Identificazione dello stato di prediabete a partire da dati di monitoraggio continuo del glucosio mediante reti neurali ricorrenti LSTM

L'identificazione precoce dello stato di prediabete è una sfida cruciale per prevenire l'insorgere del diabete di tipo 2, una delle patologie più diffuse al mondo. In questo lavoro si propone un modello predittivo basato su reti neurali profonde, in particolare su una Long Short-Term Memory (LSTM) bidirezionale, per la classificazione dello stato di prediabete a partire da dati di monitoraggio continuo del glucosio (CGM). A differenza di altri studi analoghi, dove è presente l'utilizzo di indici di variabilità glicemica o altre features, il modello qui presentato utilizza direttamente i dati estrapolati dai tracciati CGM. L’analisi ha impiegato dati CGM relativi a 30 soggetti (20 sani e 10 a rischio prediabete) durante specifici pasti standardizzati. Sono state condotte quattro prove sperimentali con differenti subset dei dati. I risultati mostrano che l’accuratezza del modello dipende fortemente dalla lunghezza e dalla ricchezza informativa dei tracciati: i dati più completi hanno consentito di raggiungere una buona accuratezza (0,78) e capacità discriminativa (AUC-ROC 0,72), mentre l’uso di tracciati più brevi ha comportato un sensibile calo delle prestazioni. Questo studio conferma il potenziale del deep learning nell’analisi di dati CGM per applicazioni di medicina predittiva e supporto alla decisione clinca, evidenziando però la necessità di disporre di dataset ampi e completi per ottenere modelli robusti. Si suggerisce infine l’integrazione di tecniche di data augmentation, come l’uso di reti generative (GAN), per ampliare i dati disponibili e migliorare l’addestramento dei modelli.