Leveraging Bayesian Networks to explore the relationships between maternal characteristics, continuous glucose monitoring data, and neonatal outcomes in pregnancies complicated by gestational diabetes

Gestational diabetes mellitus (GDM) is the most common complication during pregnancy and is associated with adverse pregnancy outcomes as well as long-term maternal and offspring complications. Given its significant impact on the risk of complications for mother and child, monitoring the glucose levels daily is essential. Continuous Glucose Monitoring (CGM) devices enable detailed tracking of blood glucose levels, providing insights into time spent in normoglycemia, hypoglycemia, and hyperglycemia. While this technology has improved glycemic control in type 1 and type 2 diabetes, its impact on neonatal outcomes in GDM has not been comprehensively examined. Moreover, there is limited analysis of how glycemic metrics interact with demographic factors and comorbidities to influence neonatal health in GDM. To address this gap in literature, this thesis employs Bayesian Networks (BNs), a class of probabilistic graphical models, which allow representation of direct dependence and relationships among variables. In conclusion, this study examines the interplay between demographic factors, glucose variability, comorbidities, and neonatal outcomes in GDM patients leveraging BNs with particular emphasis on neonatal hypoglycemia and the need for admission to the Neonatal Intensive Care Unit (NICU).

Il diabete mellito gestazionale (GDM) è la complicanza più comune durante la gravidanza ed è associato a esiti avversi della gravidanza, nonché a complicazioni a lungo termine per la madre e il neonato. Dato il significativo impatto del GDM sul rischio di complicanze per madre e bambino, il monitoraggio quotidiano dei livelli di glucosio è essenziale. I dispositivi di monitoraggio continuo del glucosio (CGM) consentono un tracciamento dettagliato dei livelli glicemici, fornendo informazioni sul tempo trascorso in normoglicemia, ipoglicemia e iperglicemia. Sebbene questa tecnologia abbia migliorato il controllo glicemico nel diabete di tipo 1 e 2, il suo impatto sugli esiti neonatali nel GDM non è stato ancora esaminato in modo esaustivo. Inoltre, vi è un'analisi limitata su come le metriche glicemiche interagiscano con fattori demografici e comorbidità nell'influenzare la salute neonatale nei casi di GDM. Per colmare questa lacuna nella letteratura, questa tesi impiega le Reti Bayesiane (BNs), una classe di modelli grafici probabilistici che consentono di rappresentare le dipendenze dirette e le relazioni tra le variabili. In conclusione, questo studio esamina l'interazione tra fattori demografici, variabilità glicemica, comorbidità ed esiti neonatali nelle pazienti con GDM, sfruttando le BNs, con particolare attenzione all'ipoglicemia neonatale e alla necessità di ricovero in terapia intensiva neonatale (NICU).