Le informazioni contenute in questo sito sono destinate in via esclusiva agli operatori professionali della sanità in conformità all'art. 21 del D.Lgs. 24 febbraio 1997, n. 46 s.m.i e alle Linee Guida del Ministero della Salute del 17 febbraio 2010 e successivo aggiornamento del 18 marzo 2013. AccettoMaggiori informazioni

22 maggio 2017

Sviluppato un algoritmo per la previsione personalizzata della glicemia in relazione all’alimentazione

524_Glicemia

I ricercatori della Columbia University hanno completato un nuovo algoritmo per predire l’impatto di ciascun alimento sulla glicemia di un individuo. L’algoritmo, integrato in un’applicazione elettronica chiamata Glucoracle, è stato creato con l’obiettivo di aiutare le persone affette da diabete mellito di tipo 2 a tenere sotto stretto controllo i propri livelli di glucosio ematico in qualsiasi momento ed istantaneamente, prevenendo così potenziali complicazioni legate alla malattia. L’8% dell’intera popolazione nord americana va incontro ad una morte prematura o ad un peggioramento della loro QoL (Quality of Life) a causa dello sviluppo di un diabete mellito di tipo 2. Il funzionamento di questo modello computazionale personalizzato è suddivisibile in tre differenti fasi, o processi di previsione: nel primo processo è effettuata un’“assimilazione dei dati” (DA) tramite l’impiego di un modello Bayesiano per la rielaborazione delle informazioni relative ai singoli individui; nel secondo avviene una ponderazione degli esiti basata sulla precedente DA; infine, nel terzo processo viene effettuata una regressione del modello Gaussiano dei risultati così ottenuti. Per via dell’importanza associata alla DA, il principale argomento trattato in questo studio è sicuramente il meccanismo di assimilazione dei dati; viene quindi mostrato come la personalizzazione della tecnica si basa sull’uso di modelli meccanicistici modificati con un filtro Kalman e come le previsioni sono confrontate empiricamente con valutazioni della glicemia postprandiale d’individui affetti da diabete mellito di tipo 2. Infine gli autori evidenziano come i risultati ottenuti fino ad ora grazie al semplice utilizzo della DA hanno dimostrato una qualità simile o superiore a quella ottenibile quando l’esame è condotto da uno specialista.

Personalized glucose forecasting for type 2 diabetes using data assimilation

Albers D.J., Levine M., Gluckman B. et al.

PLOS Computationl Biology, Apr 2017

http://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005232#sec020

Articoli correlati