Descrizione del progetto
Prevenire il diabete di tipo 2: una tecnologia indossabile con apprendimento automatico fisicamente informato
L’alterata tolleranza al glucosio, con presenza o meno di alterata glicemia a digiuno, è una manifestazione del cosiddetto prediabete, una condizione che è possibile invertire senza assumere farmaci che richiedono prescrizione medica per impedire la progressione verso il diabete di tipo 2 (T2D, type 2 diabetes). Partendo da modelli matematici specifici per paziente sviluppati nell’ambito del progetto MISSION-T2D, finanziato dall’UE, la PMI italiana Spindox Labs elaborerà uno strumento prototipo per la previsione in tempo reale del rischio prediabetico nel quadro del progetto PRAESIIDIUM, anch’esso finanziato dall’UE. I modelli simulano il metabolismo, la produzione di ormoni del pancreas, i metaboliti del microbioma, il processo infiammatorio e la risposta del sistema immunitario. Il nuovo algoritmo di previsione, basato su un metodo di apprendimento automatico fisicamente informato che combina i modelli con dati reali, verrà sperimentato mediante l’impiego di sensori indossabili. Il successo di questa soluzione potrebbe consentire di impedire lo sviluppo di centinaia di milioni di casi di T2D a livello mondiale.
Obiettivo
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).
Campo scientifico
Programma(i)
Argomento(i)
Meccanismo di finanziamento
HORIZON-RIA - HORIZON Research and Innovation ActionsCoordinatore
38123 Trento
Italia