienter med<br />
sukkersyge få skader i blodkar, øjne, nyrer og nerver. For at undgå disse skader er det vigtigt, at<br />
behandlingen medfører, at blodsukkeret holdes så tæt på normalværdierne som muligt. Hos nogle<br />
patienter med sukkersyge kan dette kun opnås ved behandling med insulin. Det kan imidlertid være<br />
vanskeligt at dosere mængden af insulin korrekt, idet behovet afhænger af en lang række <strong>for</strong>hold<br />
inklusive mængden af sukker i kosten, omfanget af fysisk aktivitet og hastigheden hvormed insulinet<br />
bliver optaget i kroppen efter indsprøjtning. Oftest anvendes faste daglige doser af langsomt virkende<br />
insulinpræparater suppleret med varierende doser af hurtigt virkende præparater afhængigt af<br />
blodsukkerniveauet.<br />
I de senere år har man <strong>for</strong>søgt at udvikle computerprogrammer, der ud fra kendskab til blandt andet<br />
sukkerindtagelsen, mavesækkens tømningshastighed, sukkeroptagelsen fra tyndtarmen,<br />
sukkeroptagelsen i lever og muskler samt insulinoptagelsen i koppen efter indsprøjtning kan benyttes<br />
til at beregne <strong>for</strong>ventede niveauer af blodsukkeret og dermed behovet <strong>for</strong> supplerende insulin. Man<br />
håber, at computerprogrammerne kan blive så gode, at de kan benyttes af patienter med sukkersyge<br />
1
til at dosere indsprøjtningerne af insulin mest hensigtsmæssigt. Vi håber med dette førsøg at kunne<br />
opnå resultater, der kan bruges til <strong>for</strong>bedring af de aktuelle computerprogrammer. <strong>Mavesækkens</strong><br />
tømningshastighed og blodsukkerniveauet er tæt <strong>for</strong>bundet. Lavt blodsukker øger<br />
tømningshastigheden, der igen øger blodsukkeret. Omvendt nedsætter højt blodsukker<br />
tømningshastigheden, hvilket medfører langsommere stigning i blodsukkeret. Den præcise<br />
sammenhæng er imidlertid ukendt og søges belyst i dette <strong>for</strong>søg.<br />
Vi har planlagt, at i alt 6 raske <strong>for</strong>søgspersoner skal medvirke i <strong>for</strong>søget. Hver <strong>for</strong>søgsperson skal<br />
deltage i 3 del<strong>for</strong>søg, der afvikles med 1-3 ugers interval på klinisk fysiologisk/nuklearmedicinsk<br />
afdeling, Hvidovre Hospital. Herunder måles effekten af henholdsvis lavt, normalt og højt<br />
blodsukkerniveau på mavesækkens tømningshastighed.<br />
Ved hvert del<strong>for</strong>søg indføres en tynd plastkanyle i en blodåre på både højre og venstre arm til<br />
indsprøjtning af henholdsvis sukker og insulin samt udtagning af blodprøver til måling af<br />
blodsukkeret. Ved indsprøjtning af sukker og insulin i et passende <strong>for</strong>hold er det muligt at holde<br />
blodsukkeret på et konstant niveau under hele del<strong>for</strong>søget. Når det ønskede niveau er nået, skal du<br />
indtage et prøvemåltid, der er tilsat små mængder radioaktive sporstoffer. I de efterfølgende 4 timer<br />
måler vi med mellemrum mængden af sporstoffer i mavesækken med et kamera (gammakamera), der<br />
er anbragt uden<strong>for</strong> kroppen. Hvert del<strong>for</strong>søg varer således i alt ca. 5 timer.<br />
Indføring af plastkanylerne kan medføre nogen gene. Under del<strong>for</strong>søget med lavt blodsukker kan der<br />
desuden <strong>for</strong>ekomme let ubehag i <strong>for</strong>m af indre uro, sult<strong>for</strong>nemmelse, svedudbrud og hjertebanken.<br />
Ubehaget ophører straks efter <strong>for</strong>søgets afslutning.<br />
Under <strong>for</strong>søget vil vi fra den ene plastkanyle med mellemrum udtage blodprøver til analyse <strong>for</strong><br />
<strong>for</strong>skellige hormoner, der har betydning <strong>for</strong> reguleringen af blodsukkerniveauet. Ved hvert del<strong>for</strong>søg<br />
vil vi udtage 150 ml blod, således at den samlede udtagne blodmængde ved deltagelse i alle 3<br />
