PREDIZIONE DELLE IPOGLICEMIE DA ESERCIZIO FISICO NEL DIABETE DI TIPO 1: CONFRONTO TRA APPROCCI DI MACHINE LEARNING BASATI SU FEATURES E APPROCCI DI DEEP LEARNING APPLICATI A DATI DA MONITORAGGIO CONTINUO DEL GLUCOSIO

Exercise-induced hypoglycemia represents the most significant risk for individuals with type 1 diabetes (T1D). This physical condition often limits participation in physical activity, preventing patients from benefiting from its positive effects. Currently, one of the most widely used systems for managing T1D is continuous glucose monitoring (CGM) devices, which are capable of providing real-time alerts for glucose levels that are too high or too low. Although these systems are now widely adopted, they still lack algorithms that effectively adapt to physical exercise conditions to provide user guidance and prevent hypoglycemic episodes. Artificial intelligence techniques, such as deep learning (DL) and machine learning (ML), offer promising prospects for developing functional predictive models in the clinical setting and for decision support. In this study, CGM data collected prior to controlled treadmill exercise sessions were analyzed with the ultimate goal of comparing the performance of a DL model — based on training a Bi-LSTM (Bidirectional Long Short-Term Memory) neural network on raw data — with that of an ML model trained on features extracted from the same CGM data. The analysis includes 47 recordings from young T1D patients, divided into two classes: HYPO and NO-HYPO, based on the occurrence of post-exercise hypoglycemic episodes. The Bi-LSTM model was evaluated using a leave-one-out cross-validation method, and to balance the dataset — thus improving model generalization — data augmentation techniques were applied. The model comparison showed that the Bi-LSTM achieved better performance in terms of specificity (76.92%), while ML approaches stood out for their higher sensitivity (85.5%). Both strategies proved effective in predicting exercise-induced hypoglycemic events in T1D patients, offering different yet complementary approaches that could potentially be integrated in the future to develop clinical decision support systems.

L’ipoglicemia indotta da esercizio fisico rappresenta il rischio più rilevante per le persone con diabete di tipo 1 (T1D). Spesso, questa condizione fisica limita la partecipazione all’attività fisica impedendo ai pazienti di beneficiare degli effetti positivi che quest’ultima fornisce. Attualmente, uno dei sistemi maggiormente utilizzati per la gestione del T1D è rappresentato dai dispositivi di monitoraggio continuo della glicemia (CGM) che sono in grado di fornire avvisi sui livelli glicemici troppo alti o bassi in tempo reale. Sebbene questi sistemi siano ormai largamente diffusi, non sono ancora dotati di algoritmi che si adattino efficacemente alle condizioni di esercizio fisico per fornire indicazioni all’utente e prevenire l’occorrenza di episodi ipoglicemici. Tecniche di intelligenza artificiale, come il deep learning (DL) e il machine learning (ML), offrono delle prospettive promettenti per realizzare dei modelli predittivi funzionali in ambito clinico e utili al supporto decisionale. In questo studio, sono stati analizzati dati CGM raccolti prima di sessioni di esercizio controllato su un tapis-roulant con l’obiettivo ultimo di confrontare le performance di un modello DL basato sull’addestramento di una rete neurale Bi-LSTM (Bidirectional Long Short-Term Memory) sui dati grezzi, con quelli di un modello ML addestrato su feature estratte dagli stessi dati CGM. L’analisi include 47 registrazioni di giovani pazienti con T1D, suddivise in due classi: HYPO e NO-HYPO, in base all’occorrenza di episodi ipoglicemici post-esercizio. Il modello BI-LSTM è stato valutato con un metodo di validazione incrociata leave-one-out e, al fine di bilanciare il dataset – e quindi migliorare la generalizzazione del modello – sono state usate tecniche di data augmentation. Il confronto tra i modelli ha mostrato come il Bi-LSTM ha ottenuto prestazioni migliori in termini di specificità (76,92%), mentre gli approcci di ML si sono distinti per la maggiore sensibilità (85,5%). Entrambi le strategie si sono dimostrate efficaci nella previsione delle crisi ipoglicemiche da esercizio fisico nei pazienti con T1D, offrendo approcci differenti e complementari e potenzialmente integrabili in futuro per sviluppare sistemi di supporto clinico.