Identificazione di pattern glicemici per la caratterizzazione di soggetti sani, prediabetici e diabetici di tipo 2, mediante algoritmi di clustering ed indici di variabilità glicemica

Il diabete mellito rappresenta una delle maggiori emergenze sanitarie a livello mondiale del ventunesimo secolo con un'incidenza superiore al mezzo miliardo di persone e con una tendenza in forte crescita. Un dato allarmante è rappresentato anche dal numero di casi non diagnosticati di diabete, in grande maggioranza di tipo 2. La necessità urgente di migliorare la capacità di diagnosi ha suscitato negli ultimi anni un crescente interesse nello sviluppo di un nuovo modello di assistenza sanitaria orientato ad una medicina di precisione, real-time e data-driven per la gestione di questa patologia. Il presente lavoro di tesi si propone di implementare algoritmi di clustering per l'analisi di dati di monitoraggio in continuo della glicemia. L'obiettivo è quello di individuare possibili sottocategorie di soggetti che manifestano specifici fenotipi di disglicemia.