Dr. Fabien Chauchard (fchauchard@ondalys.fr) Jordanne Lallemand Yakhya Diop Ondalys Z.A. Les Baronnes 385 Avenue de

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

2. Plan • 1-Introduction • -a Ondalys • -b Projet DIADvisor • -c Stratégie • 2-Materiel et méthodes • -a Materiel • -b Données • -c Modélisation • 3-Résultats et discussion • Résultats • Futurs travaux • 4-Conclusion

3. 1 Introduction

4. 1 a Ondalys • Analyse de données instrumentales (CHIMIOMETRIE) • Instruments : Spectroscopie Vis-NIR, fluorescence, LIBS, Spectroscopie de Masse,Imagerie … • Domaines : agriculture, pétrochimie, pharmacie • Analyse en composante principale • Variance = information • Multivariatecurveresolution • Contraintes : spectres purs, concentration • Parallel Factor Analysis • Signaux 2D ou plus • Partial Least Square regression • Modélisation supervisée

5. 1 a Exemple 1 Variation du contraste, Oxygenation autofluorescence des tissus Chauchard F., Svensson J., Axelsson J.,, Andersson-Engels S. and Roussel S. (2008). Localization of embbed inclusions using detection of fluorescence : Feasability study based on simulation data, LS-SVM modelling and EPO preprocessing. Chemometrics and intelligent laboratoriy systems (91)-34-42

6. 1 a Exemple 2 Chauchard F., Roger J.M., Bellon-Maurel V., Abrahamsson S. ,Svensson T., Andersson-Engels S. and Svanberg S. (2005). Madstress : a linear approach for evaluating scattering and absorption coefficients of samples measured using Time-Resolved Spectroscopy in reflection. Applied Spectroscopy, 59(10), 1229-1235.

7. 1 b Projet DIADvisor 300mg/dl ? 180mg/dl Glycémie 80mg/dl Temps

8. 1 c Stratégie / Objectif • Permettre une estimation de la glycémie à partir d’une mesure optique in-vivo • Par Spectroscopie résolue spatialement • Suivi de la glycémie pendant 24h  collaboration Cemagref (Dr Ryad Bendoula)

9. 1 c Stratégie / Objectif Simulation MonteCarlo Chimiométrie Apprentissage Objectif de l’application Glycémie

10. 1 c Stratégie / problématique • Au niveau de la spectroscopie : • Les bandes d’absorptions du glucose ne permettent pas une analyse assez profonde : peau / sang • Correlations • le glucose modifie le transfert de l’eau des cellules • Le glucose modifie les propriétés de diffusion de la lumière de l’Hb • Les phénomènes d’hyperglycémie et hypoglycémie s’accompagnent de changements physiologiques • Variabilité du métabolisme: • Des paramètres ont des variations rapides et d’autres lentes (battement cardiaque, hydratation, respiration, oxygénation)  dérives plus ou moins rapides • Variabilité individuelle: • Les personnes présentent de différences : pression sanguine, battement cardiaque, une masse graisseuse, système hépathique

11. 1 c Stratégie • Mettre en place une procédure d’étalonnage individuelle. • Travailler dans des zones où le rayonnement lumineux interagit suffisamment profondément pour capter l’information du sang • Utiliser des corrélations types diffusion du sang, mouvement de l’eau des cellules (pression osmotique) en plus des pics du glucose • Analyser les effets des paramètres extérieurs et individuel

12. 2 Materiel et Méthode

13. 2 a Mesures in-vivo • Utilisation de moules en silicones pour chaque patient.

14. 2 a Mesures in-vivo • Mesures réalisée au CIC • 30 patients (résultats présenté pour un seul patient), • Diabetes type 1,type2, • Homme et femme 20-60ans • Stylo à insuline /pompe à insuline • Hospitalisation : 3 jours • Mesure de référence par Hémocue : • Toutes les 5 minutes à partir du repas • Ensuite toutes les 30 minutes pendant 2 heures • Puis toutes les heures • Toutes les deux heures la nuit • Protocole mis en place par l’équipe du Pr Renard du service Endocinologie, CHU Montpellier

15. 2 b Données Visible/PIR • Le spectromètre utilisé était un ASD 300-2500nm (3 capteurs) • 4 positions spatiales de mesures SRS • = signal 2D

16. 2 c Modelisation • Méthode de modélisation supervisée : • La PLS (patial Least Squares) a été utilisée : • PLS : Le modèle est étalonné en utilisant les valeurs de référence autour de la zone des repas (+-30 minutes). Les hypoglycémies sont prises en compte dans le modèle. • Sélection de zones spectrales pour améliorer la robustesse du modèle. Principe de la PLS

17. 3 Résultats

18. 3 b Modèle Etalonnage sur la demi journée A :80.7500 B: 12.2500 C 0 D : 7.0000 E : 0 Raw prediction

19. 3 b Etalonnage sur les deux demi journées A= 49.5000 B= 36.3750 C= 0.2500 D= 13.8750 E= 0

20. 3 b Décalage du modèle

21. 3 b • Variation des coefficient de regression du modèle • Incertitude à cause de la variabilité des y et du métabolisme x b ? b b

22. 3 b Travaux futurs • Analyser les causes des dérives • Mettre en place une procédure de correction au moment des repas • Fusion des ‘décideurs’ • Approche Analytique par simulations 3D éléments finis pour prédire µa et µs’ Simulations sur cachets pharmaceutiques Image IRM  modèle pour simulations

23. 4 Conclusion

24. 4 Conclusion • Il existe des corrélations entre le Glucose et le métabolisme • Le pic d’absorption du glucose ne permet pas d’obtenir un modèle satisfaisant • Une stratégie basée sur les corrélations avec le glucose demande des points de réajustement (avec une mesure invasive au moment des repas) • Une meilleure compréhension des effets parasites est nécessaires • Deux leviers • La modélisation numérique / mathématique • La qualité de la mesure optique