Algoritmo per il rilevamento dei malfunzionamenti di un microinfusore di insulina

Il diabete mellito di tipo 1 è una malattia autoimmune con crescente incidenza a livello globale. È caratterizzata da una distruzione delle cellule β del Pancreas, con conseguente assenza o quasi di produzione di insulina, necessaria per la gestione della glicemia. Tra i sintomi più comuni si trovano poliuria, polidipsia, perdita di peso e le complicazioni possono includere problemi cardiaci e nei casi più gravi, morte. Nonostante sforzi siano stati fatti per la prevenzione e cura di questa malattia, i diabetici di tipo 1 sono al giorno d’oggi dipendenti da somministrazioni di insulina dall’esterno. I microinfusori di insulina sono stati proposti proprio per risolvere questo problema e l’evoluzione della loro tecnologia, unendo praticità e funzionalità, può consentire ai pazienti di vivere una vita quasi normale. La corretta somministrazione di insulina è una sfida non solo per quanto riguarda le quantità necessarie di ormone da erogare, suscettibili a variabilità inter- e intra-paziente, ma anche per quanto riguarda le cosiddette LISAs (Losses in Infusion Set Actuation). Queste includono qualsiasi mancata somministrazione di insulina, causate ad esempio da perdite del tubo usato per l’erogazione oppure da dislocazione della cannula dell’infusion set. Un buon algoritmo è in grado di individuare questi malfunzionamenti (o “faults”), indipendentemente dalla causa, sulla base dell’insulina erogata e della glicemia misurata a intervalli regolari. Se integrato in real-time nei moderni microinfusori permetterebbe la generazione di allarmi, atti a segnalare anomalie al paziente prima che si ripercuotano sulla sua salute. Molteplici algoritmi sono stati proposti a tale scopo e la loro efficacia nell’individuare faults è testata attraverso dati contenenti faults accertate, simulati o non. In particolare, il LISA detection algorithm proposto da Daniel P. Howsmon et Al. è stato ricreato e usato su dati simulati provenienti dal UVA/Padova T1D Simulator, ottenendo una sensitività pari a 0.3 e generando 0.253 falsi positivi al giorno. Considerazioni aggiuntive sulla struttura del dataset e sulla differenza tra sistemi “open-loop” e “closed-loop” suggeriscono un ricalcolo dei parametri dell’algoritmo, che porta la sensitività a 0.6 e i falsi positivi a 0.2 al giorno.