Rilevamento di occlusioni nel microinfusore di insulina con approcci di anomaly detection unsupervised e weakly-supervised.

Questa tesi affronta il problema del riconoscimento delle occlusioni del microinfusore di insulina nei pazienti con T1D. Questa condizione può compromettere la gestione della malattia e la qualità della vita dei pazienti. È perciò motivo di interesse individuare tempestivamente l’occorrenza di questi episodi. Pertanto, in questa tesi sono state analizzate strategie data-driven per il riconoscimento di punti anomali. Nello specifico sono stati analizzati algoritmi di anomaly detection per individuare i guasti basati su features estratte da variabili fisiologiche come glicemia, insulina e pasti. I dati su cui è stato eseguito lo studio provengono dalla simulazione di 100 pazienti in terapia con pancreas artificiale (AP) monitorati per 3 mesi ciascuno in cui sono stati ricreati tre episodi di occlusioni in intervalli noti. In una prima fase sono stati testati approcci di anomaly detection unsupervised e supervised, già applicati in letteratura ma su dataset più piccoli. Tuttavia, la principale innovazione è stata l’impego dell’algoritmo weakly-supervised ALIF alla detection di guasti nel microinfusore. Questo algoritmo sfrutta una fase di Active Learning (AL) per migliorare il modello unsupervised in contesti in cui è difficile ottenere etichette per i dati. Questa caratteristica lo rende particolarmente adatto al nostro problema. I risultati mostrati sono molto promettenti individuando il 99% delle occlusioni nell’intera popolazione con un tasso di falsi allarmi (FP) estremamente ridotto (≤ 1 episodio al mese in configurazione conservativa). Questi risultati evidenziano il potenziale di questo approccio, ma studi futuri sono necessari per ottimizzare il processo di active learning e validare il modello su dati reali.