Il diabete e altre condizioni croniche come il cancro o le malattie cardiovascolari richiedono una gestione a vita.
Negli ultimi anni, i pazienti e gli operatori sanitari hanno adottato una serie di dispositivi indossabili come monitor della glicemia, tracker di attività , cardiofrequenzimetri e pulsossimetri per monitorare e gestire queste condizioni in modo più efficace. Questi dispositivi sono anche una ricca fonte di dati che possono essere analizzati per comprendere meglio i fattori ei comportamenti che portano a migliori risultati sulla salute .
“Ma sono ampiamente sottoutilizzati”, afferma Temiloluwa Prioleau, assistente professore di informatica e co-direttore dell’Augmented Health Lab, che si concentra sul colmare questo divario.
I sensori onnipresenti, che monitorano i dati e i comportamenti relativi alla salute durante la giornata delle persone, potrebbero davvero essere la chiave per comprendere e informare le buone pratiche di gestione, afferma Prioleau. La sfida principale risiede nell’estrazione di informazioni significative dal diluvio di dati che questi dispositivi raccolgono.
In un recente studio pubblicato su npj Digital Health , Prioleau e la studentessa laureata in informatica Abigail Bartolome utilizzano tecniche di apprendimento automatico per affrontare il problema. Estraggono i dati dai monitor continui della glicemia e dalle pompe per insulina, che sono dispositivi utilizzati dalle persone con diabete, per apprendere i modelli nei dati e capire quali esiti del diabete sono correlati a questi modelli.
Ad esempio, nel loro studio scoprono che quando i livelli di glucosio di un paziente sono nell’intervallo target per più del 70% un giorno, hanno una maggiore probabilità di rimanere all’interno dell’intervallo anche per gran parte del giorno successivo. La possibilità di un buon risultato per il giorno successivo era ancora più alta quando le dosi di insulina durante i pasti rientravano nell’intervallo osservato.
Questi risultati sono intuitivi e in linea con i risultati del lavoro precedente che coinvolgeva i predittori del controllo della glicemia, afferma Bartolome. Lo studio dimostra che la loro struttura computazionale estrae con successo i biomarcatori digitali, fattori quantificabili che catturano i comportamenti di gestione della salute e predicono i risultati futuri, da più flussi di dati relativi a condizioni come il diabete.
“Ora possiamo collegare altri dati sullo stile di vita e sulle attività con le informazioni di cui disponiamo per ottenere approfondimenti più ricchi e più sfumati sui comportamenti quotidiani che possono portare a un controllo del glucosio buono o scarso”, afferma Bartolome.
È attualmente in corso uno studio sugli utenti che integra i dati dei tracker di attività che registrano il conteggio dei passi, il sonno e altre informazioni nel mix per identificare i biomarcatori collegati alle decisioni quotidiane delle persone.
Forti delle informazioni raccolte dai dati, i ricercatori sperano di supportare la gestione personalizzata del diabete, non solo per le persone che utilizzano dispositivi indossabili, ma anche per coloro che non hanno accesso ad essi.
“La visione a lungo termine”, afferma Prioleau, “è quella di favorire le persone che non hanno accesso a tecnologie avanzate per il diabete”.
Ulteriori informazioni: Abigail Bartolome et al, Un quadro computazionale per la scoperta di biomarcatori digitali del controllo glicemico, npj Digital Medicine (2022). DOI: 10.1038/s41746-022-00656-z