Analyse de l’évolution de la glycémie des patients diabétiques insulinodépendants

L’homéostasie glycémique

   L’homéostasie désigne l’ensemble des processus permettant le bon fonctionnement de l’organisme en gardant la constance de certaines grandeurs physiologiques : le PH, la température de l’organisme et la glycémie. La glycémie représente la concentration du glucose dans le sang. Par conséquent, l’homéostasie glycémique désigne la stabilité de la valeur de la glycémie dans l’organisme. En effet, le glucose est utilisé par toutes les cellules vivantes de l’organisme, c’est un substrat énergétique essentiel servant au fonctionnement des globules rouges des cellules du cerveau, des muscles et des tissus adipeux. Bien que la valeur de la glycémie dépend de plusieurs facteurs : les apports alimentaires, l’effort musculaire, la lutte contre le froid ou le chaud et le travail cérébral, cette valeur reste toujours constante dans l’organisme grâce à l’homéostasie glycémique.

Organes utilisateurs de glucose

   Le glucose est une source principale d’énergie du milieu intérieur. Les principaux organes utilisateurs de glucose du corps humain ainsi leurs consommations respectives en glucose sont détaillées dans les sous-paragraphes suivants :
a. Le cerveau : Le cerveau consomme de l’oxygène et du glucose et produit de l’énergie et du dioxyde de carbone. En effet, le glucose est la principale source d’énergie du cerveau. Celui-ci consomme environ 50% de glucose produit par le foie en période post-absorptive (cf. Figure I.2), en conséquence, le cerveau est le plus grand consommateur de glucose
b. Les globules rouges : Le glucose est la principale source d’énergie pour les globules rouges. En effet, l’hémoglobine qui est formée dans les globules rouges entre dans la circulation sanguine pour se rattacher au glucose. De même, le glucose s’attache à l’hémoglobine avec une vitesse qui dépend de la concentration de glucose dans le sang. Ainsi, les globules rouges consomment presque 10% de glucose dans le corps humain.
c. Les muscles squelettiques et le tissu adipeux : Lors des repas, une grande partie des glucides absorbés par les muscles et les tissus adipeux sous forme de glycogène. En période post-absorptive, 15% du glucose fourni par le foie est utilisé par les muscles et 5% par les tissus adipeux (cf. Figure I.2).
d. Les reins : D’après leur action de filtration-réabsorption, les reins sont définis comme des grands consommateurs d’énergie. En période post absorptive, les reins utilisent environ 10% du glucose produit par le foie (cf. Figure I.2).

Histoire du diabète

   Le mot diabète provient d’un verbe grec qui signifie « passer au travers », les médecins grecs ont observé le phénomène suivant : les malades ont uriné immédiatement qu’ils venaient de boire, comme s’ils ont été « traversés par l’eau » sans pouvoir le garder [14, 15, 16].
 En 1886, Oscar Minkowski et Joseph Von Mehring ont montré le rôle du pancréas dans la régulation de la glycémie, Ils ont remarqué qu’en enlevant le pancréas des chiens, ils devenaient diabétiques.
 En 1879, Emile Lancereaux a spécifié le diabète de type 1 (appelé encore diabète maigre ou juvénile ou insulinodépendant DID) et le diabète de type 2 (appelé encore diabète de la maturité ou gras ou non insulinodépendant DNID).
 En 1921, Frédéric Grant Banting et Charles Herbert Best ont publié la découverte d’une hormone pancréatique « insuline ». Ils ont réussi à extraire l’insuline animale, ce qui leur a équivalu un prix de Nobel en 1923. C’est une découverte très intéressante pour le traitement des diabétiques.
 En 1959, Salomon Berson et Rosalyn Yalow ont mis une méthode de radioimmunologie et du dosage de l’insuline.
 En 1980, l’insuline animale est humanisée en modifiant le seul acide aminé qui la distingue de l’insuline humaine.
 En 1982, la première insuline humaine obtenue par génie génétique, apparaît sur le marché.
 En 1997, apparition des nouvelles insulines : les analogues rapides et  les analogues lents.

