Mô hình sinh lý học:

  + Sử dụng mô hình Hovorka để mô phỏng động học glucose–insulin

  + Ước lượng nồng độ insulin trong máu (PIC) bằng bộ lọc Unscented Kalman Filter (UKF)

  + Tích hợp mô hình insulin với mô hình nhận dạng tuyến tính để tạo mô hình điều khiển

• Nhận dạng hệ thống:
•   + Sử dụng phương pháp Predictor-Based Subspace Identification (PBSID)
•   + Cập nhật mô hình tuyến tính thời gian thực bằng Recursive Least Squares (RLS)
•   + Tạo mô hình trạng thái không gian (state-space) với đầu vào là insulin đã lọc
• Điều khiển dự đoán mô hình thích nghi:
•   + Hàm mục tiêu gồm: chỉ số rủi ro glucose (GRI) và chỉ số rủi ro insulin (PIRI)
•   + Ràng buộc PIC được điều chỉnh theo mức glucose hiện tại
•   + Trích xuất đặc trưng từ dữ liệu CGM để phát hiện bữa ăn và điều chỉnh ràng buộc
• Thử nghiệm:
•   + Sử dụng mô phỏng UVa/Padova với 10 bệnh nhân giả lập trong 12 ngày
•   + Không sử dụng thông tin bữa ăn trong điều khiển
•   + Kết quả: 74.6% thời gian glucose nằm trong vùng an toàn [70–180 mg/dL], không có hạ đường huyết