Identificazione automatica di pasti da dati di monitoraggio in continua del glucosio nella terapia del diabete di tipo 1

Il diabete di tipo 1 è una malattia cronica autoimmune derivante dall’assenza di secrezione di insulina da parte delle cellule β del pancreas. Questo disturbo comporta oscillazioni significative della concentrazione di glucosio nel sangue, nota come glicemia, e richiede un monitoraggio continuo e una gestione accurata al fine di limitare le complicanze a breve e lungo termine. La terapia del diabete di tipo 1 si basa sull’iniezione di insulina esogena e sull’adozione di un regime dietetico controllato. L’introduzione di nuove tecnologie, come il monitoraggio continuo del glucosio e l’utilizzo di penne smart o pompe insuliniche, ha reso la gestione della malattia sempre più accessibile e personalizzata. Tra le nuove tecniche per l’ottimizzazione e per la personalizzazione della terapia troviamo metodi di “Digital Twin”, ovvero un modello computazionale che rappresenta il comportamento glicemico del paziente nel mondo reale. Questi modelli si basano sull’acquisire in maniera completa dati relativi ai pasti, ai livelli di attività fisica e ai dosaggi insulinici, in modo da considerare e valutare scenari di terapia alternativi, riducendo al minimo i rischi per il paziente e i costi degli studi clinici. Tuttavia, nonostante i progressi tecnologici, il controllo del diabete di tipo 1 rimane una sfida, soprattutto per i pazienti più giovani. Ad esempio, molti giovani pazienti possono avere difficoltà nel seguire rigorosamente il regime terapeutico prescritto, con frequenti omissioni nell’assunzione di insulina o errori nella stima dei carboidrati, il cui conteggio è necessario per eseguire un calcolo quanto più corretto possibile della quantità di insulina prandiale da iniettare. Questi comportamenti possono portare a fluttuazioni glicemiche e ad una gestione non ottimale della malattia. Inoltre, la richiesta al paziente di memorizzare sempre manualmente i pasti rappresenta un’azione aggiuntiva di difficile attuazione e che sarebbe preferibile evitare di dover richiedere. L’obiettivo di questa tesi è di esplorare tecniche euristiche per rilevare automaticamente i pasti in modo retrospettivo utilizzando i dati provenienti da sensori per il monitoraggio continuo della glicemia integrati con informazioni sui boli di insulina. L’algoritmo per l’identificazione di pasti sviluppato in questa tesi si è basato sull’analisi di dati reali, provenienti dal dataset T1DEXI, appartenenti ad una popolazione di 78 adolescenti, con dati di glicemia, insulina e pasti relativi ad una o più giornate per paziente, per un totale di 123 giornate. Esso si compone di 4 moduli sequenziali: il primo modulo associa i boli di insulina ai pasti, il secondo distingue i boli correttivi dai boli prandiali, il terzo analizza gli eventi ipoglicemici ed il quarto modulo analizza il segnale CGM e la sua derivata. I risultati sono promettenti, in quanto si sono ottenuti livelli di precisione del 90,97% per i soggetti in MDI e livelli di sensitività del 88,62% per i pazienti in pompa insulinica. Sviluppi futuri consistono nell’ampliare il dataset, aumentando la numerosità del campione potenzialmente includendo la popolazione pediatrica, contribuendo così a migliorare ulteriormente l’efficacia e l’applicabilità della metodologia. L’utilizzo di questa tecnologia potrebbe essere affiancato all’applicazione di Digital Twin nella pratica clinica, consentendo di ridurre il numero di azioni richieste al paziente nell’utilizzo di nuovi strumenti per lo sviluppo di terapie personalizzate.