Corrado, Alessandra (2025) Valutazione dei principali determinanti della risposta glicemica postprandiale in persone con diabete di tipo 1 per una terapia nutrizionale personalizzata. [Tesi di dottorato]

Documento PDF TesidottoratoAlessandraCorrado.pdf Visibile a [TBR] Amministratori dell'archivio Download (12MB) | Richiedi una copia

Abstract

Introduzione Il diabete mellito di tipo 1 (DT1) è una patologia autoimmune caratterizzata dalla distruzione delle cellule β pancreatiche e dalla conseguente carenza assoluta di insulina. Nonostante i progressi tecnologici, come il monitoraggio continuo del glucosio (CGM) e i sistemi automatizzati di infusione d’insulina, la gestione della risposta glicemica postprandiale (RGP) resta una sfida clinica rilevante. Tale risposta è influenzata da numerosi fattori intra- e interindividuali, tra cui la composizione e l’orario di consumo del pasto, la glicemia pre-prandiale, lo svolgimento di esercizio fisico e la composizione del microbiota intestinale. La comprensione dei meccanismi con i quali questi fattori influenzano la RGP potrebbe favorire un approccio terapeutico più personalizzato e un migliore controllo metabolico nel DT1. Obiettivi Al fine di definire i fattori che determinano la variabilità della RGP nelle persone con DT1, sono stati analizzati: • il ruolo della variabilità intra- e interindividuale; • l’influenza del tipo di microinfusore utilizzato per la terapia insulinica, dell’orario e della composizione del pasto serale, del timing del bolo insulinico, dell’aderenza alla dieta mediterranea e dell’attività fisica; • il potenziale che le tecniche di intelligenza artificiale e machine learning hanno nello sviluppo di modelli predittivi basati su fattori nutrizionali. Materiali e Metodi Sono stati condotti otto studi sperimentali (n=2) e osservazionali (n=6) presso l’Unità di Diabetologia dell’A.O.U. Federico II di Napoli, coinvolgendo adulti con DT1 di età compresa tra 18 e 65 anni, in terapia con iniezioni multiple giornaliere, microinfusori o sistemi automatizzati di infusione d’insulina (AID) e valori di HbA1c <8,5%. Sono state effettuate valutazioni sul compenso glicemico globale, postprandiale e durante attività fisica, sulle abitudini alimentari (diari alimentari e EPIC-FFQ), sulla qualità, la durata e la latenza del sonno (questionario Pittsburgh Sleep Quality Index) e sul microbioma intestinale. Sono stati utilizzati modelli predittivi basati su reti neurali artificiali per la predizione della RGP. Le analisi statistiche hanno incluso t-test, ANOVA, analisi di correlazione, modelli lineari a effetti misti, regressioni multiple e algoritmi di intelligenza artificiale per la previsione della RGP fino a 180 minuti postprandiali. Risultati • La RGP a uno stesso pasto è riproducibile nel singolo individuo, ma varia significativamente tra individui diversi, confermando l’influenza delle caratteristiche individuali. • I diversi sistemi di somministrazione insulinica di nuova generazione mostrano un’efficacia comparabile nella gestione della RGP, nonostante differenti pattern di infusione insulinica. • Il consumo tardivo della cena e una scarsa qualità del sonno si associano a un peggior controllo glicemico, così come il ritardo nella somministrazione del bolo insulinico ai pasti. • Un’elevata aderenza alla dieta mediterranea correla con un miglior controllo metabolico e una favorevole composizione del microbioma intestinale. • I sistemi AID sono sicuri ed efficaci nel gestire sessioni di esercizio fisico aerobico prolungato riducendo la necessità di assumere carboidrati aggiuntivi. • Modelli di intelligenza artificiale basati su reti neurali si sono dimostrati efficaci nel predire la RGP fino a 180 minuti dopo il pasto. Conclusioni La RGP è il risultato di una complessa interazione tra fattori nutrizionali, comportamentali e individuali. La sola considerazione del contenuto di carboidrati non è sufficiente a spiegare la variabilità osservata, rendendo necessario un approccio più personalizzato per un’adeguata gestione del diabete. L’integrazione di dati clinici, nutrizionali e del microbiota con modelli di intelligenza artificiale apre la strada a strategie predittive e terapeutiche realmente personalizzate.

Downloads

Actions (login required)

Modifica documento