Journal of Diabetes Science and Technology
Background e obiettivi: L'ipoglicemia notturna rappresenta un rischio significativo per le persone con diabete insulino-trattato, impattando sulla salute e sulla qualità di vita. Sebbene i sistemi di monitoraggio continuo della glicemia (CGM) riducano questi rischi, la loro scarsa accuratezza a bassi livelli di glucosio, l'elevato costo e la limitata disponibilità ne ostacolano l'uso diffuso. Questo studio ha esaminato i biomarcatori fisiologici associati all'ipoglicemia notturna e ha valutato l'impiego del machine learning (ML) per rilevare l'ipoglicemia durante il sonno notturno utilizzando dati provenienti da smartwatch destinati al mercato consumer.
Metodi e risultati principali: Lo studio ha analizzato 351 notti di 36 adulti con diabete trattato con insulina, durante le quali i partecipanti hanno indossato due smartwatch insieme ai sistemi CGM. Modelli a effetti misti lineari hanno confrontato il sonno e i segni vitali tra le notti con e senza ipoglicemia, sia nelle prime, che nelle ultime fasi del sonno. È stato inoltre addestrato un modello di ML per rilevare l'ipoglicemia utilizzando esclusivamente i dati degli smartwatch. Sono state registrate 66 notti con ipoglicemia spontanea, rilevando un aumento dei periodi di veglia, della frequenza cardiaca, dei livelli di stress e dell'attività durante le prime fasi del sonno, con effetti meno marcati nelle fasi tardive. Nelle notti in cui l'ipoglicemia si è verificata durante le prime fasi del sonno, il modello di ML ha ottenuto prestazioni paragonabili o superiori agli studi precedenti. L'area sotto la curva ROC è risultata pari a 0,78 per l'ipoglicemia di livello 1 e 0,83 per il livello 2. La sensibilità è stata rispettivamente di 0,78 e 0,89, mentre la specificità è stata di 0,64 per entrambi i livelli. Il valore predittivo negativo è stato di 0,94 per il livello 1 e 0,99 per il livello 2, mentre il valore predittivo positivo è stato di 0,25 e 0,13, rispettivamente.
Conclusioni: Gli smartwatch di uso comune mostrano un potenziale promettente per il rilevamento dell'ipoglicemia notturna, in particolare durante le prime fasi del sonno. Con il miglioramento dei modelli di ML e dell’accuratezza, potrebbero costituire uno strumento a basso costo e facilmente accessibile per integrare i dati del CGM. Una delle principali sfide potrebbe essere rappresentata dalla variabilità della risposta neurovegetativa in soggetti con differente “awareness” per l’ipoglicemia, ma è senz’altro interessante per i clinici che si occupano di tecnologia la prospettiva di allarmi per l’ipoglicemia più accurati e personalizzati, oltre che l’opportunità di avere degli scarichi dati completi delle informazioni raccolte da wearables. E per riprendere il titolo, oltre che per l’ipoglicemia, è anche arrivata l’ora di salutare Antonio, che (piccolo spoiler) lascia questa rubrica… ma non il Journal Club! Ad maiora!
A cura di Ludovico Di Gioia, Mauro Rigato, Antonio Rossi
Mendez C, Kaykayoglu CA et al. Toward Detection of Nocturnal Hypoglycemia in People With Diabetes Using Consumer-Grade Smartwatches and a Machine Learning Approach. : J Diabetes Sci Technol. 2025 Feb 25:19322968251319800. doi: 10.1177/19322968251319800. Epub ahead of print. PMID: 39996274; PMCID: PMC11851596
