Algoritmi per la generazione di hypotreatment preventivi basati su dati di monitoraggio in continua del glucosio nella terapia del diabete di tipo 1

Il diabete di tipo 1 (T1D - Type 1 Diabetes) è una malattia autoimmune che comporta la distruzione delle β-cellule del pancreas, responsabili della produzione di insulina, un ormone chiave nella contro-regolazione del metabolismo del glucosio. La mancanza dell’insulina porta all’insorgenza di eventi iperglicemici, che possono causare diverse complicanze a lungo termine come malattie cardiovascolari, neuropatie e retinopatie, o eventi ipoglicemici che mettono a rischio la vita del paziente. Per mantenere, quindi, i livelli di glicemia quanto più possibile all’interno di un range di normalità (70 - 180 mg/dl), tutti i pazienti diabetici devono seguire una terapia insulinica che prevede l’assunzione di insulina esogena, il cui corretto dosaggio dipendente da numerosi fattori, tra i quali il livello di glicemia prima dell’assunzione. Un sovradosaggio dell’insulina può portare, tuttavia, ad eventi di ipoglicemia che possono essere molto rischiosi nel breve termine, portando a tremore, sudorazione e debolezza che possono degenerare, nei casi più gravi, in convulsioni e coma. L’identificazione degli eventi di ipoglicemia è possibile, in tempo reale, grazie alla generazione di allarmi preventivi da sensori di monitoraggio continuo della glicemia (CGM - Continuous Glucose Monitoring). Questi allarmi consentono ai pazienti l’assunzione di hypotreatment (HT), ovvero piccole dosi di carboidrati ad azione rapida, che permettono di ridurre la durata dell’evento ipoglicemico, ma non di annullarlo. Recentemente, il gruppo di bioingegneria del dipartimento di ingegneria dell’Informazione ha sviluppato un algoritmo predittivo (Camerlingo et al.), che grazie all’utilizzo del rischio dinamico (DR - Dynamic Risk) e del tasso di variazione glicemica (ROC - Rate Of Change) riesce a classificare la pericolosità dell’evento ipoglicemico imminente e a suggerire una dose di HT preventiva, con lo scopo di evitare l’evento stesso. Tuttavia, l’algoritmo è stato testato solo in silico e richiede ulteriori validazioni. L’obiettivo di questa tesi è quello di validare l’algoritmo di Camerlingo et al. in uno scenario più realistico andando ad utilizzare dati raccolti in individui diabetici, che possono essere modificati retrospettivamente attraverso il tool ReplayBG e ottimizzare, su tali dati, i parametri dell’algoritmo per migliorarne l’efficacia. Questo elaborato è diviso in 6 capitoli il primo dei quali si occupa del diabete e delle strategie di controllo della glicemia mentre nel secondo vengono descritti, in maniera esaustiva, il protocollo standard per la gestione delle ipoglicemie e l’algoritmo di Camerlingo et al.. Nel terzo capitolo, si presenta il framework di lavoro e il data set utilizzato. Nel quarto capitolo vengono presentati i risultati ottenuti dalla valutazione dell’algoritmo Camerlingo et al. eseguita attraverso il tool ReplayBG che permette di simulare e quindi di validare una nuova strategia di controllo glicemico a seguito di un’analisi retrospettiva sui dati reali del paziente. Dopo un’attenta analisi decisionale, riportata nel Capitolo 5, si propone un’ottimizzazione dell’algoritmo validata con lo stesso framework di lavoro. Infine, nel Capitolo 6 sono presentate le conclusioni sul lavoro svolto con particolare attenzione per gli sviluppi futuri.