del<strong>for</strong>søg <strong>for</strong> hver <strong>for</strong>søgsperson er 450 ml. Dette svarer til den blodmængde, der der normalt<br />
udtages fra en bloddoner ved én bloddonation. Når blodprøverne er analyseret, vil eventuelt<br />
overskydende mængder blod blive destrueret. Blodprøverne vil højest blive opbevaret i 1 år, og de vil<br />
ikke blive anvendt i andre <strong>for</strong>skningsprojekter.<br />
Brug af radioaktive sporstoffer belaster hver <strong>for</strong>søgsperson med en effektiv stråledosis på ca. 5 mSv,<br />
hvilket er lidt mindre end den stråledosis, man på 2 år får fra den naturlige baggrundsstråling i<br />
Danmark. Stråledosis er også sammenlignelig med den, der modtages ved en røntgenundersøgelse af<br />
2
tarmens blodkar. Man kan desuden teoretisk beregne, at dette svarer til en ekstra risiko <strong>for</strong> på<br />
længere sigt at dø af kræft på 0,01%, således at den samlede risiko <strong>for</strong> på længere sigt at dø af kræft<br />
eksempelvis øges fra de ca. 25%, der gælder <strong>for</strong> hele befolkningen, til 25,01%.<br />
Vort projekt vil kunne tilvejebringe data, der kan benyttes i udviklingen af computerbaserede<br />
teknikker til <strong>for</strong>bedring af sukkersyges insulinbehandling. Det er der<strong>for</strong> vort skøn, at den beskedne<br />
risiko, som deltagelse i projektet medfører, fuldt ud opvejes af det <strong>for</strong>ventede udbytte.<br />
Deltagelse i hvert del<strong>for</strong>søg godtgøres med kr. 2.000. Hver <strong>for</strong>søgsperson vil således ved deltagelse i<br />
alle 3 del<strong>for</strong>søg modtage en godtgørelse på i alt kr. 6.000. Omkostningerne søges dækket ved hjælp<br />
af fondsmidler. Ingen af <strong>for</strong>søgets tilrettelæggere har økonomisk interesse i <strong>for</strong>søget. Intet<br />
lægemiddelfirma er involveret i <strong>for</strong>søget. Forsøgets tilrettelæggere har taget initiativ til <strong>for</strong>søget.<br />
Forsøget er godkendt af det videnskabsetiske komité-system (journalnr. x).<br />
Forsøgsansvarlig læge:<br />
Overlæge, dr. med. Jan Lysgård Maden<br />
Klinisk fysiologisk/nuklearmedicinsk afdeling, afsnit 239, Hvidovre Hospital<br />
Telefon: 3632 2188, e-mail: jan.lysgaard.madsen@hvh.regionh.dk<br />
Hvis du vil være med i <strong>for</strong>søget, bedes du underskrive og aflevere vedlagte samtykkeerklæring<br />
(CVK, S4). Du vil få udleveret en kopi af den underskrevne erklæring.<br />
3
Følgende annonce indrykkes på internetadressen www.<strong>for</strong>soegsperson.dk.:<br />
Raske unge mænd søges til <strong>for</strong>søg (Kbh)<br />
Raske normalvægtige mænd i alderen 20 - 40 år søges til <strong>for</strong>søg på Hvidovre Hospital.<br />
<strong>Mavesækkens</strong> tømningshastighed og blodsukkerniveauet er tæt <strong>for</strong>bundet. Lavt<br />
blodsukker øger tømningshastigheden, der igen øger blodsukkeret. Omvendt nedsætter<br />
højt blodsukker tømningshastigheden, hvilket medfører langsommere stigning i<br />
blodsukkeret. Den præcise sammenhæng er imidlertid ukendt og søges belyst i dette<br />
<strong>for</strong>søg.<br />
Deltagelse i <strong>for</strong>søget honoreres med kr. 6.000.<br />
Forsøget er godkendt af den regionale videnskabsetiske komité (journalnr. -).<br />
Læs mere i vedhæftede:<br />
"Skriftlig in<strong>for</strong>mation til deltagende raske <strong>for</strong>søgspersoner"<br />
Supplerende mundtlig in<strong>for</strong>mation kan fås hos <strong>for</strong>søgsansvarlig læge:<br />
Overlæge, dr. med. Jan Lysgård Madsen<br />
Klinisk fysiologisk/nuklearmedicinsk afdeling<br />
Hvidovre Hospital<br />
Tlf.: 3632 2188<br />
E-mail: jan.lysgaard.maden@hvh.regionh.dk
Litteratur<br />
[1] A. M. Albisser, B. S. Leibel, T. G. Ewart, Z. Davidovac, C. K. Botz, and<br />
W. Zingg. An artificial endocrine pancreas. Diabetes, 23(5):389–396, 1974.<br />
[2] A. M. Albisser, B. S. Leibel, T. G. Ewart, Z. Davidovac, C. K. Botz,<br />
