Predizione personalizzata del rischio di Retinopatia diabetica mediante modelli auto adattativi applicati a dati da monitoraggio continuo della glicemia

Il monitoraggio continuo dei livelli glicemici in pazienti affetti da diabete mellito è di fondamentale importanza nel contesto della prevenzione dell’eventuale sviluppo delle relative complicanze croniche, e nello specifico, della retinopatia diabetica. L’iperglicemia cronica, infatti, è riconosciuta come il principale fattore responsabile del danno microvascolare retinico, che si rende somaticamente manifesto solo negli stadi più avanzati della malattia. Di qui la necessità di realizzare un modello predittivo in grado di stimare il rischio di sviluppare la retinopatia diabetica da parte di pazienti già affetti da diabete mellito, a partire dall’analisi di misurazioni delle oscillazioni glicemiche. A questi fini, i sensori di monitoraggio continuo del glucosio (CGM) risultano i dispositivi più performanti, in quanto, fornendo valori medi di glucosio interstiziale associati a brevissimi intervalli di tempo, consentono di rilevare le oscillazioni quotidiane di glicemia in relazione alle attività, alla dieta e ai livelli di stress di ciascun soggetto. Lo scopo della tesi è stato quello di sviluppare un sistema basato su dati CGM per classificare lo stato clinico del paziente (sano o con retinopatia) e di utilizzare tecniche di self- adaptation e fine-tuning per tener conto della variabilià intra-soggetto. Il modello predittivo è stato sviluppato a partire da dati di monitoraggio provenienti dal dataset REPLACE-BG, un dataset disponibile online contenente tracciati CGM di soggetti con diabete e dal quale, grazie alla presenza di informazioni cliniche e anagrafiche dei pazienti, e stato possibile ottenere un sottogruppo di soggetti . Tali dati sono stati poi sottoposti ad un algoritmo di machine learning in grado di produrre in uscita la probabilità di appartenenza di ciascuna sequenza temporale di misurazioni CGM, riferite a uno stesso paziente, alla classe positiva (presenza di retinopatia). Al fine di garantire un corretto addestramento del modello, i dati sono stati preliminarmente raggruppati in tre sottoinsiemi di finestre temporali (training, validation, test). Poiché il dataset di addestramento è risultato sbilanciato, è stata adottata una strategia di pesatura delle classi, così da penalizzare maggiormente gli errori sulla minoritaria. Successivamente, per distinguere pazienti inizialmente sani in profili a basso rischio (LR) e ad alto rischio (HR) di sviluppare la retinopatia è stata eseguita una self-adaptation, rafforzata dall’applicazione di un procedimento di fine tuning controllato per garantire una personalizzazione più affinata. Si è osservata una riduzione del numero di falsi positivi da 4 a 0. Dai risultati ottenuti, il modello personalizzato è risultato più specifico nella distinzione tra soggetti malati e soggetti sani rispetto al modello globale, coerentemente con la sensibilizzazione pattern- specifica indotta dal processo di personalizzazione. Una limitazione di questo studio è l’assenza di informazioni di follow-up clinico sull’evoluzione della retinopatia diabetica, che non consente di verificare se i soggetti identificati dal modello come a rischio sviluppino effettivamente la patologia nel tempo. La disponibilità di dati longitudinali futuri consentirà di validare prospetticamente la capacità del modello di anticipare l’insorgenza della patologia, confermando il valore predittivo dei pattern individuati.