Les travaux antérieurs sur la chaoticité

  Le comportement chaotique nous permet de mieux comprendre l’évolution de la glycémie. Dans ce qui suit, nous donnons des travaux où les auteurs sont intéressés à la chaoticité. Au milieu des années quatre-vingt, Wolf et al. [67] ont proposé un algorithme permettant l’estimation de l’exposant de Lyapunov non-négatif d’une série temporelle expérimentale. Ainsi, la détermination des exposants de Lyapunov a permis, d’une part, de décider si la série temporelle est chaotique ou non et, d’autre part, évaluer le temps de Lyapunov correspondant à la limite de prédictibilité de la glycémie. Par la suite, cet algorithme a été publié pour la première fois dans le code Fortran, et de nombreuses autres versions ont été développé dans divers langages tels que C et C++ [69]. Récemment, ce code Fortran a été implémenté dans MatLab par Wolf, ainsi que dans Mathematica par Ruskeepaa en 2014. Après que le mathématicien français Henri Poincaré avait découvert « le chaos déterministe » dans ses travaux séminaux concernant le mouvement des corps célestes [70], de nombreux scientifiques ont cherché des traces de comportement chaotique dans divers phénomènes. La signature du chaos est la propriété très connue de « sensibilité aux conditions initiales » qui rend le phénomène observé imprévisible à long terme. Au début des années soixante, Edward Norton Lorenz a été le premier à identifier une telle fonction dans la météorologie [57]. Plus de dix ans plus tard, Robert May a démontré l’existence de « dynamiques complexes » (chaos) dans les modèles écologiques [71]. Au cours des décennies suivantes, les scientifiques ont mis en évidence un comportement chaotique dans le corps humain. En effet, selon Ives [72], d’innombrables boucles de rétroaction non linéaires régulent nos processus internes et nous maintiennent dans les limites étroites nécessaires à la survie. Malgré cette régulation, nos systèmes sont apériodiques et imprévisibles à long terme. Ainsi, un exemple de chaos a été trouvé dans le cerveau [73], puis dans le battement du cœur [74, 75]. Bien que le diabète de type 1 soit largement et intuitivement considéré par les endocrinologues et les cliniciens comme un phénomène chaotique [76, 77, 78], cela n’a pas encore été validé par des méthodes numériques. Dans [79], les chercheurs ont démontré le comportement chaotique d’un circuit RLC : circuit linéaire contenant une résistance électrique, une bobine d’inductance et un condensateur (capacité). La tension de sortie a été mesurée avec un oscilloscope numérique ou le taux d’échantillonnage est de 500 mesures par seconde. Ils ont utilisé des méthodes basiques d’analyse des séries temporelles non linéaires. Les méthodes d’information mutuelle et les voisins les plus proches sont utilisés pour obtenir le meilleur attracteur. Lorsque l’attracteur est reconstruit, le test de déterminisme est réalisé et le plus grand exposant de Lyapunov est calculé. Les auteurs ont montré que si le plus grand exposant de Lyapunov est positif, donc le comportement du système est chaotique. Dans [80], Matjaz et al. ont analysé la dynamique de la marche humaine avec des séries temporelles non linéaires. Ils ont montré que les courts enregistrements continus de l’appareil humain possèdent des propriétés typiques des systèmes chaotiques déterministes. Pour promouvoir les applications de l’analyse des séries temporelles non linéaires à d’autres systèmes expérimentaux, ils ont fourni des programmes conviviaux pour chaque méthode mise en œuvre. En effet, ils ont analysé la marche humaine afin d’obtenir une vision plus approfondie de la dynamique du système locomoteur humain. En particulier, la méthode d’information mutuelle et la méthode du voisin le plus proche sont utilisés pour obtenir la meilleure reconstruction des attracteurs. Pour l’attracteur reconstruit, un test de déterminisme est effectué et le plus grand exposant de Lyapunov est calculé. Dans [81], les auteurs ont analysé l’électrocardiogramme (ECG) humain avec des méthodes d’analyse appropriées. En particulier, la concentration est consacrée aux notions de déterminisme et stationnarité dans les données physiologiques. Après avoir trouvé la présence du déterminisme et de stationnarité dans l’électrocardiogramme étudié, ils ont calculé l’exposant maximal de Lyapunov, qui donne une idée sur la chaoticité du système. Ce travail présente des applications concrètes par des méthodes simples d’analyse de séries temporelles non linéaires sur l’électrocardiogramme humain. D’autre part, les méthodes décrites dans cet article représentent un excellent démarrage des études avancées, telles que les analyses d’ondelettes, le système cardio-respiratoire, et les applications de projections d’espace d’état non linéaires pour extraire l’ECG du foetus à partir des enregistrements électrocardiographiques maternels. Dans ce travail et avec une base de données de glycémie de douze patients diabétiques de type 1, nous soutenons la conclusion que le diabète de type 1 est un phénomène chaotique et nous fournissons le temps de Lyapunov et la limite de prédictibilité de ce phénomène. Ces résultats s’avèreront très utiles pour caractériser et prédire les variations de la glycémie. Dans la suite, nous présentons, en détail, tous les résultats pour les données de glucose du patient 1. Ensuite, nous résumons brièvement les résultats de tous les douze patients. Nous appliquons également un test de déterminisme pour une série temporelle [82] pour affirmer enfin que le diabète de type 1 est un phénomène chaotique.

