Pancreas artificiale

RESPONSABILI DELLA RICERCA

Roberto Prevete

Giovanni Annuzzi

Egidio De Benedetto

Team di ricerca

  1. Di Capua. L.Bozzetto

Partenariati e/o collaborazioni in essere (se esistenti)

\

Tipo di attività prevalente 

Accademica con ricadute industriali/applicativa

Ricadute applicative

Medicina predittiva, medicina personalizzata

Descrizione dell'attività di ricerca

Recentemente sono divenuti disponibili per l’utilizzo clinico, in pazienti con diabete tipo 1 (T1D), sistemi a circuito chiuso (pancreas artificiale, PA) costituiti da una pompa tascabile di insulina (microinfusore), un sistema di monitoraggio in continuo della glicemia (CGM) e un sistema di controllo. Nei sistemi PA, il CGM invia continuamente le misurazioni della glicemia al sistema di controllo che calcola, tramite un algoritmo matematico, la dose di insulina che il microinfusore deve infondere per mantenere l’euglicemia. Allo stato attuale i PA funzionano in maniera automatizzata solo in condizioni basali, mentre richiedono l’intervento dell’utilizzatore per la determinazione della dose pre-prandiale di insulina sulla base della quantità di carboidrati del pasto. Ciò implica che il controllo glicemico postprandiale non sempre sia ottimale. Infatti, i carboidrati non sono l’unico determinante della risposta glicemica e mancano allo stato attuale informazioni sull’effetto dei pasti misti, essenziali per la realizzazione di algoritmi predittivi in grado di modulare l’infusione di insulina in risposta ad oscillazioni significative della glicemia.

Pertanto, vengono effettuati due studi principali il primo volto a presentare di quattro algoritmi innovativi per predire la glicemia postprandiale su un orizzonte temporale di 180 minuti dopo il pasto, tenendo conto di altri fattori nutrizionali oltre che la quantità di carboidrati del pasto. In particolare, i nostri algoritmi sono basati su reti neurali FeedForward Multi Layer e reti Long Short-Term Memory con una specifica configurazione degli iperparametri. L'output delle architetture proposte consiste in una curva glicemica prevista. L'algoritmo è stato validato confrontando le previsioni delle reti eseguite su un dataset di test con i valori glicemici misurati registrati dai sistemi Hybrid closed-loop indossati dai pazienti.

Il secondo studio è volto a sviluppare un algoritmo di apprendimento automatico, in particolare un classificatore, in grado di prevedere i livelli di glucosio nel sangue post-prandiale nei pazienti diabetici, classificando i risultati con etichette predefinite e spiegando il motivo della suddetta previsione. L'algoritmo è sviluppato nell'ottica di utilizzare un pancreas artificiale in grado di automatizzare il calcolo della glicemia, la spiegazione dei risultati e il rilascio di insulina.

 

Lo studio è utile non solo per ottenere previsioni corrette riguardo al livello di glucosio nel sangue e quindi una successiva corretta iniezione di insulina calcolata in base alla quantità di glucosio post-prandiale (in particolare fino a tre ore dopo un pasto), ma anche per fare in modo che l'algoritmo sia trasparente e pienamente spiegabile ad un vasto pubblico, grazie alle tecniche di intelligenza artificiale spiegabile che permettono di avere un maggior grado di autonomia e fiducia nell'AI, spiegando ogni risultato spesso per mezzo di vettori di pesi assegnati agli ingressi, poi rappresentati con una heatmap o con un grafico numerico.

 

Lo studio mostra che è possibile prevedere correttamente i livelli di glucosio post-pasto fino a tre ore dopo un pasto con un'accuratezza molto elevata, e che il fattore nutrizionale che ha più peso degli altri (escludendo ovviamente i valori glicemici reali calcolati di qualche minuti prima della previsione), sulla rete la previsione è l'energia in kcal.

