Predizione dell’ipoglicemia notturna in bambini affetti da diabete di tipo 1 attraverso l'uso di algoritmi di machine learning

Il diabete di tipo 1 (T1D) rappresenta una delle patologie croniche più comuni in età pediatrica e comporta un’elevata variabilità glicemica che può compromettere la qualità della vita, specialmente a causa delle ipoglicemie notturne. L’esercizio fisico, sebbene benefico per il controllo glicemico a lungo termine, è uno dei principali fattori di rischio per l’ipoglicemia post-esercizio e può avere effetti ritardati difficili da prevedere. In questo contesto, la presente tesi esplora l’applicazione di modelli di machine learning per la predizione del rischio ipoglicemico notturno nei bambini con T1D. Dopo un’introduzione sul diabete e sui sensori per il monitoraggio continuo del glucosio (CGM), vengono descritte le principali tecniche di apprendimento supervisionato, con focus su regressione logistica e random forest. Il lavoro è incentrato su un caso di studio, in cui sono stati analizzati i dati glicemici e fisiologici raccolti durante un campo sportivo di una settimana, con l’obiettivo di prevedere eventi ipoglicemici nel corso della notte (finestra di predizione: 9 ore). I modelli sono stati valutati tramite metriche specifiche (F2 score, F1 score, precisione, sensibilità, specificità, AUC) e i risultati mostrano che l’inclusione di dati fisiologici da dispositivi indossabili può migliorare l’accuratezza predittiva, pur evidenziando i limiti legati alla dimensione ridotta del dataset. La trattazione si conclude con una riflessione critica sui risultati ottenuti e sulle prospettive future, mettendo in luce la necessità di utilizzare set di dati più estesi, l’adozione di approcci personalizzati e l’esplorazione di modelli più avanzati.