Descripción del proyecto
Prevención de la diabetes de tipo 2: tecnología ponible con aprendizaje automático fundamentado en la física
La alteración de la tolerancia a la glucosa, con o sin disglucemia en ayunas, es un síntoma de la prediabetes que se puede revertir sin el uso de medicamentos de venta con receta para prevenir la progresión a la diabetes de tipo 2 (DT2 o T2D, por sus siglas en inglés). A partir de los modelos matemáticos específicos por paciente creados en el marco del proyecto MISSION-T2D, financiado con fondos europeos, la pyme italiana Spindox Labs desarrollará una herramienta prototipo para la predicción al instante del riesgo de prediabetes a través del proyecto PRAESIIDIUM, financiado con fondos europeos. Los modelos simulan el metabolismo, la producción de hormonas pancreáticas, los metabolitos del microbioma, el proceso inflamatorio y la respuesta del sistema inmunitario. El novedoso algoritmo de predicción, basado en el aprendizaje automático fundamentado en la física y que combina el modelo con datos de la vida real, se probará utilizando sensores ponibles. Si esto tiene éxito, se podría prevenir el desarrollo de la DT2 en cientos de millones de personas en todo el mundo.
Objetivo
The incidence of undiagnosed diabetes accounts for 36% European adults, while 541M adults worldwide have Impaired Glucose Tolerance (IGT), an important risk factor for further T2D development. Both IGT and/or Impaired Fasting Glucose (IFG) are intermediate glucose mishandling (i.e. intermediate conditions in the healthy-T2D transition) and are manifestations of the so-called prediabetes condition. Prediabetes itself is not an extensively studied condition compared to the overt T2D, but it is also a condition that can be reversed without the prescription usage to not proceed into T2D. The aim of our project is to develop a prototype tool for the real-time prediction of the prediabetic risk based on a series of patient-specific mathematical models (firstly developed during the FP7 MISSION-T2D project) that simulate metabolism, pancreas hormone production, microbiome metabolites, inflammatory process and immune system response. The prediction algorithm will be based on a “physics-informed machine learning” approach. A rich dataset of real-life data will be combined with a mathematical model to overcome the limits of a “black-box” ML approach, while reducing the computational time for simulating the solutions of a heavy mathematical models and improving its prediction performances.We will collect the necessary training data (e.g. diet questionnaire, physical activity, blood metabolites and microbiome) from already existing clinical studies (used as retrospective trials) which are representative of the real-life scenarios of a prediabetes/diabetes risk insurgence in adulthood (20-80y): family history, Metabolic Syndrome, Liver disease and obesity. A newly dedicated multicentric pilot prospective observational study will be also performed, during which we will also equip the participants with wearable sensors (e.g. glucose monitoring, bioimpedance, heart rate, accelerometer).
Ámbito científico
Palabras clave
Programa(s)
Convocatoria de propuestas
Consulte otros proyectos de esta convocatoriaRégimen de financiación
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinador
38123 Trento
Italia