 

Stato dell'attività

Avanzata di sviluppo

Numero di pubblicazioni strettamente pertinenti, partecipazioni a convegni/ conferenze:

  1. Esposito C, Escolino M, Saxena A, Montupet P, Chiarenza F, De Agustin J, Draghici IM, Cerulo M, Sagaon MM, Di Benedetto V, Gamba P, Settimi A, Najmaldin A. European Society of Pediatric Endoscopic Surgeons (ESPES) guidelines for training program in pediatric minimally invasive surgery. Pediatr Surg Int. 2015;31(4):367-73. doi: 10.1007/s00383-015-3672-5.
    2. Escolino M, Turrà F, Settimi A, Esposito C. Training for MIS in pediatric urology: proposition of a structured training curriculum. Transl Pediatr. 2016;5(4):315-323. doi: 10.21037/tp.2016.09.07.
    3. Esposito C, Escolino M, Draghici I, Cerulo M, Farina A, De Pascale T, Cozzolino S, Settimi A. Training Models in Pediatric Minimally Invasive Surgery: Rabbit Model Versus Porcine Model: A Comparative Study. J Laparoendosc Adv Surg Tech A. 2016;26(1):79-84. doi: 10.1089/lap.2015.0229.
  2. Esposito C, Masieri L, Castagnetti M, Crocetto F, Escolino M. Letter to the Editor: Robot-Assisted and Minimally Invasive Pediatric Surgery and Urology During the COVID-19 Pandemic: A Short Literature Review. J Laparoendosc Adv Surg Tech A. 2020;30(8):915-918. doi: 10.1089/lap.2020.0251.
  3. Cini C, Bortot G, Sforza S, Mantovani A, Landi L, Esposito C, Escolino M, Masieri L. Paediatric urology practice during COVID-19 pandemic. J Pediatr Urol. 2020;16(3):295-296. doi: 10.1016/j.jpurol.2020.04.023.
  4. Mamone V, Viglialoro RM, Cutolo F, Cavallo F, Guadagni S, Ferrari V. Robust laparoscopic instruments tracking using colored strips, in International Conference on Augmented Reality, Virtual Reality and Computer Graphics, 2017: Springer, pp. 129-143.
  5. Ferrari V, Ferrari M, Mosca F. Video see-through in the clinical practice, in EICS4Med, 2011, pp. 19-24.
  6. Gallo L. Hand shape classification using depth data for unconstrained 3D interaction. Journal of Ambient Intelligence and Smart Environments 2014;6(1): 93-105. doi:10.3233/AIS-130239.
  7. Gallo L. A study on the degrees of freedom in touchless interaction, SIGGRAPH Asia 2013, 19-22. doi:10.1145/2542355.2542390.
  8. Gallo L, Minutolo A. Design and comparative evaluation of Smoothed Pointing: A velocity-oriented remote pointing enhancement technique. International Journal of Human-Computer Studies 2012;70(4):287-300. doi:10.1016/j.ijhcs.2011.12.001.
  9. Gallo L, Placitelli AP, Ciampi M. Controller-free exploration of medical image data: Experiencing the Kinect. In 2011 24th international symposium on computer-based medical systems (CBMS) (pp. 1-6). IEEE
  10. Condino S, Turini G, Parchi PD, Viglialoro RM, Piolanti N, Gesi M, Ferrari M, Ferrari V. How to Build a Patient-Specific Hybrid Simulator for Orthopaedic Open Surgery: Benefits and Limits of Mixed-Reality Using the Microsoft HoloLens. J Health Eng. 2018;2018:5435097. doi: 10.1155/2018/5435097.
  11. Esposito C, Autorino G, Iervolino A, Vozzella E, Cerulo M, Esposito G, Coppola V, Carulli R, Cortese G, Gallo L, Escolino M. Efficacy of a virtual reality program in pediatric surgery to reduce anxiety and distress symptoms in the pre-operative phase. A prospective randomized clinical trial. J Laparoendoscopic Adv Surg Tech. 2021. IN PRESS.

Luogo ove viene svolta principalmente l'attività

\

Print