Unsupervised automated detection of malfunctions in continuous glucose monitoring sensors

Continuous Glucose Monitoring (CGM) systems play an important role in the management of Type 1 Diabetes (T1D), enabling real time glycemia monitoring and enhancing treatment efficacy. However, CGM devices are prone to malfunctions that can compromise their reliability. This work explores an unsupervised data-driven Anomaly Detection (AD) technique to identify “Dip and Recover” (D&R) events, i.e., Foreign Body Reaction (FBR) related faults, from CGM signals. The Isolation Forest (iForest, IF) algorithm has been applied to detect D&R anomalies on raw current signals from G6 and G7 Dexcom CGM sensors. An comprehensive anomaly detection pipeline is proposed, including the extraction of the features to be used as IF algorithm input and optimal threshold selection employed for the classification of the anomaly scores (AS) generated as output by the IF algorithm. Moreover, two domain adaptation methods, Z-Score Matching (ZSM) and Cumulative Distribution Function Matching (CDFM), are applied to align data distributions across different CGM sensors generations in order to create a larger integrated dataset to work on. The results demonstrate the effectiveness of the proposed approach in detecting D&R faults, with a comparative analysis of performance across G6, G7, and integrated datasets. The best performances achieved are Recall of 83 % and False Positive Rate (FPR) of 17 % with G6 data, Recall of 100 % and FPR of 6 % with G7 data, and Recall 86 % of and FPR of 12 % with ZSM integrated dataset. By leveraging machine learning for anomaly detection in CGM systems, this work aims to contribute to enhancing diabetes management through more accurate and reliable glucose monitoring, ultimately supporting medical decision-making and patient safety.

I sistemi di Monitoraggio Continuo della Glicemia (CGM) svolgono un ruolo fondamentale nella gestione del Diabete di Tipo 1 (T1D), consentendo il monitoraggio in tempo reale della glicemia e migliorando l’efficacia del trattamento. Tuttavia, i dispositivi CGM sono soggetti a malfunzionamenti che possono comprometterne l’affidabilità. Questo lavoro esplora una tecnica data-driven, non supervisionata di Anomaly Detection (AD) per rilevare gli eventi “Dip and Recover” (D&R), ovvero guasti legati alla Reazione da Corpo Estraneo (Foreign Body Reaction, FBR), a partire dai segnali CGM. Per rilevare le anomalie D&R, è stato applicato l’algoritmo Isolation Forest (iForest, IF) nei segnali di corrente provenienti dai sensori CGM Dexcom G6 e G7. È stata sviluppata una pipeline per il rilevamento delle anomalie, che comprende l’estrazione delle features da utilizzare come input per l’algoritmo IF e la selezione ottimale della soglia impiegata per la classificazione degli anomaly scores (AS) generati in output dall’algoritmo stesso. Inoltre, sono stati applicati due metodi di domain adaptation, Z-Score Matching (ZSM) e Cumulative Distribution Function Matching (CDFM), per allineare le distribuzioni dei dati tra diverse generazioni di sensori CGM, al fine di creare un dataset integrato più ampio su cui lavorare. I risultati dimostrano l’efficacia dell’approccio proposto nell’individuazione dei guasti D&R, con un’analisi comparativa delle prestazioni sui dataset G6, G7 e integrato. Le migliori prestazioni ottenute sono Recall dell'83% e False Positive Rate (FPR) del 17% con i dati G6, Recall del 100% e FPR del 6% con i dati G7, e Recall dell'86% e FPR del 12% con il dataset integrato tramite ZSM. Sfruttando tecniche di machine learning per il rilevamento delle anomalie nei sistemi CGM, questo lavoro mira a contribuire al miglioramento della gestione del diabete, attraverso un monitoraggio della glicemia più accurato e affidabile, supportando così il processo decisionale medico e la sicurezza del paziente.