Automatic Analysis of Continuous Glucose Monitoring Data in Type 1 Diabetes Using Large Language Models in Clinical Practice

Il monitoraggio continuo del glucosio (CGM) ha rivoluzionato la gestione del diabete di tipo 1 (T1D) fornendo dati in tempo reale sui livelli di glucosio. Tuttavia, la complessità dei dati CGM pone sfide per l'interpretazione clinica e le informazioni attuabili. Questa tesi esplora l'applicazione di modelli linguistici di grandi dimensioni (LLMs) per facilitare l'analisi dei dati CGM, con l'obiettivo di migliorare il processo decisionale clinico nella gestione del T1D. Lo studio cerca di riassumere il profilo ambulatoriale del glucosio (AGP), che contiene metriche e modelli essenziali dalle letture di CGM, in riassunti pronti all'uso. Il modello BioMistral di Hugging Face, un LLM all'avanguardia progettato per applicazioni biomediche, viene impiegato a tal fine. Estraendo le metriche cliniche rilevanti dai dati del glucosio e progettando i prompt ad hoc per il LLM, miriamo a replicare l'analisi clinica del AGP e a presentarla in un modo semplificato. Con l'aiuto di partner clinici, abbiamo valutato l'efficacia e la sicurezza dei sommari per la pratica clinica. Questo sistema di analisi automatizzato può migliorare l'accuratezza e l'efficienza della gestione del glucosio, offrendo ai medici uno strumento potente per supportare la cura dei pazienti. L'integrazione di BioMistral nella pratica clinica ha il potenziale per migliorare la gestione del T1D, fornendo una soluzione scalabile e basata sui dati per una migliore interpretazione dei risultati dei pazienti.

Continuous glucose monitoring (CGM) has revolutionized the management of Type 1 Diabetes (T1D) by providing real-time data on glucose levels. However, the complexity of CGM data presents challenges for clinical interpretation and actionable insights. This thesis explores the application of large language models (LLMs) to facilitate the analysis of CGM data, aiming to enhance clinical decision-making in T1D management. The study seeks to summarize the Ambulatory Glucose Profile (AGP), which contains essential metrics and patterns from CGM readings, into ready-to-use summaries. The BioMistral model from Hugging Face, a cutting-edge LLM designed for biomedical applications, is employed for this purpose. By extracting relevant clinical metrics from glucose data and designing ad-hoc prompts for the LLM, we aim to replicate the clinical analysis of the AGP and present it in a simplified manner. With the help of clinical partners, we evaluated the effectiveness and safety of the summaries for clinical practice. This automated analysis system can improve the accuracy and efficiency of glucose management, offering clinicians a powerful tool to support patient care. The integration of BioMistral into clinical practice has the potential to enhance T1D management, providing a scalable, data-driven solution for better interpretation of patient outcomes.