Ces dernières années, les espaces de co-working ont gagné beaucoup de motricité, surtout chez les startups. Les petites entreprises et les startups ont commencé à examiner ces installations comme le moyen le plus efficace de réduire les frais généraux. Le concept est de promouvoir l`entrepreneuriat, le travail communautaire et la facilité de faire des affaires. 91Springboard, un pionnier dans cet espace, est en mode d`expansion. Le co-fondateur Pranay Gupta nous emmène à travers le parcours de croissance de l`entreprise et ses plans d`expansion. où qsto ← qsto + foodi est l`apport alimentaire à des moments TI. Nous démontrons ci-dessous que c`est un bon modèle qui capte la réponse de glucose aux aliments liquides. La modélisation des repas mixtes est beaucoup plus complexe et n`est pas effectuée ici, cependant, nous montrons qu`une description moyenne peut parfois être obtenue en modelant ces repas avec le modèle à deux compartiments ci-dessus, sauf avec une valeur différente de kgut. C`est, pour les repas liquides, nous prenons kgut k kgut, l tandis que pour un repas mélangé nous avons mis kgut k kgut, mm. Une faiblesse de notre étude est que les événements hypoglycémiques, en général, ne sont pas bien capturés par ce modèle. C`est parce que le modèle se concentre sur la dynamique du glucose et de l`insuline, c`est-à-dire sur les événements post-prandiaux lorsque le glucose est élevé.
Que notre modèle simple est incapable de capturer l`hypoglycémie n`est pas trop surprenant, compte tenu de la complexité associée à la compréhension de ce phénomène en général (American Diabetes Association Workgroup on Hypocemia, 2005; Unger, 2012; Elliott et coll., 2016). Il existe un corpus important de publications qui tentent de l`expliquer dans différents contextes, comme dans le cas du diabète juvénile (groupe d`étude sur la surveillance continue de la glycémie de la Fondation pour la recherche sur le diabète juvénile et al., 2011), ou pour les patients diabétiques de type I (Kim et coll., 2011), et dans l`évaluation de son impact sur la productivité (Brod et al., 2011). En particulier, Sampath et coll. (2016) ont récemment proposé un algorithme d`apprentissage automatique qui combine différents indices glycémiques pour prédire avec succès les occurrences d`incidents hypoglycémiques nocturnes. Afin de modéliser les événements hypoglycémiques plus attentivement, le modèle devrait probablement être étendu pour inclure la dynamique du glucagon ainsi; ces questions seront explorées plus avant dans les travaux futurs. La digestion des aliments est modélisée à l`aide de la dynamique à deux compartiments. La nourriture pénètre dans le premier compartiment, l`estomac, qsto, et est transmise le long d`un deuxième compartiment, collectivement appelé le «intestin», qgut, à partir de laquelle le glucose est assimilé dans la circulation sanguine. Ainsi, la surveillance continue de glucose (CGM), une technique qui enregistre le glucose sanguin à intervalles réguliers. Bien que CGM soit plus couramment utilisé dans le diabète de type 1, il devient de plus en plus attrayant pour traiter les patients diabétiques de type 2. Les séries chronologiques obtenues à partir d`un CGM fournissent une image riche de l`État glycémique des sujets et peuvent aider à contrôler plus étroitement le sucre dans le sang en révélant des schémas dans leurs réponses physiologiques à la nourriture.
Cependant, malgré son importance, la compréhension biophysique de CGM est loin d`être complète. La série de données CGM est complexe non seulement parce qu`elle dépend de la composition de l`aliment, mais elle varie également avec la physiologie individuelle. Tous ces derniers font une modélisation complète des données CGM une tâche difficile. Ici, nous proposons un modèle simple pour expliquer les données CGM dans le diabète de type 2. Le modèle combine une dynamique de glucose-insuline relativement simple avec un modèle alimentaire à deux compartiments.