Sviluppo di un metodo di machine learning per la selezione di metriche da monitoraggio continuo del glucosio in grado di discriminare la presenza di ipotiroidismo in individui con diabete di tipo 1

Il diabete mellito e le malattie croniche della tiroide sono tra le malattie endocrine più diffuse al mondo e spesso sono presenti come morbosità nello stesso soggetto. In particolar modo, l’ipotiroidismo è la forma più comune di disfunzione tiroidea nei pazienti diabetici, con una prevalenza del 5.7%. Recenti studi hanno inoltre dimostrato che il diabete mellito di tipo 1 è uno dei fattori di rischio per lo sviluppo dell’ipotiroidismo (IPTD). Questo studio è stato effettuato con l’obiettivo di portare allo sviluppo di un modello in grado di classificare correttamene, partendo dai tracciati di glicemia dei pazienti con Diabete Mellito di Tipo 1 (DMT1), i soggetti con ipotiroidismo. Per fare ciò sono stati sfruttati gli algoritmi di machine learning supervisionato, a cui sono stati forniti in ingresso i dati relativi a 79 soggetti con DMT1 prelevati dal database della campagna REPLACE_BG. Di questi 79 soggetti, 28 presentavano solo DMT1 e 51 invece anche ipotiroidismo. Nello specifico, i dati utilizzati per creare il modello erano costituiti dai tracciati glicemici acquisiti ogni cinque minuti da Monitoraggio in Continuo del Glucosio (CGM) Dexcom durante un monitoraggio continuo di 26 settimane. Per ottimizzare il funzionamento del machine learning i tracciati glicemici sono stati precedentemente pre-elaborati e da essi sono state selezionate 41 features grazie all’utilizzo delle funzioni apposite fornite dal software AGATA. Sfruttando poi il toolkit ORANGE, sono state ulteriormente selezionate, attraverso l’applicazione dell’Albero Decisonale, le otto features determinate fondamentali per la definizione del modello: sdwIndex, aucGlucose, jIndex, mageIndex, igc, cogi, conga e stdGlucoseROC. Tutte queste features, fatta eccezione per cogi, descrivono la variabilità del tracciato glicemico dei soggetti: questo risultato suggerisce quindi un possibile collegamento con la patologia dell’ipotiroidismo. Grazie all’utilizzo di un approccio al Machine Learning quale l’Albero Decisionale si è creato un modello moderatamente accurato in grado di svolgere quanto richiesto, tale modello mostra prestazioni notevolmente migliori rispetto a quelli ottenuti utilizzando altre tecniche come Random Forest, Adaboost, Gradient Boosting, Naive Bayes e Logistic Regression. In particolar modo il modello con Albero Decisionale mostra valori di AUC pari a 73.3%, CA 0,736, una precisione di 0,818, sensibilità pari a 0,766 e specificità invece 0,68: il modello, quindi, individua in modo abbastanza accurato i soggetti con ipotiroidismo ma risulta più carente invece nella classificazione dei soggetti con solo DMT1. In conclusione, quindi, è stato creato un modello moderatamente accurato per l’individuazione tra i soggetti con DMT1 dei pazienti con ipotiroidismo che può essere considerato una buona base per studi futuri.