Classificazione di soggetti sani, prediabetici e diabetici di tipo 2, mediante algoritmi di machine learning supervisionato ed indici di variabilità glicemica

Questo elaborato si propone di investigare l’utilizzo di un sensore indossabile per il monitoraggio in continua della concentrazione di glucosio interstiziale come strumento diagnostico per l’identificazione di soggetti prediabetici e diabetici di tipo 2. In particolare, viene approfondito lo sviluppo di un algoritmo per la classificazione di soggetti sani, prediabetici e diabetici, dove i soggetti patologici non sono sottoposti ad alcuna terapia. L’implementazione si basa sull’analisi di tracce glicemiche registrate con sistema di monitoraggio in continua, condotta impiegando tecniche di machine learning supervisionato. Il punto di partenza non può che essere una panoramica generale sulla patologia d’interesse, con particolare attenzione all’importanza di effettuare una diagnosi corretta e ai metodi tradizionali di diagnosi, proseguendo con un approfondimento sul funzionamento e i vantaggi della tecnica di Continuous Glucose Monitoring, impiegata per registrare le tracce glicemiche analizzate. Trattando quindi lo sviluppo dell’algoritmo di classificazione, si riportano in maniera dettagliata tutte le fasi delle analisi svolte, dallo studio e pre-processing dei dati disponibili, inclusa l’implementazione di metriche per la descrizione dei profili glicemici, alla manipolazione del dataset mediante analisi di correlazione, Principal Component Analysis e tecniche di cross-validation per mitigarne le criticità. Segue lo sviluppo e il confronto fra modelli di regressione logistica univariati e multivariati e, successivamente, modelli di regressione lineare. Infine, si considerano le implementazioni future più ragionevoli, con particolare attenzione alle possibili analisi alternative a seguito di un’estensione del dataset e in vista dell’applicazione di tecniche di analisi più avanzate.