Predizione della clearance dell'insulina tramite tecniche di machine learning

Secondo il Ministero della salute, gli italiani affetti da diabete di tipo 2 sono circa il 6% della popolazione, cioè quasi 4 milioni di persone. Si stima, tuttavia, che a questo numero possa aggiungersi circa 1,5 milioni di persone che hanno la malattia ma ancora non lo sanno. Il ruolo della clearance dell’insulina nonostante la sua importanza nel deterioramento della tolleranza al glucosio è stato sottovalutato e quindi scarsamente indagato. Diversi studi hanno identificato una clearance dell’insulina difettosa come un fattore critico nella sindrome metabolica, termine medico che si usa per indicare una combinazione di diabete, pressione alta ed obesità. Sono tutti e tre fattori di rischio cardiovascolari, ma quando presenti in contemporanea il rischio risulta ancora più aumentato rispetto alle singole condizioni. Stimare la clearance dell’insulina in soggetti sani e/o malati può quindi dare importanti informazioni sulla storia diabetica dell’individuo, in quanto un’alterata clearance dell’insulina potrebbe essere causa di un aumento del rischio di diabete di tipo 2. Per fare ciò esistono diversi metodi, empirici e basati su modelli matematici. Il machine learning può dimostrarsi efficace in questo campo, in quanto creare un modello che riesca a prevedere e stimare la clearance dell’insulina di un soggetto tramite caratteristiche misurabili in modo non invasivo agevolerebbe il controllo e monitoraggio del diabete di tipo 2. L’obiettivo di questa tesi è stato utilizzare tecniche di machine learning per predire, dato un dataset contenente dati di pazienti con diabete e sani, delle features caratterizzanti la clearance dell’insulina, quali la clearance dell’insulina epatica e clearance dell’insulina extra-epatica. Sono stati utilizzati due algoritmi, il Random Forest e l’Ada Boost e tramite la feature selection si sono ottenute le features significative per la clearance epatica, ovvero l’area sotto la curva dell’insulina totale, indice di massa corporea, il picco insulinico dopo l’iniezione di glucosio e la secrezione totale, ottenendo un’errore tra valori osservati e valori predetti del 5,1% per il modello allenato tramite Random Forest e del 5.7% per quello allenato tramite Ada Boost. Per la clearance extra- epatica le features significative sono la velocità di scomparsa del glucosio dopo l’infusione di insulina, il picco insulinico dopo l’iniezione di insulina, l’area sotto la curva dell’insulina totale e l’area sotto la curva del C-peptide medio, ottenendo un’errore del 11% per il modello allenato tramite Random Forest e del 9% per quello allenato tramite Ada Boost. Si è concluso che l’indice di massa corporea e la velocità di scomparsa del glucosio dopo l’infusione di insulina, insieme alle altre features, potrebbero predire la clearance dell’insulina.