W. Zingg, H. Schipper, and R. Gander. Clinical control of diabetes by<br />
the artificial pancreas. Diabetes, 23(5):397–404, 1974.<br />
[3] H. Ariga, Y. Nakade, K. Tsukamoto, K. Imai, C. Chen, C. Mantyh, T. N.<br />
Pappas, and T. Takahashi. Ghrelin accelerates gastric emptying via early<br />
manifestation of antro-pyloric coordination in conscious rats. Elsevier -<br />
Regulatory Peptides, 146:112–116, 2007.<br />
[4] R. Basu, B. Di Camillo, G. Toffolo, A. Basu, P. Shah, A. Vella, R. Rizza,<br />
and C. Cobelli. Use of novel triple-tracer approach to assess postprandial<br />
glucose metabolism. Am J Physiol Endocrinol Metab, 284:E55–E69, 2003.<br />
[5] W. F. Boron and E. L. Boulpaep. Medical Physiology. Saunders, 2nd<br />
edition, 2009.<br />
[6] G. J. Dockray. Cholecystokinin and gut-brain signalling. Elsevier - Regulatory<br />
Peptides, 155:6–10, 2009.<br />
[7] J. D. Elashoff, T. J. Reedy, and J. H. Meyer. Analysis of gastric emptying<br />
data. Gastroenterology, 83:1306–1312, 1982.<br />
[8] U. Fasting and J. Hougaard. Fysiologi Og Anatomi - Det Levende Menneske.<br />
Munksgaard Danmark, 1st edition, 2007.<br />
[9] R J. Fraser, M. Horowitz, A. F. Maddox, P. E. Harding, B. E. Chatterton,<br />
and J. Dent. Hyperglycemia slows gastric emptying in type 1 diabetes<br />
mellitus. Diabetologia, 30:675–680, 1990.
138 LITTERATUR<br />
[10] O. Goetze, A. Steingotter, D. Menne, I. R. Van der Voort, M. A. Kwiatek,<br />
P. Boesiger, D. Weishaupt, M. Thumshirn, M. Fried, and W. Schwizer. The<br />
effect of macronutrients on gastric volume responses and gastric emptying<br />
in humans: A magnetic resonance imaging study. Am. J. Physiol., 292:11–<br />
17, 2007.<br />
[11] A. C. Guyton and J. E. Hall. Medical Physiology. Elsevier Saunders, 11th<br />
edition, 2006.<br />
[12] M. Horowitz, D. O’Donovan, K. L. Jones, C. Feinle, C. K. Rayner, and<br />
M. Samsom. Gastric emptying in diabetes: Clinical significance and treatment.<br />
Diabetic Medicine, 19:177–194, 2002.<br />
[13] R. Hovorka, V. Canonico, L. J. Chassin, U. Haueter, M. Massi-Benedetti,<br />
M. O. Federici, T. R. Pieber, H. C. Schaller, L. Schaupp, T. Vering, and<br />
M. E. Wilinska. Nonlinear model predictive control of glucose concentration<br />
in subjects with type 1 diabetes. Physiol. Meas., 25:905–920, 2004.<br />
[14] R. Hovorka, F. Shojaee-Moradie, P. V. Carroll, L. J. Chassin, I. J. Gowrie,<br />
N. C. Jackson, R. S. Tudor, A. M. Umpleby, and R. H. Jones. Partitioning<br />
glucose Distribution/Transport, disposal, and endogeneous production<br />
during IVGTT. Am J Physiol Endocrinol Metab, 282:E992–E1007, 2002.<br />
[15] B. M. Koeppen and B. A. Stanton. Berne and Levy Physiology. Mosby<br />
Inc., 6th edition, 2008.<br />
[16] F. Levin, T. Edholm, P. T. Schmidt, P. Grybäck, H. Jacobsson, M. Degerblad,<br />
C. Höybye, J. J. Holst, J. F. Rehfeld, P. M. Hellström, and E. Näslund.<br />
Ghrelin stimulates gastric emptying and hunger in normal-weight humans.<br />
J Clin Endocrinol Metab, 91(9):3296–3302, 2006.<br />
[17] T. J. Little, A. Russo, M. Horowitz, J. H. Meyer, D. Smyth, K. L. Jones,<br />
J. Wishart, M. Bellon, and C. Feinle-Bisset. The effect of free fatty<br />
acids on gastric emptying, plasma cholecystokinin (CCK) and peptide YY<br />
(PYY), appetite and energy intake in humans are more potent than those<br />
of triglycerides. Appetite, 49:308, 2007.<br />
[18] J. Ma, C. K. Rayner, K. L. Jones, and M. Horowitz. Diabetic gastroparesis<br />
- diagnosis and management. Drugs, 69(8):971–986, 2009.<br />
[19] I. L. MacGregor, R. Gueller, H. D. Watts, and J. H. Meyer. The effect<br />
of acute hyperglycemia on gastric emptying in man. Gastroenterology,<br />
70(2):190–196, 1976.<br />
[20] J. L. Madsen and M. Jensen. Gastrointestinal transit of technetium-99mlabeled<br />
cellulose fiber and indium-111-labeled plastic particles. J Nucl Med,<br />
30(3):402–406, 1989.
