Clustering di dati glicemici in periodi postprandiali per la caratterizzazione e predizione di ipoglicemie in individui sottoposti a bypass gastrico

L’obesità è una patologia caratterizzata dall’eccessivo accumulo di grasso corporeo e rappresenta una delle principali problematiche di salute pubblica a livello mondiale. Ogni anno provoca diversi milioni di decessi a causa delle complicanze ad essa associate tra cui malattie cardiovascolari, diabete di tipo 2, ipertensione e un aumentato rischio di sviluppare vari tipi di cancro. Il trattamento dell’obesità prevede solitamente un approccio multifattoriale che varia dalla modifica dello stile di vita e delle abitudini alimentari dell’individuo all’adozione di una terapia farmacologica. Qualora questi trattamenti si rivelassero inefficaci è necessario ricorrere alla chirurgia bariatrica. L’obiettivo di questo intervento è la riduzione della dimensione dello stomaco o la modifica parziale del tratto digestivo. Nonostante si sia mostrata efficace nella riduzione del peso e nel miglioramento delle comorbilità, la chirurgia bariatrica può comportare complicanze. Tra queste l’insorgenza di episodi di ipoglicemia post-prandiale dovuta a cambiamenti ormonali, funzionali e anatomici successivi all’intervento che espongo il paziente a perdite di coscienza, nausee, vertigini e nei casi più gravi a danni neurologici permanenti e morte. Il seguente lavoro di tesi ha come obiettivo la caratterizzazione e predizione di eventi ipoglicemici post-prandiali in pazienti sottoposti a bypass gastrico utilizzando tecniche di machine learning. L’analisi iniziale si concentra sull’utilizzo di clustering per raggruppare periodi post-prandiali sulla base di criteri di similarità della traccia glicemica. Successivamente, viene fatta un’analisi intra-cluster per identificare variabili caratterizzanti che saranno poi analizzate e utilizzate nella successiva fase di predizione. La predizione real-time delle ipoglicemie post-bariatriche ha come obiettivo l’identificazione precoce di un episodio critico in modo tale da consentire al paziente di attuare azioni correttive, come l’assunzione di carboidrati a rapido assorbimento, per limitare o eliminare il verificarsi di tali eventi. A questo scopo, si utilizzano modelli di regressione logistica e random forest.