Analisi e sviluppo di algoritmi in tempo reale per identificazione automatica dei pasti nel diabete di tipo 1

Il diabete mellito di tipo 1 (T1DM) è una malattia autoimmune caratterizzata dalla distruzione delle cellule β pancreatiche, responsabili della produzione di insulina. In assenza di questa funzione, le persone affette necessitano di una terapia insulinica esogena, basata sulla somministrazione di insulina basale e boli ai pasti. Nonostante i notevoli progressi tecnologici, tale trattamento non riesce a replicare in modo ottimale la regolazione fisiologica della glicemia, esponendo i pazienti al rischio di episodi di ipoglicemia e iperglicemia, che a lungo termine possono favorire lo sviluppo di complicanze croniche. Per supportare la gestione della terapia, negli ultimi anni sono stati sviluppati sistemi di supporto alla decisione che sfruttano i dati forniti dai sensori per il monitoraggio continuo della glicemia (Continuous Glucose Monitoring, CGM). Questi sistemi, tuttavia, richiedono spesso l’inserimento manuale di informazioni fondamentali, come l’orario e il contenuto dei pasti. Tale procedura risulta impegnativa, soggetta a dimenticanze o stime imprecise, con il rischio di ridurne l’efficacia. In questo contesto, l’identificazione automatica e in tempo reale dei pasti rappresenta un obiettivo strategico. Automatizzare questo processo è fondamentale perché riduce l’onere del monitoraggio manuale, limita gli errori dovuti a dimenticanze o stime imprecise e permette un intervento tempestivo, migliorando il controllo glicemico e la qualità della vita dei pazienti. Questa tesi si propone di analizzare e confrontare i principali algoritmi presenti in letteratura per il rilevamento automatico dei pasti, valutandone l’efficacia sia quando si basano esclusivamente sull’informazione glicemica fornita da sensori CGM, sia quando integrano dati esterni, come i diari terapeutici e il segnale della frequenza cardiaca. Tutti gli algoritmi considerati sono stati testati su dati reali provenienti dallo studio Type 1 Diabetes Exercise Initiative, che ha monitorato per circa quattro settimane giovani adulti con T1DM impegnati in attività fisica regolare. Il confronto ha permesso di evidenziare punti di forza e i limiti di ciascun approccio, offrendo una panoramica utile per orientare futuri sviluppi in questo ambito. Inoltre, l’analisi ha incluso anche un’indagine critica delle performance ottenute, valutando possibili cause della diversità delle performance tra soggetti e metodologie diverse, con particolare attenzione alla presenza di segnali rumorosi o anomalie nei dati. Questo ha permesso di riflettere sulla robustezza e sulla generalizzabilità degli algoritmi, valutando se il loro comportamento sia uniforme o influenzato da caratteristiche individuali.