Description du projet
Prévention du diabète de type 2: une technologie portable avec apprentissage automatique basé sur la physique
L’intolérance au glucose, avec ou sans intolérance au glucose à jeun, est une manifestation de ce que l’on appelle le prédiabète qui peut être inversée sans recourir à des médicaments soumis à prescription pour prévenir l’évolution vers le diabète de type 2 (DT2). S’appuyant sur des modèles mathématiques propres au patient développés dans le cadre du projet MISSION-T2D financé par l’UE, la PME italienne Spindox Labs mettra au point un prototype d’outil pour prédire en temps réel le risque prédiabétique grâce au projet PRAESIIDIUM financé par l’UE. Ces modèles simulent le métabolisme, la production d’hormones du pancréas, les métabolites du microbiome, le processus inflammatoire et la réponse du système immunitaire. Le nouvel algorithme de prédiction, qui repose sur l’apprentissage automatique basé sur la physique et combine le modèle avec des données réelles, sera testé à l’aide de capteurs portables. Sa réussite pourrait empêcher le développement du DT2 chez des centaines de millions de personnes dans le monde.
Objectif
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).
Champ scientifique
Programme(s)
Régime de financement
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinateur
38123 Trento
Italie