Il diabete di tipo 1 (T1D) è una patologia cronica causata dall’assenza di produzione di insulina, l’ormone deputato alla regolazione della glicemia nel sangue, da parte delle cellule beta del pancreas. Di conseguenza, gli individui affetti da T1D presentano livelli di glicemia elevati e devono seguire una complessa terapia insulinica esogena per mantenere la glicemia, per quanto possibile, entro un intervallo ottimale, riducendo così il rischio di complicanze a breve e lungo termine. L’identificazione accurata dei pasti e la stima della quantità di carboidrati assunti rappresentano aspetti cruciali nella regolazione della somministrazione del bolo di insulina, necessario per controbilanciare l’aumento della glicemia dovuto al pasto, in particolare nei sistemi automatizzati di pancreas artificiale (AP). Errori nella stima dei carboidrati possono portare a dosaggi insulinici inadeguati, con conseguenti episodi di iperglicemia o ipoglicemia. Questo elaborato si propone di esplorare l’impiego dell’intelligenza artificiale (AI) nei sistemi di supporto decisionale (DSS) applicati alla terapia del T1D, con particolare attenzione agli algoritmi per l’identificazione automatica dei pasti. In seguito ad una panoramica sul diabete di tipo 1, la sua fisiopatologia e le attuali strategie terapeutiche, vengono analizzate le principali tecnologie disponibili per la gestione della patologia, tra cui il monitoraggio continuo della glicemia (CGM) e i sistemi di infusione sottocutanea continua di insulina (CSII). Successivamente, viene approfondito il ruolo dell’intelligenza artificiale nei DSS, illustrando come algoritmi avanzati possano supportare i pazienti nell’ottimizzazione del dosaggio insulinico e nella prevenzione di episodi di ipoglicemia e iperglicemia. L’analisi si concentra su due approcci distinti: un metodo basato su filtri di Kalman e somma cumulativa (CUSUM) e un sistema fuzzy per la stima dei carboidrati ingeriti. Entrambi gli algoritmi vengono valutati in termini di accuratezza nel rilevamento dei pasti, capacità di stima dei carboidrati ed impatto sulla regolazione della glicemia postprandiale. I risultati evidenziano che l’integrazione di moduli di rilevamento automatico dei pasti nei sistemi di somministrazione dell’insulina migliora significativamente il tempo trascorso in euglicemia, riducendo il rischio di iperglicemia postprandiale rispetto agli approcci tradizionali basati sull’annuncio manuale dei pasti. Tuttavia, permangono alcune limitazioni, tra cui il ritardo nel rilevamento e una variabilità nella stima dei carboidrati.
Intelligenza artificiale a supporto della terapia del diabete di tipo 1: applicazione all’identificazione automatica dei pasti
DE BORTOLI, FRANCESCA
2024/2025
Abstract
Il diabete di tipo 1 (T1D) è una patologia cronica causata dall’assenza di produzione di insulina, l’ormone deputato alla regolazione della glicemia nel sangue, da parte delle cellule beta del pancreas. Di conseguenza, gli individui affetti da T1D presentano livelli di glicemia elevati e devono seguire una complessa terapia insulinica esogena per mantenere la glicemia, per quanto possibile, entro un intervallo ottimale, riducendo così il rischio di complicanze a breve e lungo termine. L’identificazione accurata dei pasti e la stima della quantità di carboidrati assunti rappresentano aspetti cruciali nella regolazione della somministrazione del bolo di insulina, necessario per controbilanciare l’aumento della glicemia dovuto al pasto, in particolare nei sistemi automatizzati di pancreas artificiale (AP). Errori nella stima dei carboidrati possono portare a dosaggi insulinici inadeguati, con conseguenti episodi di iperglicemia o ipoglicemia. Questo elaborato si propone di esplorare l’impiego dell’intelligenza artificiale (AI) nei sistemi di supporto decisionale (DSS) applicati alla terapia del T1D, con particolare attenzione agli algoritmi per l’identificazione automatica dei pasti. In seguito ad una panoramica sul diabete di tipo 1, la sua fisiopatologia e le attuali strategie terapeutiche, vengono analizzate le principali tecnologie disponibili per la gestione della patologia, tra cui il monitoraggio continuo della glicemia (CGM) e i sistemi di infusione sottocutanea continua di insulina (CSII). Successivamente, viene approfondito il ruolo dell’intelligenza artificiale nei DSS, illustrando come algoritmi avanzati possano supportare i pazienti nell’ottimizzazione del dosaggio insulinico e nella prevenzione di episodi di ipoglicemia e iperglicemia. L’analisi si concentra su due approcci distinti: un metodo basato su filtri di Kalman e somma cumulativa (CUSUM) e un sistema fuzzy per la stima dei carboidrati ingeriti. Entrambi gli algoritmi vengono valutati in termini di accuratezza nel rilevamento dei pasti, capacità di stima dei carboidrati ed impatto sulla regolazione della glicemia postprandiale. I risultati evidenziano che l’integrazione di moduli di rilevamento automatico dei pasti nei sistemi di somministrazione dell’insulina migliora significativamente il tempo trascorso in euglicemia, riducendo il rischio di iperglicemia postprandiale rispetto agli approcci tradizionali basati sull’annuncio manuale dei pasti. Tuttavia, permangono alcune limitazioni, tra cui il ritardo nel rilevamento e una variabilità nella stima dei carboidrati.File | Dimensione | Formato | |
---|---|---|---|
TESI_DE_BORTOLI.pdf
accesso aperto
Dimensione
1.21 MB
Formato
Adobe PDF
|
1.21 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/82520