“Confronto di algoritmi per il calcolo della metrica di variabilità glicemica MAGE da dati di monitoraggio continuo del glucosio”

Il diabete mellito è una malattia, di carattere multifattoriale, molto diffusa ed è dovuta a difetti nell’attività dell’insulina, ormone prodotto dal pancreas. La terapia tradizionale tende a mantenere l’euglicemia cioè livelli di glucosio compreso tra 80 e 120 mg/dL. La modalità di misurazione comune consiste nello SMBG (Self Monitoring Blood Glucose) con le cosiddette penne pungi-dito; tuttavia tale strumento risulta invasivo ed è limitato a poche letture al giorno. Per risolvere questo problema la tecnologia ha sviluppato dei dispositivi per il monitoraggio continuo del glucosio (Continuous Glucose Monitoring, CGM) con l'opportunità di caratterizzare quantitativamente l'andamento della glicemia sulla base delle sue proprietà dinamiche. Proprio a questo scopo, sono stati proposti in letteratura molteplici indici di variabilità glicemica, la maggior parte di essi si sono dimostrati sensibili ad alterazioni del metabolismo, al diabete e al suo stato di avanzamento. Nonostante questo, nessuno di essi, è emerso come gold standard da affiancare alla misurazione di laboratorio dell'emoglobina glicata (HbA1c) o all' OGTT (Oral Glucose Tolerance Test) per la diagnosi del diabete di tipo 2 o di stati metabolici ad esso correlati come l’IGT (Impaired Glucose Tolerance). Nel seguente studio è stata posta l’attenzione sull’indice MAGE quindi sull’ampiezza media delle escursioni glicemiche significative come possibile predittore delle complicanze del diabete. Per il calcolo di tale metrica le implementazioni possono generare o meno una rappresentazione grafica ma quest’ultima è fondamentale per verificare la correttezza dei risultati. Lo studio qui riportato ha riguardato dati CGM di 6 pazienti presenti nel progetto D1NAMO il cui obbiettivo è quello di fornire una gestione non invasiva del diabete tramite l’analisi di segnali fisiologici di vario tipo, informazione sui pasti e livelli di glucosio dei soggetti. Di seguito sono stati analizzati e implementati nell’ambiente di lavoro MATLAB R2021b diversi algoritmi per il calcolo di MAGE: due approcci relativi all’algoritmo di Baghurst, i quali hanno fornito risultati compresi nel range 7.2-14.0 mmoli/L, l’algoritmo di Fritzsche con valori dell’indice nell’intervallo 5.8-9.3 mmoli/L e l’approccio classico manuale di Service con valori compresi tra 6.0-9.8mmoli/L. Tali risultati di MAGE sono poi stati confrontati, anche con analisi statistiche, con quelli proposti da applicazioni software come GVAP e cgmanalysis per quanto concerne gli algoritmi di Baghurst (valori compresi tra 3.6-10.9 mmoli/L). Glycalculator, EasyGV, CGMStats Analyser ed iglu hanno invece prodotto valori MAGE nel range 4.1-12.4 mmoli/L implementando il metodo di Service. Dall’ analisi statistica è stato possibile concludere che i valori di MAGE ottenuti in MATLAB non sono statisticamente diversi da quelli ricavati attraverso i software sopra citati.