LITTERATUR 139<br />
[21] C. Dalla Man, M. Camilleri, and C. Cobelli. A system model of oral glucose<br />
absorption: Validation on gold standard data. IEEE Trans. Biomed. Eng.,<br />
53(12):2472–2478, December 2006.<br />
[22] C. Dalla Man, R. A. Rizza, and C. Cobelli. Meal simulation model of<br />
the glucose-insulin system. IEEE Trans. Biomed. Eng., 54(10):1740–1749,<br />
2007.<br />
[23] N. S. Nair, I. M. Brennan, T. J. Little, D. Gentilcore, T. Hausken, K. L.<br />
Jones, J. M. Wishart, M. Horowitz, and C. Feinle-Bisset. Reproducibility<br />
of energy intake, gastric emptying, blood glucose, plasma insulin and cholecystokinin<br />
responses in healthy young males. Br. J. Nutr., 101:1094–1102,<br />
2009.<br />
[24] E. Øster-Jørgensen, S. A. Pedersen, and M. L. Larsen. The influence of<br />
induced hyperglycemia on gastric emptying in healthy humans. Scand J<br />
Lab Clin Invest, 50:831–836, 1990.<br />
[25] R. P. Parker, P. H. S. Smith, and D. M. Taylor. Basic Science of Nuclear<br />
Medicine. Churchill Livingstone, 2nd edition, 1984.<br />
[26] R. M. Rangayyan. Biomedical Image Analysis. CRC Press, 1st edition,<br />
2005.<br />
[27] M. Salehi, T. P Vahl, and D. A. D’Alessio. Regulation of islet hormone<br />
release and gastric emptying by endogenous glucagon-like peptide 1 after<br />
glucose ingestion. J Clin Endocrinol Metab, 93(12):4909–4916, 2008.<br />
[28] T. V. Schroeder, S. Schulze, J. Hilsted, and J. Aldershvile. Basisbog I<br />
Medicin Og Kirurgi. Munksgaard Danmark, 3rd edition, 2005.<br />
[29] E. Schvarcz, M. Palmér, J. ˚Aman, and C. Berne. Hypoglycemia increases<br />
the gastric emptying rate in healthy subjects. Diabetes Care, 18(5):674–676,<br />
1995.<br />
[30] E. Schvarcz, M. Palmér, J. ˚Aman, and C. Berne. Accelerated gastric emptying<br />
during hypoglycaemia is not associated with changes in plasma motilin<br />
levels. Acta Diabetol, 34:194–198, 1997.<br />
[31] E. Schvarcz, M. Palmér, J. ˚Aman, B. Lindkvist, and K. W. Beckman.<br />
Hypoglycemia increases the gastric emptying in patients with type 1 diabetes<br />
mellitus. Diabet. Med., 10:660–663, 1993.<br />
[32] R. R. Seeley, T. D. Stephens, and P. Tate. Anatomy and Physiology.<br />
McGraw-Hill, 7th edition, 2006.<br />
[33] R. E. Teixeira and S. Malin. The next generation of artificial pancreas<br />
control algorithms. J. Diabetes Sci. Technol., 2(1):105–112, 2008.
140 LITTERATUR<br />
[34] K. Vollmer, H. Gardiwal, B. J. Menge, O. Goetze, C. F. Deacon, W. E.<br />
Schmidt, J. J. Holst, and J. J. Meier. Hyperglycemia acutely lowers the<br />
postprandial excursions of glucagon-like peptide-1 and gastric inhibitory<br />
polypeptide in humans. J Clin Endocrinol Metab, 94(4):1379–1385, 2009.<br />
[35] A. Vølund. Conversion of insulin units to SI units. Am. J. Clin. Nutr.,<br />
58:714–715, 1993.<br />
[36] WM. A. Wheaton, A. L. Dunklee, A. S. Jacobson, J. C. Ling, W. A. Mahoney,<br />
and R. G. Radocinski. Multiparameter linear least-squares fitting to<br />
poisson data one count at a time. The Astrophysical Journal, 438:322–340,<br />
1995.<br />
[37] M. E. Wilinska, L. J. Chassin, and R. Hovorka. In silico testing - impact<br />
on the progress of the closed loop insulin infusion <strong>for</strong> critically ill patients<br />
project. J Diab Sci Tech, 2(3):417–423, 2008.