Les travaux antérieurs sur la prédiction de la glycémie

   Les personnes diabétiques, en particulier celles qui souffrent du diabète de type 1, doivent mesurer fréquemment leurs taux de glucose afin d’ajuster le traitement nécessaire. Généralement, les valeurs de la glycémie sont mesurées manuellement au moyen d’un équipement spécialisé de surveillance du glucose. Au cours d’une telle mesure, le patient doit piquer son doigt, afin d’obtenir une petite goutte de sang qui est utilisée pour estimer la valeur de la glycémie. La piqure des doigts peut être assez pénible et la répétition de cette procédure à plusieurs reprises pendant la journée est hautement indésirable. Par conséquent, les évolutions récentes et rapides de la technologie du diabète ont conduit au développement des systèmes de surveillance de la glycémie connus sous le nom de systèmes de mesure en continue du glucose (CGM) qui sont capables de mesurer et afficher les niveaux de glucose tissulaire en continu. En effet, ces dispositifs fournissent des surveillances du niveau de glucose sur une base automatisée. Cependant, il est généralement reconnu que la précision de CGM est inférieure à la précision des dispositifs d’auto-surveillance. Les dispositifs CGM ont commencé à être développés dans les années 1980 et à partir de 2000, le premier commercial était disponible [88] En effet, la technologie des CGM a ouvert plusieurs horizons dans l’analyse du DT1 [89]. En tant que solution de surveillance de la glycémie courante, le CGM fournit la valeur de la glycémie en temps réel tout au long de la journée et de la nuit, avec des intervalles de temps prédéfinis. Pratiquement, comme le montre la figure III.1, le CGM peut devenir plus intelligent en leur fournissant des algorithmes de prédiction et de contrôle capables de générer des alertes en cas d’hypoglycémie ou hyperglycémie. Par conséquent, une prédiction précise de la glycémie prévient les complications du DT1 et améliore la qualité de vie et la santé.

