REINFORCEMENT LEARNING PER DOSAGGIO OTTIMIZZATO DEL BOLO DI UN MICROINFUSORE INSULINICO

Il trattamento ottimizzato del diabete mellito richiede una gestione precisa del dosaggio di insulina, essenziale per mantenere livelli di glucosio nel sangue stabili. Questo lavoro di tesi pone l’attenzione sull’applicazione del Reinforcement Learning (RL) per il dosaggio ottimizzato del bolo di un microinfusore insulinico, esplorando l’implementazione di algoritmi di apprendimento automatico per migliorare il controllo glicemico. Dopo una panoramica sulla classificazione del diabete mellito e sulle strategie terapeutiche attuali, si procede esplorando i diversi sistemi di controllo automatico per l’omeostasi del glucosio, in particolare le pompe per insulina. Attraverso l’uso di Continuous Glucose Monitors (CGM) e di algoritmi di controllo opportunamente costituiti, si è discusso come sia possibile realizzare differenti tipi di Sistemi AID (dosaggio insulinico automatizzato), ottimizzando la somministrazione del bolo di insulina per adattarsi in modo dinamico alle variazioni dei livelli di glucosio nel sangue. In questo contesto, si esamina in dettaglio l’applicazione di un algoritmo di RL Learning, ovvero il Deep Deterministic Policy Gradient (DDPG) ed una sua possibile implementazione pratica per il dosaggio ottimizzato del bolo. Inoltre si discute l’utilizzo, a titolo comparativo, di un controller MPC (Model Predictive Control) e di un controller PID, maturando un confronto con la best policy acquisita del controller DDPG. Infine, è presentata una discussione dettagliata dei risultati ottenuti, adoperando classi di pazienti differenti forniti dal simulatore Simglucose e conducendo simulazioni in silico utilizzate per validare i differenti controller proposti. Questo lavoro fornisce quindi un punto di discussione utile per gli attori del panorama sanitario (ricercatori, ingegneri e pazienti stessi) interessati a implementare soluzioni innovative per la gestione ottimizzata del diabete mellito, promuovendo un cambio di paradigma più che mai necessario.