A flexible digital twin approach for ICU glucose management

In this thesis, a Digital Twin (DT) framework is designed to support personalized monitoring and treatment of patients with glucose regulation issues in intensive care units (ICUs). Maintaining stable blood glucose levels is crucial in these settings, and treatment decisions, such as insulin infusion rates, must adapt to the patient’s evolving condition. The DT model is based on a probabilistic graphical structure called Dynamic Decision Network, which captures the relationship between a patient’s internal state, observable measurements, and clinical actions over time. The DT does not rely on patient-specific characteristics, but instead learns from observed glucose levels and administered treatments. A preliminary spline-based reconstruction of glucose trajectories is used to estimate the underlying transition matrices, which during the calibration phase of the model are dynamically updated to better replicate the internal state of the system. This allows the system to make short-term predictions and suggest therapeutic decisions aimed at stabilizing the patient. The transition matrices were estimated from glucose measurements collected from ICUs worldwide and included in the PhysioNet database, an extensive archive of well-characterized digital recordings of physiologic signals, time series, and related data for use by the biomedical research community. Synthetic data were instead generated to reproduce realistic trends of patient's glycemic values for validation purposes. The DT can effectively follow the patient's clinical evolution, adapting to changes, and providing valuable support for medical decisions. This work provides a first step towards data-driven, adaptive support tools for glucose management in critical care.

In questa tesi è stato progettato un Gemello Digitale (DT) per supportare il monitoraggio e il trattamento personalizzato dei pazienti con problemi di regolazione del glucosio nella terapia intensiva (ICU). Il mantenimento di livelli stabili di glucosio nel sangue è cruciale in questi ambienti e le decisioni di trattamento, come la velocità di infusione dell'insulina, devono adattarsi all'evoluzione delle condizioni del paziente. Il modello DT si basa su una struttura grafica probabilistica chiamata Dynamic Decision Network, che cattura la relazione tra lo stato interno del paziente, le misurazioni osservabili e le azioni cliniche nel tempo. Il DT non si basa su caratteristiche specifiche del paziente, ma apprende dai livelli di glucosio osservati e dai trattamenti somministrati. Una ricostruzione preliminare delle traiettorie del glucosio basata su spline viene utilizzata per stimare le matrici di transizione sottostanti, le quali durante la fase di calibrazione del modello sono aggiornate dinamicamente per poter replicare meglio lo stato interno del sistema. Ciò consente al sistema di fare previsioni a breve termine e di suggerire decisioni terapeutiche volte a stabilizzare il paziente. Le matrici di transizione sono state stimate a partire da misurazioni di glucosio raccolte dalle unità di terapia intensiva di tutto il mondo e incluse nel database PhysioNet, un vasto archivio di registrazioni digitali ben caratterizzate di segnali fisiologici, serie temporali e dati correlati, ad uso della comunità di ricerca biomedica. Sono stati invece generati dati sintetici per riprodurre tendenze realistiche dei valori glicemici dei pazienti a scopo di validazione. Il DT è in grado di seguire efficacemente l’evoluzione clinica del paziente, adattarsi ai cambiamenti e fornire un valido supporto alle decisioni mediche. Questo lavoro rappresenta un primo passo verso strumenti di supporto adattivi e basati sui dati per la gestione della glicemia in contesti critici.