Algoritmi basati su support vector regression per la predizione della glicemia futura nella terapia del diabete di tipo 1

Il diabete mellito è una patologia epidemica mondiale e, secondo i più recenti dati dell’Organizzazione Mondiale della Sanità, si classifica come la nona causa di morte nel mondo. Si distinguono due diverse tipologie di diabete mellito: il diabete di tipo 1 e il diabete di tipo 2. Il primo solitamente insorge durante l’infanzia o l’adolescenza e le cause sono su base immunitaria; il secondo compare nella maggior parte in pazienti di età adulta, spesso collegato all’obesità ed a uno stile di vita sedentario. Per i pazienti diabetici è necessario mantenere il livello di glucosio all’interno di un determinato range, per prevenire episodi di ipo ed iperglicemia. Per questo monitorare i livelli di glucosio ha portato notevoli vantaggi ai pazienti, consentendo loro di prendere il controllo sulla malattia e ridurre l’incidenza di complicanze. Lo scopo di questa tesi è descrivere il machine learning, ponendo la nostra attenzione negli algoritmi di support vector regression (SVR). Il primo capitolo è dedicato agli aspetti generali della patologia del diabete e presenta una panoramica dei dispositivi per rilevare la concentrazione di glucosio nel sangue. Questi ultimi sono potenzialmente utili perché, dai dati da essi raccolti, si possono generare allarmi quando la concentrazione di glucosio va al di sopra o al di sotto di una certa soglia. Nel secondo capitolo sono analizzate le principali caratteristiche delle support vector machine e la loro principale distinzione: classificazione e regressione. Ci focalizzeremo sulla seconda, analizzando la realizzazione e il funzionamento dell’algoritmo SVR. Il terzo capitolo è interamente occupato da un caso di studio, in cui viene predetto il segnale glicemico tramite l’utilizzo dell’algoritmo SVR. Lo scopo del capitolo è mostrare come viene in pratica utilizzato SVR, e come le predizioni ottenute siano diverse a seconda dei dati di ingresso a disposizione e alla scelta di determinati parametri. Infine vengono fatte alcune considerazioni conclusive sui risultati del precedente studio e sull’utilità degli algoritmi che generano allarmi futuri per il segnale glicemico. Viene dedicato, inoltre, un piccolo spazio per le prospettive future.