Dublin Core
Title
Predicción de glucosa basada en aprendizaje profundo para sujetos sanos y con diabetes mellitus tipo I
Subject
Diabetes Tipo I
Series de tiempo
Predicción de glucosa
Sensor virtual
Arquitectura codificador-decodificador
610
Medicina y salud
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2022
La Diabetes Mellitus es una enfermedad crónica que se caracteriza por una incorrecta regulación de la glucosa en sangre e impacta en la esperanza de vida de las personas. Por esta razón, varios estudios en la literatura tienen como objetivo predecir la glucemia. Sin embargo, existen varios desafíos asociados con un correcto modelado de la dinámica de la glucosa en sangre, y los avances en este campo ayudarían a mantener niveles glicémicos precisos y prevenir eventos de hipo e hiperglucemia. Para esta investigación, se utilizaron métodos de Deep Learning para predecir la glucosa en sangre con un horizonte de predicción de 30 minutos. En particular, se utilizó la arquitectura Codificador-Decodificador junto al método de Transfer Learning, utilizando datos de 15 personas, diez sujetos sanos y cinco con Diabetes Mellitus Tipo I (DM1). Se consideraron diferentes variables fisiológicas para entrenar el modelo como el nivel de glucosa intersticial, la insulina suministrada para pacientes DM1, frecuencia cardíaca y el número de pasos (para evaluar la relevancia de incorporar el ejercicio físico y el ciclo sueño-actividad en la precisión de la predicción). Se utilizaron tres tipos de modelos: poblacional, personalizado y personalizado usando Transfer Learning. El modelo que
logró el mejor rendimiento, en voluntarios sanos y con DM1, basó sus predicciones en glucosa, insulina y la estimación de la tasa de absorción de glucosa duodenal. Sin embargo, también se obtuvo una precisión razonable sin contar con datos de un Monitoreo Continuo de Glucosa (MCG). Además, en sujetos sanos, los modelos personalizados entregaron mejores resultados que los modelos poblacionales, no así en sujetos con DM1. Por otro lado, modelos personalizados con Transfer Learning mostraron la mejor precisión tanto en sujetos sanos como sujetos diabéticos, lo que permitió el uso de un modelo poblacional ajustado utilizando solo un pequeño conjunto de datos de cada paciente. Los resultados muestran que las predicciones obtenidas no generan desviaciones significativas que supongan un peligro para la salud del paciente y revelan que sería posible no depender de la medición de glucosa en el futuro.
logró el mejor rendimiento, en voluntarios sanos y con DM1, basó sus predicciones en glucosa, insulina y la estimación de la tasa de absorción de glucosa duodenal. Sin embargo, también se obtuvo una precisión razonable sin contar con datos de un Monitoreo Continuo de Glucosa (MCG). Además, en sujetos sanos, los modelos personalizados entregaron mejores resultados que los modelos poblacionales, no así en sujetos con DM1. Por otro lado, modelos personalizados con Transfer Learning mostraron la mejor precisión tanto en sujetos sanos como sujetos diabéticos, lo que permitió el uso de un modelo poblacional ajustado utilizando solo un pequeño conjunto de datos de cada paciente. Los resultados muestran que las predicciones obtenidas no generan desviaciones significativas que supongan un peligro para la salud del paciente y revelan que sería posible no depender de la medición de glucosa en el futuro.
Creator
Vega Pérez, Diego Nicolás Raúl de la
Date
2023-10-01
2022-09-26T20:08:26Z
2022-09-26T20:08:26Z
2022
Contributor
Rodríguez Fernández, María
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
xii, 85 páginas
application/pdf
Language
es
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/64879
https://doi.org/10.7764/tesisUC/ING/64879
https://repositorio.uc.cl/handle/11534/64879