Table des matières

Introduction Générale
Contexte
Problématique et objectifs de la thèse
Structure de la thèse
Contributions
Chapitre I : Régulation de la glycémie et le diabète
I.1. Introduction
I.2. La régulation de la glycémie
I.2.1. L’homéostasie glycémique
I.2.2. Evolution de la glycémie
I.2.3. Les organes responsables dans la régulation de la glycémie
I.2.3.1. Organes producteurs de glucose
a. Le foie
b. Les reins
c. L’intestin
I.2.3.2. Organes utilisateurs de glucose
a. Le cerveau
b. Les globules rouges
c. Les muscles squelettiques et le tissu adipeux
d. Les reins
I.2.4. Ensemble des mécanismes pour la régulation de la glycémie
I.2.4.1. Activité du foie
I.2.4.2. Activité des hormones pancréatiques
I.2.4.3. Activité du système nerveux
I.3. Le diabète
I.3.1. Définition
I.3.2. Histoire du diabète
I.3.3.Répartition du diabète dans le monde
I.3.4. Les types de diabète
I.3.4.1. Le diabète de type 1
I.3.4.2. Le diabète de type 2
I.3.5. Complications liées au diabète
I.3.5.1. Complications à court terme
I.3.5.2. Les complications à long terme
I.3.5.3. Prévention des complications liées au diabète
I.3.6. Les moyens de traitement pour le diabète de type 1
I.3.6.1. L’insuline
I.3.6.2. L’insulinothérapie
a. Les insulines analogues rapides
b. Les insulines analogues intermédiaires
c. Les insulines analogues lentes
I.3.7. Les Matériels techniques
I.3.7.1. Stylo à insuline
I.3.7.2. Pompe à insuline
I.3.7.3. Lecteur à insuline
I.3.7.4. Les Systèmes de mesure en continue du glucose (CGM)
I.4. Conclusion
Chapitre II: La chaoticité de la glycémie
II.1. Introduction
II.2. Historique de la théorie du chaos
II.3. Quelques notions de base de la théorie du chaos
II.3.1 Définition du chaos
II.3.2. Système dynamique
II.3.3. Espace des phases
II.3.4. Attracteur
II.3.5. Sensibilité aux conditions initiales
II.3.6. Dimension de plongement (m)
II.3.7. Délai temporel (τ)
II.3.8. Exposants de Lyapunov
II.3.9. Le déterminisme
II.3. Les travaux antérieurs sur la chaoticité
II.4. Détection du chaos dans la glycémie
II.4.1. Délai temporel
II.4.2. Dimension de plongement
II.4.3. Reconstruction de l’attracteur
II.4.4. Le test de déterminisme
II.4.5. Exposant Maximal de Lyapunov
II.6. Discussion
II.7. Conclusion
Chapitre III : Les approches de prédiction de la glycémie
III.1. Introduction
III.2. Les travaux antérieurs sur la prédiction de la glycémie
III.2.1. Les méthodes mathématiques pour la prédiction de la glycémie
III.2.2. Les méthodes d’intelligence artificielle pour la prédiction de la glycémie
III.3. Les approches proposées pour la prédiction de la glycémie
III.3.1. Prédiction de la glycémie en utilisant les Réseaux de neurones
III.3.1.1. Description des Réseaux de neurones proposés
III.3.1.2. Description de la base de données
III.3.1.3. Evaluation des performances de la prédiction avec les ANN proposés
III.3.1.4. Benchmarking avec d’autres méthodes de régression et des données standards de Machine Learning
III.3.1.5. Discussion et comparaison avec quelques travaux antérieurs
III.3.2. Prédiction en utilisant Régression à Vecteur de support basé sur l’algorithme d’évolution différentiel
III .3.2.1. Régression à Vecteur de support
III.3.2.2. Algorithme d’évolution différentielle
III.3.2.3. Combinaison de l’algorithme SVR et DE pour les tâches de prédiction
III.3.2.4. Description de la base de données
III.3.2.5. Evaluation des performances de la prédiction en utilisant la combinaison de SVR et DE
III.3.2.6. Discussion et comparaison avec quelques travaux antérieurs
III.4. Conclusion
Conclusion Générale
Perspectives de ce travail
Glossaire
Liste des Figures
Liste des Tableaux
Index
Bibliographie

Télécharger le rapport complet