L’analisi continua del glucosio basata sull’apprendimento automatico mostra risultati promettenti per guidare la gestione personalizzata del diabete
Un nuovo approccio automatico di classificazione dei dati grezzi dal monitoraggio continuo del glucosio (CGM) si è dimostrato fattibile e mostra il potenziale per guidare la gestione del glucosio tra i pazienti con diabete, secondo un recente studio in Health Data Science .
I recenti progressi nei dispositivi CGM consentono ai pazienti diabetici di monitorare i cambiamenti in tempo reale del glucosio e l’effetto dell’intervento sulla dieta e sullo stile di vita e dei farmaci sui loro livelli di glucosio . Questo sta rivoluzionando il modo in cui medici e pazienti possono collaborare per migliorare i risultati sanitari e la qualità della vita attraverso la personalizzazione del trattamento. Sebbene le letture dei dispositivi di monitoraggio del glucosio possano essere prontamente disponibili per l’interpretazione del paziente e del medico, il processo può richiedere molto tempo, essere complesso e inefficiente. Inoltre, problemi tecnici con la struttura dei dati, inclusa la tempistica irregolare delle registrazioni e la complessità delle letture, sfidano l’analisi a livello di coorte.
L’estrazione di misurazioni chiave potrebbe consentire ai medici di interpretare i dati in modo più rapido e accurato per migliorare la qualità dell’assistenza fornita. Ciò può essere ottenuto consentendo analisi più efficienti e più approfondite delle strategie di successo e mirando a interventi specifici sui pazienti che molto probabilmente trarranno beneficio da tali strategie, afferma Kyle Xin Quan Tan, medico di NOVI Health, Singapore.
“A tal fine, abbiamo sviluppato un modo per ridurre la complessità delle misurazioni continue del glucosio a un insieme più piccolo e distillato di misurazioni che incapsulano gli aspetti più importanti dei record di un paziente”, afferma Sue-Anne Toh, autrice e dottoressa di NOVI Health, Singapore e l’Università Nazionale di Singapore. “In un caso d’uso, abbiamo dimostrato l’esistenza di quattro ‘glucotipi’, gruppi di pazienti le cui misurazioni del glucosio mostrano dinamiche diverse nel corso della giornata”.
Collegati ai modelli di risposta glicemica comunemente osservati, i glucotipi sono stati associati a implicazioni cliniche in molte indagini. Inoltre, la capacità di assegnare rapidamente le persone a una di queste categorie può servire come base per uno stile di vita personalizzato e consigli medici.
“Il nuovo progresso che questo documento documenta è il mezzo per comprimere le letture CGM in un sottoinsieme più piccolo di misurazioni chiave e per semplificare ulteriormente le misurazioni chiave in un piccolo numero di glucotipi”, afferma Alex R Cook, professore associato presso la National University of Singapore. La combinazione di caratteristiche glicemiche e un algoritmo di classificazione automatizzato senza supervisione può far avanzare la stratificazione sistematica del rischio, l’intervento e la gestione del diabete.
Spiega inoltre che questo processo può facilitare altre analisi statistiche, come valutare se particolari farmaci o cambiamenti nello stile di vita hanno un effetto più pronunciato su determinati glucotipi.
Il team di ricerca è un mix di accademici e medici che utilizzano frequentemente la tecnologia CGM nella loro pratica clinica. Ciò consente di tradurre più facilmente nella pratica i risultati della ricerca, ad esempio incorporando questi metodi di classificazione negli strumenti di gestione dei pazienti.
I prossimi passi saranno basarsi sul lavoro per tenere conto di altre variabili, come i tempi dei pasti per aiutare l’accuratezza dei pasti e altre modifiche nel ridurre l’entità delle escursioni glicemiche. Inoltre, l’automazione del feedback personalizzato guidato dalle escursioni del glucosio è un’area per studi futuri. Alla fine, il team spera di sviluppare un modello in grado di abbinare i glucotipi con i farmaci e gli interventi ideali per il massimo impatto. Le loro relazioni possono anche essere studiate longitudinalmente per sviluppare e validare interventi specifici per glucotipo .
Ulteriori informazioni: Yinan Mao et al, Stratificazione di pazienti con diabete utilizzando profili di monitoraggio continuo del glucosio e apprendimento automatico, Health Data Science (2022). DOI: 10.34133/2022/9892340