Diabete tipo 1, un modello di IA prevede glicemia e rischio di ipoglicemia

Il controllo glicemico nelle persone con diabete mellito di tipo 1 è caratterizzato da una variabilità complessa, influenzata da dosi di insulina, assunzione di carboidrati, attività fisica e ritmi circadiani. Le soluzioni di deep learning disponibili affrontano di solito la previsione della glicemia e la rilevazione dell’ipoglicemia come compiti separati, con un livello di trasparenza limitato. Il modello GAT BiGRU nasce per superare questa frammentazione, proponendo un framework esplicabile e multi task capace di integrare previsione glicemica, valutazione del rischio ipoglicemico e suggerimenti controfattuali di aggiustamento insulinico.

Il sistema trasforma le serie temporali del monitoraggio continuo del glucosio in un grafo temporale k neighborhood, in cui ogni punto della curva glicemica diventa un nodo arricchito da caratteristiche multimodali. L’encoder basato su Graph Attention Network esegue un passaggio di messaggi multi head lungo gli archi storici, mentre un modulo BiGRU con meccanismi di attenzione cattura dipendenze più estese nel tempo. La valutazione è stata condotta sui dataset OhioT1DM e BrisT1D, utilizzando metriche di rischio ipoglicemico e Time in Range predetto. A completare il modello, un modulo controfattuale genera retrospettivamente aggiustamenti di insulina basale e prandiale entro limiti definiti, sfruttando parametri individuali come Insulin to Carbohydrate Ratio e Insulin Sensitivity Factor. La componente di interpretabilità è garantita da GNNExplainer, che evidenzia i nodi e le relazioni più rilevanti per ciascuna previsione.

I risultati mostrano prestazioni elevate. Nel dataset OhioT1DM il modello raggiunge una precision recall AUC per l’ipoglicemia pari a 0,93, un errore assoluto medio di 9,40 mg/dL, un RMSE di 15,8 mg/dL, un MARD del 6,01% e un Time in Range predetto del 71,39%. Nel dataset BrisT1D le performance rimangono solide, con PR AUC 0,98, MAE 9,36 mg/dL, RMSE 15,3 mg/dL, MARD 7,55% e TIR predetto 64,78%. Il modulo insulinico fornisce raccomandazioni soggettive e controllate, suggerendo in media incrementi basali dell’ordine del 10% e aggiustamenti prandiali personalizzati.

Il framework GAT BiGRU dimostra come la combinazione di ragionamento su grafi temporali, modellazione sequenziale e strumenti di interpretabilità possa migliorare la precisione delle previsioni glicemiche e la valutazione del rischio ipoglicemico. L’approccio offre un supporto decisionale personalizzato e rappresenta un passo avanti verso sistemi di gestione automatizzata del glucosio più trasparenti e affidabili.

J Am Med Inform Assoc. 2026 Jun 18:ocag104. doi: 10.1093/jamia/ocag104.
https://pubmed.ncbi.nlm.nih.gov/42314749/