Metodologie per la predizione delle ipoglicemie post-bariatriche basate su feature estratte da dati di monitoraggio in continua del glucosio.

L’obesità è una patologia caratterizzata da un eccessivo accumulo di grasso corporeo tale da compromettere lo stato di salute e la qualità della vita. Coloro che ne soffrono hanno un elevato rischio di sviluppare svariate patologie, ad esempio: endocrine (e.g. diabete); cardiovascolari (e.g. ischemia miocardica); respiratorie (e.g. apnee notturne); renali; a carico delle articolazioni e dell’apparato digerente. Secondo l’Organizzazione Mondiale della Sanità, nel 2016 sono stati registrati più di 650 milioni di individui adulti affetti da tale patologia, con un’incidenza globale in costante crescita, specialmente negli ultimi anni. In risposta all’aumento dei casi di obesità, si è registrato un incremento di interventi di chirurgia bariatrica, quali il bypass gastrico o gastrectomia verticale, mirati a contrastare l’aumento di peso e ridurre il rischio di mortalità e di comorbidità. Nonostante la loro efficacia nel raggiungimento della remissione a lungo termine sia stata ampiamente dimostrata, il grado di invasività di tali interventi è spesso fonte di numerose complicanze post-operatorie, tra cui l’insorgenza di episodi di ipoglicemia. Alcuni studi riportano che questo fenomeno può interessare fino al 25% della popolazione sottoposta a bypass gastrico o gastrectomia verticale. Attualmente, per coloro che ne sono affetti, la terapia prevede una modifica della dieta alimentare e l’assunzione di farmaci per il controllo della glicemia. Strumenti che possono diventare essenziali nell’identificazione e nel monitoraggio di questi eventi critici di ipoglicemia sono i dispositivi per il monitoraggio in continua del glucosio (continuous glucose monitoring - CGM). Infatti, i sensori CGM, grazie al monitoraggio in tempo reale della glicemia ogni 5 minuti per diversi giorni e a sistemi di generazione di allarmi, consentono di attuare azioni correttive per limitare i rischi legati a questi eventi. Tuttavia, dal punto di vista terapeutico, sarebbe ancor più efficace riuscire ad effettuare una predizione degli eventi ipoglicemici 15-20 minuti prima della loro comparsa, possibile attraverso l’utilizzo di modelli predittivi. In questo modo, sarebbe possibile attuare un’azione preventiva piuttosto che correttiva, limitando o addirittura evitando l’evento ipoglicemico. L’obiettivo di questa tesi è proprio lo sviluppo di nuovi algoritmi predittivi basati sull’uso di feature estratte da dati di sensori CGM per predire gli eventi ipoglicemici nella popolazione post-bariatrica. Lo sviluppo e la valutazione dell’efficacia degli algoritmi, che spaziano dalle Support Vector Machine (SVM) ai logistic model tree, e l’analisi di quali feature sono le più informative per lo scopo del progetto, sono stati effettuati su un dataset di dati CGM acquisiti su individui post-bariatrici che sono stati forniti dall’ospedale universitario di Berna (referente Prof. Lia Bally) nell’ambito di un progetto in essere tra il gruppo di bioingegneria del Dipartimento di Ingegneria dell’Informazione e l’ospedale stesso (progetto SID-Networking 2021 DVTDSS). I risultati ottenuti evidenziano come la predizione in tempo reale di tali eventi sia possibile e come i risultati siano migliori di quelli fino ad oggi pubblicati, anche se ancora subottimali, chiamando ulteriori investigazioni.