Algoritmi di deep learning basati su reti neurali convoluzionali e ricorrenti per la predizione della glicemia futura nel diabete di tipo 1

Il diabete di tipo 1 è una malattia autoimmune giovanile che comporta la distruzione delle cellule del pancreas che producono insulina e richiede una terapia giornaliera, basata su iniezione esogena di insulina e monitoraggio della glicemia, che deve essere opportunamente attuata per limitare episodi di ipo/iperglicemia e prevenire le sue complicanze. Per facilitare la gestione della terapia, diverse tecnologie vengono impiegate con successo come il Self Monitoring of Blood Glucose (SMBG), il monitoraggio in continuo del glucosio (CGM), le pompe per insulina, i sistemi ibridi closed loop e vari sistemi di supporto alla decisione implementati su applicazioni mobile. La predizione della glicemia futura basata su dati CGM, accanto a queste soluzioni, è di importanza fondamentale per prevenire o limitare l’impatto di episodi ipoglicemici/iperglicemici indesiderati. Nel corso degli ultimi due decenni, sono stati presentati diversi algoritmi predittivi, ma i risultati più promettenti provengono dal recente utilizzo di metodologie di deep learning. L’obiettivo di questo lavoro di tesi è proprio quello di valutare le capacità predittive di un nuovo algoritmo di deep learning recentemente proposto in letteratura da Jaloli et al. [JDST 2022] basato su una rete neurale convoluzionale e ricorrente (Convolutional Neural Network con layer Long Short-Term Memory - CNN-LSTM) per la predizione della glicemia futura nel diabete di tipo 1. L’algoritmo è stato studiato e re-implementato e le sue prestazioni sono state confrontate con quelle di modelli in letteratura impiegati nella predizione del glucosio, quali Autoregressive Integrated Moving Average (ARIMA), Autoregressive with eXogenous Input (ARX), Support Vector Regression (SVR) e Long Short-Term Memory (LSTM). Allo scopo, si sono considerati due dataset, uno simulato con il simulatore di tipo 1 UVA/Padova e uno reale, il dataset Replace-BG, entrambi contenenti informazioni su CGM, boli di insulina assunti e carboidrati ingeriti dai soggetti. Inoltre, al fine di valutare l’impatto di scelte implementative attuate in Jaloli et al. sulle prestazioni degli algoritmi, sono state considerate sia la casistica con pre-processing (ricampionamento delle sequenze di CGM, media causale ad intervalli regolari delle sequenze di boli e carboidrati) che quella senza. I risultati hanno dimostrato che non ci sono differenze significative tra i due casi, ma che il pre-processing consente di ridurre la dimensione dei dataset e rende quindi l’elaborazione meno onerosa dal punto di vista computazionale. A differenza di quanto osservato nell’articolo di Jaloli et al., l’algoritmo che ha ottenuto i risultati migliori è LSTM, mentre CNN-LSTM ha restituito risultati in linea con quest’ultima. In conclusione, questo lavoro dimostra che i modelli LSTM e CNN-LSTM hanno prestazioni molto simili e risultano essere i migliori per la predizione della glicemia futura, ma la struttura CNN-LSTM deve essere ulteriormente investigata, assieme alle scelte di pre-processing, in quanto con le informazioni a disposizione non si riescono a riprodurre i risultati ottenuti nell’articolo originale.