Diabetes Technology and Therapeutics

Background e obiettivo del lavoro: La chetoacidosi diabetica (DKA) è una temibile complicanza acuta del diabete, gravata da un elevato tasso di mortalità. Scopo di questo lavoro è lo sviluppo di algoritmi di machine learning in grado di predire il rischio di DKA in pazienti con diabete mellito tipo 1 (DMT1) in base agli andamenti del monitoraggio in continuo del glucosio (CGM).
Metodi e risultati principali: Si tratta di una sotto-analisi dello studio iDCL (The International Diabetes Closed 1 Loop trial: Clinical Acceptance of the Artificial Pancreas) che ha incluso 138 pazienti con DMT1 in terapia con sistema HCL Tandem t:slim X2 con Control-IQ integrato a Dexcom G6. I partecipanti presentavano: età media di 33±16 anni, HbA1c 7,4%±1% e durata mediana del diabete di 17 anni (IQR 8-28). Tutti i pazienti erano istruiti ad effettuare il controllo della chetonemia capillare in caso di glicemia >300 mg/dL. Il principale criterio di inclusione per la presente analisi era la disponibilità di dati CGM nelle 4 ore precedenti la misurazione della chetonemia capillare. È stato elaborato un approccio di machine learning di tipo binario con soglia dicotomica di chetoni fissata a 0,6 mmol/L. L’algoritmo è stato costruito utilizzando i dati del 70% dei pazienti e validato sul restante 30% dei partecipanti. Sono stati confrontati un sistema di classificazione basato sulla regressione logistica (LR) e uno non lineare di tipo random forest (RF). Tra i pazienti inclusi, 913 misurazioni dei chetoni risultavano eleggibili per l’analisi, includendo 273 campioni con chetoni ≥0.6 mmol/L. L’area sotto le curve ROC dei modelli di LR e RF è stata rispettivamente di 0,710 (CI 90%; 0,646–0,770) e 0,836 (CI 90%; 0,783–0,886) con p<0.001.
Conclusioni e commento editoriale: Questo studio suggerisce che l’adozione di modelli di machine learning basati sui dati CGM può rappresentare un valido strumento per predire il rischio di chetosi in corso di iperglicemia nei pazienti affetti da DMT1. Un limite dello studio è dato dal basso numero di eventi di chetosi registrati (n=273) nonostante l’elevato numero di misurazioni glicemiche raccolte (30.000 giorni di CGM). In secondo luogo, sono stati analizzati solo pazienti in alta tecnologia e pertanto mancano dati su casistiche di pazienti in terapia multi-iniettiva che potranno essere colmati con studi futuri.

A cura di Mauro Rigato, Antonio Rossi, Ludovico Di Gioia

Cichosz SL, Bender C et al. Development of Machine Learning Models for the Identification of Elevated Ketone Bodies During Hyperglycemia in Patients with Type 1 Diabetes. Diabetes Technology and Therapeutics. 2024 Jun;26(6):403-410. doi: 10.1089/dia.2023.0531