Lo straordinario progresso nell’ambito della tecnologia dei sensori per il monitoraggio in continua del glucosio (CGM) ha inaugurato nuove prospettive nell’analisi della patologia del Diabete Mellito, del Diabete Mellito Gestazionale (GDM) e degli outcome neonatali ad esso correlati. Questi dispositivi, capaci di fornire tracciati dettagliati dell’andamento della glicemia nel tempo, rappresentano una risorsa preziosa che può incidere direttamente sull’assistenza medica ed, in particolare, sulle cure necessarie durante il periodo di gravidanza e perinatale. L’attenzione rivolta agli outcome neonatali, specialmente quelli associati all’ipoglicemia e alla necessità di cure intensive neonatali, sottolinea l’importanza cruciale che tali dati possono assumere nel contesto della salute materna e neonatale. L’ipoglicemia neonatale, frequente in gravidanze complesse come quelle in cui le gestanti sono affette da GDM, è infatti strettamente connessa al controllo dei livelli di glucosio nel sangue materno durante il periodo perinatale. D’altra parte, la richiesta di cure intensive neonatali indica la necessità di assistenza medica avanzata per neonati che presentano gravi complicazioni o condizioni mediche che richiedono un’attenzione particolare. Nonostante l’importanza di questi aspetti, la letteratura scientifica attuale presenta alcune lacune nella capacità di prevedere e gestire efficacemente tali condizioni. Il fulcro della ricerca esposta in tale tesi è la volontà di colmare questa lacuna di conoscenza, esplorando se le informazioni fornite dai sensori CGM possano essere interpretate ed utilizzate come input a modelli di Machine Learning per migliorare la gestione del Diabete Gestazionale e, di conseguenza, avere un impatto positivo sulla salute e sul benessere dei neonati. L’elaborato si articola in sette capitoli, proponendo un’analisi completa e approfondita dell’argomento. Il primo capitolo fornisce una panoramica dettagliata sulle caratteristiche del Diabete Mellito, con un particolare focus sulla forma Gestazionale e sull’applicazione delle tecniche di monitoraggio in continua del glucosio. Nel secondo capitolo viene presentata la ricerca, la quale è stata condotta presso la Clinica Ambulatoriale per il Diabete del Woman’s Hospital di Baton Rouge (Louisiana, USA). Questa coinvolge 60 donne con Diabete Gestazionale, equipaggiate con i sensori CGM Dexcom 6 PRO. Inoltre, vengono forniti approfondimenti sul dataset creato attraverso la raccolta delle caratteristiche materne e neonatali, e sui dataset ottenuti mediante l’integrazione delle metriche di variabilità glicemica, elaborate a partire dai dati CGM.Il terzo capitolo si concentra sulla descrizione delle strategie di apprendimento supervisionato, con particolare attenzione ai metodi di regressione logistica completa e ridotta. Vengono esplorate le tecniche di riduzione delle caratteristiche LASSO e Recursive Feature Elimination, insieme ai metodi di campionamento Cross-Validation e Bootstrap. Nel capitolo successivo, il quarto, vengono descritti i metodi di apprendimento non supervisionato scelti per confrontare i risultati rispetto a quelli ottenibili dall’impiego delle strategie supervisionate. In particolare, viene esaminato il metodo K-means e il metodo della Silhouette per determinare i parametri di addestramento ottimali. Ai capitoli cinque e sei vengono presentati i risultati ottenuti dall’implementazione delle strategie di apprendimento automatico scelte, al fine di individuare quali tecniche permettono di ottenere i modelli migliori in termini di capacità predittiva. Nell’ultimo capitolo, l’analisi si focalizza sulla comparazione dei risultati ottenuti da ciascun modello addestrato per gli outcome neonatali considerati. L’obiettivo principale è trarre conclusioni significative riguardo alla reale efficacia dell’introduzione delle metriche CGM nel migliorare la capacità predittiva di tali modelli.

