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.