Diabetes, Obesity and Metabolism
Background e obiettivo del lavoro: Nonostante lo sviluppo di tecnologie sempre più efficaci nel migliorare il controllo glicemico delle persone con T1D, gli episodi ipoglicemici rappresentano tuttora una causa di incidenti stradali. Obiettivo di questo studio è stato valutare la performance di un sistema di intelligenza artificiale Machine Learning (ML) nell’individuare eventi ipoglicemici attraverso l’analisi dello sguardo e delle alterazioni nei comportamenti alla guida, registrati mediante sistemi automatizzati già forniti da alcune case automobilistiche, Controller Area Network (CAN) ed Eye Tracking (ET).
Metodi e risultati principali: Gli Autori hanno condotto due studi di intervento prospettici, non randomizzati in guidatori attivi con T1D, in buon compenso glicemico e con percezione dell’ipoglicemia conservata: studio 1, disegnato per costruire il modello ML e studio 2, disegnato per testarne l’accuratezza. I partecipanti sono stati sottoposti a test di guida con un simulatore, nel corso dei quali sono stati registrati dati CAN ed ET durante fasi di euglicemia e ipoglicemia (indotta con infusione insulinica ev, con l’obiettivo di raggiungere il range 36-45 mg/dl nello studio 1 e 54-63 mg/dl nello studio 2). I valori glicemici sono stati misurati su sangue venoso a intervalli di 5-10 min. Inoltre, tutti i pazienti indossavano un sistema CGM in cieco (Dexcom G6) e sono stati sottoposti a un questionario di rating dei sintomi associati a ipoglicemia, con la richiesta di stimare i propri valori glicemici. L’outcome primario dello studio era la valutazione dell’accuratezza del ML nell’individuare le ipoglicemie moderate (range 54-63 mg/dl), quantificata come area sotto la curva ROC (AUROC). Diciotto pazienti di età media 32±7 anni con HbA1c media di 7,1±0,6% hanno partecipato allo studio 1 e 9 di età media 48±10 con HbA1c media di 7,3±0,8% allo studio 2. Il modello ML elaborato partendo da oltre 18800 dati ha dimostrato un’elevata accuratezza dell’individuare le ipoglicemie moderate (AUROC 0,83±0,11 con sensibilità pari a 0,71±0,19 e specificità 0,88±0,13). Come atteso, considerando il lag time del sistema CGM, la glicemia media in corso di ipoglicemia in entrambi gli studi è risultata significativamente inferiore rispetto a quella del glucosio interstiziale e i partecipanti hanno sovrastimato i valori glicemici durante le fasi di ipoglicemia.
Conclusioni e commento editoriale: Gli Autori forniscono un proof of concept dell’utilità di un sistema ML costruito per migliorare l’individuazione di eventi ipoglicemici moderati durante la guida. I limiti tecnici dei sistemi CGM al momento disponibili (accuratezza, lag time) e quelli prescrittivi non permettono di prevenire tutti gli episodi che potenzialmente potrebbero causare comportamenti a rischio. L’integrazione tra CGM e algoritmi di intelligenza artificiale potrebbe aumentare la sicurezza alla guida per le persone con T1D. Appare pertanto fondamentale diffondere e incentivare la ricerca in questo specifico ambito della diabetologia.
A cura di Mauro Rigato, Antonio Rossi, Ludovico Di Gioia
Lehmann V, Zueger T, Maritsch M et al. Machine learning for non-invasive sensing of hypoglycaemia while driving in people with diabetes. Diabetes Obes Metab 2023;25:1668–1676. doi: 10.1111/dom.15021
Fai il login per vedere l'articolo originale