Modelli predittivi degli outcome neonatali tramite l'utilizzo di caratteristiche legate alla gravidanza e dati di sensori per il monitoraggio in continuo del glucosio

SCHIAVON, SARA
2022/2023

Abstract

Lo straordinario progresso nell’ambito della tecnologia dei sensori per il monitoraggio in continua del glucosio (CGM) ha inaugurato nuove prospettive nell’analisi della patologia del Diabete Mellito, del Diabete Mellito Gestazionale (GDM) e degli outcome neonatali ad esso correlati. Questi dispositivi, capaci di fornire tracciati dettagliati dell’andamento della glicemia nel tempo, rappresentano una risorsa preziosa che può incidere direttamente sull’assistenza medica ed, in particolare, sulle cure necessarie durante il periodo di gravidanza e perinatale. L’attenzione rivolta agli outcome neonatali, specialmente quelli associati all’ipoglicemia e alla necessità di cure intensive neonatali, sottolinea l’importanza cruciale che tali dati possono assumere nel contesto della salute materna e neonatale. L’ipoglicemia neonatale, frequente in gravidanze complesse come quelle in cui le gestanti sono affette da GDM, è infatti strettamente connessa al controllo dei livelli di glucosio nel sangue materno durante il periodo perinatale. D’altra parte, la richiesta di cure intensive neonatali indica la necessità di assistenza medica avanzata per neonati che presentano gravi complicazioni o condizioni mediche che richiedono un’attenzione particolare. Nonostante l’importanza di questi aspetti, la letteratura scientifica attuale presenta alcune lacune nella capacità di prevedere e gestire efficacemente tali condizioni. Il fulcro della ricerca esposta in tale tesi è la volontà di colmare questa lacuna di conoscenza, esplorando se le informazioni fornite dai sensori CGM possano essere interpretate ed utilizzate come input a modelli di Machine Learning per migliorare la gestione del Diabete Gestazionale e, di conseguenza, avere un impatto positivo sulla salute e sul benessere dei neonati. L’elaborato si articola in sette capitoli, proponendo un’analisi completa e approfondita dell’argomento. Il primo capitolo fornisce una panoramica dettagliata sulle caratteristiche del Diabete Mellito, con un particolare focus sulla forma Gestazionale e sull’applicazione delle tecniche di monitoraggio in continua del glucosio. Nel secondo capitolo viene presentata la ricerca, la quale è stata condotta presso la Clinica Ambulatoriale per il Diabete del Woman’s Hospital di Baton Rouge (Louisiana, USA). Questa coinvolge 60 donne con Diabete Gestazionale, equipaggiate con i sensori CGM Dexcom 6 PRO. Inoltre, vengono forniti approfondimenti sul dataset creato attraverso la raccolta delle caratteristiche materne e neonatali, e sui dataset ottenuti mediante l’integrazione delle metriche di variabilità glicemica, elaborate a partire dai dati CGM.Il terzo capitolo si concentra sulla descrizione delle strategie di apprendimento supervisionato, con particolare attenzione ai metodi di regressione logistica completa e ridotta. Vengono esplorate le tecniche di riduzione delle caratteristiche LASSO e Recursive Feature Elimination, insieme ai metodi di campionamento Cross-Validation e Bootstrap. Nel capitolo successivo, il quarto, vengono descritti i metodi di apprendimento non supervisionato scelti per confrontare i risultati rispetto a quelli ottenibili dall’impiego delle strategie supervisionate. In particolare, viene esaminato il metodo K-means e il metodo della Silhouette per determinare i parametri di addestramento ottimali. Ai capitoli cinque e sei vengono presentati i risultati ottenuti dall’implementazione delle strategie di apprendimento automatico scelte, al fine di individuare quali tecniche permettono di ottenere i modelli migliori in termini di capacità predittiva. Nell’ultimo capitolo, l’analisi si focalizza sulla comparazione dei risultati ottenuti da ciascun modello addestrato per gli outcome neonatali considerati. L’obiettivo principale è trarre conclusioni significative riguardo alla reale efficacia dell’introduzione delle metriche CGM nel migliorare la capacità predittiva di tali modelli.
2022
Predictive models of neonatal outcomes using pregnancy-related features and continuous glucose monitoring data
machine learning
EHR
pregnancy
File in questo prodotto:
File Dimensione Formato  
Schiavon_Sara.pdf

embargo fino al 11/12/2026

Dimensione 4.47 MB
Formato Adobe PDF
4.47 MB Adobe PDF

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

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/59584