Ottimizzazione del dosaggio del bolo insulinico nella terapia del diabete di tipo 1 tramite approcci di digital twin e machine learning

Type 1 diabetes is a chronic autoimmune disease caused by the failure of the beta cells of the pancreas to produce insulin. This deficiency requires continuous insulin therapy throughout the life of the affected individuals. Specifically, during meals, patients must administer an insulin bolus to manage glycemic changes caused by food intake. This administration must be carefully dosed in order to prevent the onset of hypoglycaemic (glycaemia ≤ 70 mg/dL) or hyperglycaemic (glycaemia ≥ 180 mg/dL) events, maintaining blood glucose within the safety range (70- 180 mg/dL). The objective of this thesis work is to explore new insulin therapies by exploiting data from sensors in continuous glucose monitoring of real patients, made possible through the use of a digital clone capable of capturing the dynamics of the specific patient. The methodological path involves the identification of the optimal insulin bolus through a brute force approach. Subsequently, a recently developed machine-learning model will be tested for the optimization of the insulin bolus of the meal, tested only in silico. Finally, the parameters of this model will be adapted to specific real data, thus integrating technological innovation with the metabolic peculiarities of each patient.

Il diabete di tipo 1 è una malattia cronica autoimmune causata dalla mancata produzione di insulina da parte delle cellule beta del pancreas. Questo deficit richiede una terapia insulinica continua per tutta la vita degli individui che ne sono affetti. Nello specifico, durante i pasti, i pazienti devono somministrare un bolo insulinico per gestire le variazioni glicemiche causate dall'assunzione di cibo. Questa somministrazione deve essere accuratamente dosata in modo da prevenire l’insorgenza di eventi ipoglicemici (glicemia ≤ 70 mg/dL) o iperglicemici (glicemia ≥ 180 mg/dL), mantenendo il glucosio nel sangue all'interno del range di sicurezza (70-180 mg/dL). L’obiettivo di questo lavoro di tesi è quello di esplorare nuove terapie insuliniche sfruttando dati da sensori in monitoraggio in continua del glucosio di pazienti reali, reso possibile tramite l’utilizzo di un clone digitale capace di captare le dinamiche dello specifico paziente. Il percorso metodologico prevede l'identificazione del bolo insulinico ottimale tramite un approccio a forza bruta. Successivamente, si testerà un modello di machine-learning di recente sviluppo per l’ottimizzazione del bolo insulinico del pasto, testato solamente in silico. Infine, i parametri di tale modello verranno adattati ai dati reali specifici, integrando così l'innovazione tecnologica con le peculiarità metaboliche di ciascun paziente.