Sistema inteligente e personalizado de predição da glicemia e recomendação de ações preventivas para reduzir a variabilidade glicêmica em pacientes DM1 e DM2

Resumo

O Diabetes Mellitus (DM) é considerado uma das grandes pandemias atuais, a Federação Internacional de Diabetes (IDF) estima mais de 424 milhões de adultos vivendo com diabetes em 2017 e cerca de 12,5 milhões no Brasil. Em caso onde condição hiperglicêmica permanece por longos períodos, os pacientes podem apresentar outras complicações como a perda de visão, nefropatias e neuropatias (27). Mais recentemente, a análise da variabilidade glicêmica (VG) utilizando sensores de atividade física e de monitoramento contínuo de taxas glicêmicas tem demostrado bom potencial para o desenvolvimento de modelos preditivos de controle glicêmico, afim de que os pacientes possam não apenas tratar o diabetes, mas também prevenir complicações associadas (10, 11). Devido a entrada contínua de dados em grande volume e o efeito de diversos fatores aleatórios como idiossincrasias, tipo de atividade física, escolha das refeições, entre outros, se faz necessário o desenvolvimento de modelos personalizados para esse tipo de predição (8,9). Nesse sentido, alguns projetos têm surgido utilizando inteligência artificial e modelos de predição matemática (10). O objetivo deste projeto é desenvolver e validar um sistema inteligente de predição personalizada da glicemia, assim como, desenvolver um sistema de recomendações para reduzir a VG, utilizando como dados de entrada valores de glicemia, alimentação e atividade física, entre outros indicadores clínicos. A Fase 1 da pesquisa já foi realizada integralmente, na qual um aplicativo chamado GlucoTrends (www.glucotrends.com.br) foi desenvolvido para coleta de dados e aprendizado sobre usabilidade e um modelo preditivo de glicemia baseado em Redes Neurais Recorrentes (Recurrent Neural Networks - RNN) (21) foi desenvolvido e testado. Para a validação técnico-científica da solução proposta, foram realizados um Piloto in vitro e outro in vivo para testar a acurácia do modelo preditivo resultante da RNN. Apesar, da acurácia do modelo in vitro ter se mostrado maior, o resultado do modelo preditivo, mesmo in vivo, para horizonte de tempo de até 1 hora, apresenta acurácia relevante com elevado potencial de aplicação na prática clínica. Desse modo, a Fase 1 de viabilidade técnico-científica está concluída e foi considerada satisfatória pela equipe integrante do projeto, dando-se sequência a Fase 2 do projeto, etapa alvo desta solicitação. Para a Fase 2, estudo observacional, transversal avaliará a variabilidade glicêmica de pacientes portadores de DM1 e DM2 em diferentes situações de ingestão alimentar e atividade física. A pesquisa será coordenada pela professora Maria Cristina Foss-Freitas e realizada no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HC/FMRP-USP). Sensor de monitorização glicêmica contínuo em 60 indivíduos portadores de DM serão submetidos a avaliação clínica e nutricional, deverão registrar suas atividades diárias durante 28 dias usando o aplicativo GlucoTrends. O monitoramento de glicemia será realizado com dispositivo de monitoramento contínuo de glicemia. Os resultados obtidos serão aplicados para aperfeiçoamento da RNN desenvolvida pela equipe. Após o teste de acurácia dos modelos preditivos, será desenvolvido um sistema de recomendação personalizado e automatizado de cálculo de dose de insulina para DM1 com foco na redução da variabilidade glicêmica, e sistema de recomendação de plano nutricional automatizado e personalizado para DM2. Após desenvolvimento e validação, os sistemas serão integrados em um aplicativo de smartphones desenvolvido pela empresa que será disponibilizado como uma plataforma de acesso à tecnologia preditiva e preventiva aos pacientes com DM. (AU)