Algoritmi di machine learning per la caratterizzazione e predizione di eventi ipoglicemici in individui sottoposti a bypass gastrico utilizzando dati provenienti da dispositivi wearable

L’ipoglicemia post-bariatrica (Post-Bariatric Hypoglycemia, PBH) è una complicanza significativa legata all’intervento di bypass gastrico che impatta notevolmente la qualità di vita e la salute dei pazienti che vi si sottopongono per la perdita di peso. La condizione è caratterizzata da un picco glicemico generalmente più rapido ed elevato dopo i pasti, seguito da un nadir più basso. Nonostante la rilevanza clinica di questo problema, il fenomeno rimane solo parzialmente compreso, e necessita ancora di ulteriore caratterizzazione. Questa tesi pone quindi come obiettivo la caratterizzazione e predizione degli eventi ipoglicemici in soggetti affetti da PBH, sfruttando dati derivanti da tecnologie di monitoraggio in continuo del glucosio (CGM) e dati raccolti da dispositivi wearable. In particolare, il lavoro esplora l’impatto dell’utilizzo della storia glicemica di ciascun soggetto e dell’attività fisica nella predizione delle ipoglicemie. A tale scopo, sono stati utilizzati dati raccolti da 37 pazienti affetti da PBH, monitorati per circa 50 giorni. Partendo dall'analisi del contesto clinico e dello stato dell’arte della predizione delle PBH, il dataset così ottenuto è stato per prima cosa pre-processato. In seguito, è stato definito il framework di estrazione delle features, basato sulla storia glicemica pre-pasto, le caratteristiche postprandiali e dati wearable. Un approccio combinato di analisi statistica e algoritmi di feature selection ha permesso di identificare i set di features ottimali per il training dei modelli. Quindi, definito il problema di classificazione, sia binaria che multi-classe, sono stati implementati alcuni modelli predittivi, quali Logistic Regression, Support Vector Machine (SVM), Random Forest, LightGBM ed XGBoost. L’analisi comparativa dei risultati ha infine dimostrato come l'approccio binario sia risultato significativamente più performante per il problema in esame.