L'obesità, in costante aumento a livello globale, comporta gravi rischi per la salute, spingendo numerosi individui a considerare interventi di chirurgia bariatrica, come il bypass gastrico o la gastrectomia verticale, per cercare una soluzione al problema e ottenere una rapida perdita di peso. Nonostante la dimostrata efficacia di tali procedure nel controllo a lungo termine del peso, emergono frequentemente complicanze post-operatorie, tra cui episodi di ipoglicemia, che possono interessare fino al 30% della popolazione post-bariatrica. Considerando che questi episodi sono spesso associati all’assunzione di pasti, l’obiettivo di questa tesi è sviluppare un algoritmo di caratterizzazione e predizione delle ipoglicemie post-prandiali. Tale algoritmo è basato non solo su feature estratte da dati di monitoraggio continuo del glucosio (CGM) ma anche su informazioni riguardanti i pasti, in modo tale da fornire una comprensione più approfondita delle dinamiche glicemiche della popolazione post-bariatrica e migliorare la gestione delle ipoglicemie post-prandiali. Il lavoro svolto nella tesi comprende lo sviluppo, l’applicazione e la valutazione di diversi modelli di regressione logistica utilizzando un dataset contenente dati CGM provenienti da pazienti che hanno subito un intervento di bypass gastrico, fornito dall’ospedale universitario di Berna. I risultati evidenziano la capacità di prevedere in tempo reale possibili eventi ipoglicemici sfruttando i dati CGM del paziente e le informazioni sui pasti consumati. Questo approccio offre la possibilità di implementare azioni preventive e correttive, mirate a ridurre il rischio di episodi ipoglicemici. Nella prima parte del lavoro si esplora il contesto dell’obesità, approfondendo la chirurgia bariatrica insieme alle relative procedure e complicanze. Ci si focalizza poi sulle ipoglicemie post-bariatriche e sul monitoraggio in continua della glicemia. Nel secondo capitolo viene presentato il dataset, partendo dalla descrizione del clinical trial e del dataset stesso, per poi procedere con un’analisi preliminare. Nel terzo capitolo si illustrano le feature che verranno considerate nelle analisi successive e viene creato il framework dedicato alla caratterizzazione e predizione delle ipoglicemie. Nel capitolo 4, dopo aver introdotto la regressione logistica, ci si concentra sull’analisi di correlazione, indentificando le feature maggiormente correlate all’evento ipoglicemico. Il capitolo 5 si occupa dello sviluppo e della valutazione dell’algoritmo predittivo. Infine, nel capitolo 6, dedicato alle conclusioni, vengono riassunti i risultati ottenuti, evidenziando le limitazioni e suggerendo i possibili sviluppi futuri.
Metodi per la caratterizzazione e la predizione delle ipoglicemie postprandiali in individui sottoposti a bypass gastrico da dati di monitoraggio in continua del glucosio
GIACOMINI, CRISTINA
2022/2023
Abstract
L'obesità, in costante aumento a livello globale, comporta gravi rischi per la salute, spingendo numerosi individui a considerare interventi di chirurgia bariatrica, come il bypass gastrico o la gastrectomia verticale, per cercare una soluzione al problema e ottenere una rapida perdita di peso. Nonostante la dimostrata efficacia di tali procedure nel controllo a lungo termine del peso, emergono frequentemente complicanze post-operatorie, tra cui episodi di ipoglicemia, che possono interessare fino al 30% della popolazione post-bariatrica. Considerando che questi episodi sono spesso associati all’assunzione di pasti, l’obiettivo di questa tesi è sviluppare un algoritmo di caratterizzazione e predizione delle ipoglicemie post-prandiali. Tale algoritmo è basato non solo su feature estratte da dati di monitoraggio continuo del glucosio (CGM) ma anche su informazioni riguardanti i pasti, in modo tale da fornire una comprensione più approfondita delle dinamiche glicemiche della popolazione post-bariatrica e migliorare la gestione delle ipoglicemie post-prandiali. Il lavoro svolto nella tesi comprende lo sviluppo, l’applicazione e la valutazione di diversi modelli di regressione logistica utilizzando un dataset contenente dati CGM provenienti da pazienti che hanno subito un intervento di bypass gastrico, fornito dall’ospedale universitario di Berna. I risultati evidenziano la capacità di prevedere in tempo reale possibili eventi ipoglicemici sfruttando i dati CGM del paziente e le informazioni sui pasti consumati. Questo approccio offre la possibilità di implementare azioni preventive e correttive, mirate a ridurre il rischio di episodi ipoglicemici. Nella prima parte del lavoro si esplora il contesto dell’obesità, approfondendo la chirurgia bariatrica insieme alle relative procedure e complicanze. Ci si focalizza poi sulle ipoglicemie post-bariatriche e sul monitoraggio in continua della glicemia. Nel secondo capitolo viene presentato il dataset, partendo dalla descrizione del clinical trial e del dataset stesso, per poi procedere con un’analisi preliminare. Nel terzo capitolo si illustrano le feature che verranno considerate nelle analisi successive e viene creato il framework dedicato alla caratterizzazione e predizione delle ipoglicemie. Nel capitolo 4, dopo aver introdotto la regressione logistica, ci si concentra sull’analisi di correlazione, indentificando le feature maggiormente correlate all’evento ipoglicemico. Il capitolo 5 si occupa dello sviluppo e della valutazione dell’algoritmo predittivo. Infine, nel capitolo 6, dedicato alle conclusioni, vengono riassunti i risultati ottenuti, evidenziando le limitazioni e suggerendo i possibili sviluppi futuri.File | Dimensione | Formato | |
---|---|---|---|
Giacomini_Cristina.pdf
accesso aperto
Dimensione
4.64 MB
Formato
Adobe PDF
|
4.64 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/58009