KONTROL GLUKOSA DARAH PADA PENDERITA DIABETES MELLITUS TIPE I DENGAN MENGGUNAKAN KENDALI MODEL PREDIKTIF

Ayomi Sasmito; Aminatus Sa'adah; Glagah Eskacakra Setyowisnu

doi:10.22146/jmt.83181

KONTROL GLUKOSA DARAH PADA PENDERITA DIABETES MELLITUS TIPE I DENGAN MENGGUNAKAN KENDALI MODEL PREDIKTIF

https://doi.org/10.22146/jmt.83181

Ayomi Sasmito^(1*), Aminatus Sa'adah⁽²⁾, Glagah Eskacakra Setyowisnu⁽³⁾

(1) Universitas Prasetiya Mulya
(2) Institut Teknologi Bandung
(3) Institut Teknologi Bandung
(*) Corresponding Author

Abstract

Diabetes mellitus merupakan penyakit kronis yang ditandai dengan meningkatnya kadar glukosa dalam darah yang dapat menimbulkan komplikasi. Diabetes mellitus disebabkan oleh disfungsi pankreas dan sering disertai dengan penurunan sensitivitas insulin. Penderita diabetes mellitus tipe 1 sangat bergantung pada insulin karena sebagian besar sel- penghasil insulin di pankreas dihancurkan oleh reaksi autoimun. Perawatan pada penderita diabetes mellitus tipe 1 adalah dengan pemberian obat atau suntikan insulin yang membutuhkan biaya tinggi. Pengobatan tersebut bertujuan untuk membawa kadar insulin mendekati kadar normal yaitu 70-120 mg/dl. Pada artikel ini dibahas metode untuk mengontrol kadar glukosa darah agar berada pada keadaan basal serta meminimalkan biaya perawatan (biaya suntikan insulin) menggunakan kendali model prediktif pada model diabetes mellitus Minimal Bergman. Berdasarkan hasil simulasi numerik, kendali model prediktif berhasil menurunkan dan menjaga kadar glukosa darah berada pada kondisi basal serta mengatasi gangguan makan yang terjadi.

Full Text:

PDF Ayomi

References

Acharya D., dan Das. D.K., An Efficient Nonlinear Explicit Model Predictive Control to Regulate Blood Glucose in Type-1 Diabetic Patient Under Parametric Uncertainties, Biomedical Signal Processing and Control, 71(A) (2022). 103-166.

Bergman, R.N., Phillips, L.S., dan Cobelli, C., Physiologic evaluation of factors controlling glucose tolerance in man, The journal of clinical investigation, 68 (1981), 1456-1467.

Busatta, F., Obesity, diabetes and the thrifty gene the case of the pima, Antrocom Journal of Anthropology, 7 (2011), 91-103.

Chen, T., Kirkby, N.F., dan Jena, R., Optimal dosing of cancer chemotherapy using model predictive control and moving horizon state/parameter estimation, Computer methods and program in biomedicine, 108 (2012), 973-983.

Chui, C., Nguyen, B.P., Ho, Y., Wu, Z., Nguyen, M., Hong, G., Mok, D., Sun, S., dan Chang, S., Embedded Real-Time Model Predictive Control for Glucose Regulation, Proceeding of International Federation for Medical and Biological Engineering (IFMBE), Beijing, China, 2013.

Cobelli, C. dan Toffolo, G., A model of glucose kinetics and their control by insulin compartmental and noncompartmental approaches, Mathematical biosciences, 72 (1984), 291-315.

Deenen, D.A., Maljaars, E., Sebeke, L., de Jager, B., Heijman, E., Grull, H., dan Heemels, W.P.M.H., Offset-free model predictive control for enhancing MR-HIFU hyperthermia in cancer treatment, IFAC PapersOnline, (2018), 191-196. International diabetes federation., What is diabetes, 2022.

Lunze, K., Singh, T., Walter, M., Brendel, M.D., dan Leonhardt, S., Blood glucose control algorithms for type 1 diabetic patients: A methodological review, Biomedical Signal Processing and Control, 8 (2013), 107-119.

Maciejowski, J.M., Predictive Control with Constraints, Precentice-Hall, USA, 2000.

Ogata, Katsuhiko.,, Discrete Time Control System, Precentice-Hall, USA, 1995.

Schliess, F., Heise, T., Benesch, C., Mianowska, B., Stegbauer, C., Broge, B., Gillard, P., Binkley, G., Crˆone, V., Carlier, S., Delval, C., Petkov, A., Beck, J., Lodwig, V., Gurdala, M., Szecsenyi, J., Rosenm ̈oller, M., Cypryk, K., Mathieu, C., Renard, E., dan Heinemann, L., Artificial pancreas systems for people with type 2 diabetes: conception and design of the European close project, Journal of Diabetes Science and Technology, 13(2) (2019), 261-267.

Sopasakis, P., Patrinos, P., dan Sarimveis, H., Robust model predictive control for optimal continuous drug administration, Computer methods and program in biomedicine, 116 (2014), 193-204.

DOI: https://doi.org/10.22146/jmt.83181