DIGITAL HEALTH TECHNOLOGIES TO IMPROVE DIABETES PREVENTION AND OPTIMIZE THERAPY: FROM MODEL-BASED APPROACHES TO FEATURE-BASED MACHINE LEARNING

Il diabete è una malattia complessa, in aumento, e il cui peso socioeconomico copre il 10% della spesa sanitaria globale. L’obiettivo della ricerca è stato quello di sviluppare tecnologie digitali innovative finalizzate a migliorare la prevenzione della patologia e a ottimizzarne diagnosi e terapia avvalendosi di due fonti di dati metabolici: test di tolleranza al glucosio/pasto (challenge test) e dati di monitoraggio continuo del glucosio (CGM). Per lo sviluppo di tali tecnologie si è seguito un approccio ibrido, definito come feature-based machine learning, che combina metodologie più tradizionali basate su modelli matematici di sistemi fisiologici con approcci più innovativi legati a metodologie di intelligenza artificiale. Per elaborare i dati da challenge test sono stati utilizzati sia modelli matematici sviluppati ex novo che già disponibili, al fine di estrarre parametri aventi chiaro significato fisiologico (biodisponibilità, clearance dell’insulina, sensibilità delle cellule α del pancreas). Nel primo progetto, svoltosi nell’ambito della terapia farmacologica, si è affrontato il problema della quantificazione di insulina esogena che arriva in circolo (biodisponibilità) attraverso un approccio in-silico basato sulla modellizzazione dinamica che ha permesso la stima della biodisponibilità individuale; tale approccio apre nuovi scenari nel campo della medicina di precisione volti a favorire la personalizzazione dei regimi terapeutici. Nel secondo progetto, si è sviluppato un sistema di prevenzione digitale nel campo del diabete gestazionale volto a identificare le donne a maggior rischio di progressione verso il diabete di tipo 2; un risultato importante è stato individuare quali features hanno un ruolo rilevante in tale progressione. Circa i dati CGM, vista la mancanza di linee guida nella loro caratterizzazione, si è svolto un lavoro mirato a standardizzare il calcolo di molteplici features dette “metriche”. Nel terzo progetto quindi il potenziale di tali metriche è stato esplorato nella formulazione di approcci feature-based, gettando le basi per uno strumento di prevenzione e gestione integrato per: i) diagnosi innovativa e identificazione precoce di complicanze (esempio, retinopatia diabetica) ii) previsione di eventi ipoglicemici dovuti a varie cause come emodialisi o esercizio fisico; in quest’ultimo caso è stata formulata una metrica dedicata, denominata HIKE, che classifica il rischio che si verifichi ipoglicemia indotta da esercizio fisico.