Privacy Overview
This website uses cookies to improve your experience while you navigate through the website. Out of these cookies, the cookies that are categorized as necessary are stored on your browser as they are as essential for the working of basic functionalities of the website. We also use third-party cookies that help us analyze and understand how you use this website. These cookies will be stored in your browser only with your consent. You also have the option to opt-out of these cookies. But opting out of some of these cookies may have an effect on your browsing experience. Questo sito Web utilizza i cookie per migliorare la tua esperienza durante la navigazione nel sito Web. Di questi cookie, i cookie classificati come necessari vengono memorizzati nel browser in quanto sono essenziali per il funzionamento delle funzionalità di base del sito Web. Utilizziamo anche cookie di terze parti che ci aiutano ad analizzare e comprendere come si utilizza questo sito Web. Questi cookie verranno memorizzati nel tuo browser solo con il tuo consenso. Hai anche la possibilità di disattivare questi cookie. La disattivazione di alcuni di questi cookie può influire sulla tua esperienza di navigazione.
Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyse the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customised advertisements based on the pages you visited previously and to analyse the effectiveness of the ad campaigns.

No cookies to display.

This content has been archived. It may no longer be relevant

Default Featured Image

In questo articolo è considerato il problema di prevedere i futuri valori di glucosio nel diabete di tipo 1. In particolare, si indaga sul beneficio ricavato dall’ includere l’attività fisica, misurata mediante un dispositivo indossabile immediatamente disponibile, ad altri segnali fisiologici frequentemente usati per predire la concentrazione di glucosio nel sangue, ovvero l’insulina iniettata, l’assunzione di carboidrati e i precedenti campioni di glucosio misurati da un sensore continuo di monitoraggio della glicemia (CGM). 

La derivazione di predittori individualizzati è fondamentale per far fronte alla vasta variabilità inter- e intra-soggetto: l’apprendimento e l’aggiornamento dei modelli specifici del sistema glucosio-insulina e il loro utilizzo per progettare azioni di controllo personalizzate ha il potenziale per migliorare sostanzialmente la qualità della vita dei pazienti. 

Sui dati raccolti da 6 soggetti per 5 giorni, si è identificato un modello di rivestimento di scatola nera che utilizza l’insulina e il pasto come input e il glucosio come output. Il metodo di errore di previsione (PEM) viene utilizzato per la stima dei parametri. Il modello personalizzato viene impiegato per ricavare predittori su misura per i pazienti. 

Questa procedura viene quindi ripetuta utilizzando un ulteriore input fisiologico, che tiene conto dell’attività fisica. L’accuratezza di previsione dei due modelli, inclusa o meno l’attività fisica, è stata confrontata sulla base di due parametri comunemente usati nell’identificazione del sistema, vale a dire coefficiente di determinazione (COD) e errore quadratico medio di radice. 

I modelli identificati con l’attività fisica hanno prestazioni migliori, aumentando la COD previsione 3 per media ± deviazione standard del 18,5% ± 30,1%. è stato confrontato sulla base di due parametri comunemente usati nell’identificazione del sistema, vale a dire coefficiente di determinazione (COD) ed errore quadratico medio di radice. 

Gli autori dell’elaborato appartengono alDepartment of Information Engineering, University of Padova Italy e Center for Diabetes Technology, University of Virginia School of Medicine, USA.

Lo studio è pubblicato nella rivista scientifica IEEE Xplore del 29 ottobre 2018.