Detección y estimación de la ingesta de carbohidratos en pacientes diabéticos tipo I, usando medidas continuas de glucosa
No Thumbnail Available
Date
2023-03-23
Authors
Advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Industrial de Santander
Abstract
El planteamiento de estrategias encaminadas al desarrollo de un páncreas artificial (AP) para controlar los niveles de glucosa en pacientes con diabetes mellitus tipo I son a menudo insuficientes e insatisfactorias. Niveles altos de glucosa después de episodios posprandiales que agresivamente intentan ser compensados con altas tasas de insulina, no sólo no pueden asegurar los niveles de glucosa en sangre dentro rangos característicos de sujetos sanos, sino que también exponen al paciente a posibles condiciones de hipoglicemia. Muchos de estos enfoques, basados en algoritmos de inteligencia artificial y teoría de control experimentan un comportamiento inesperado en su desempeño ya que la mayoría de ellos no incluyen la presencia ni la cantidad de ingestas consumidas por el paciente. Para abordar este problema, algunos algoritmos de detección y conteo de ingestas reportadas han demostrado no solo un buen desempeño en la regulación de la glucosa en sangre así como una reducción en los casos de hipoglicemia e hiperglicemia. En ese sentido, se propone en esta tesis el uso de algoritmos de aprendizaje supervisado, para la detección y estimación de ingesta de carbohidratos. Para la selección del algoritmo de detección de comida, se hizo uso de algunas herramientas que permitieran visualizar mejor la forma en que estos toman decisiones, entre estas, matrices de confusión y gráficas con las superficies de decisión de cada algoritmo. Por otra parte, para la estimación de comidas, se entrenaron diversos algoritmos de regresión con el propósito de comparar el desempeño en la predicción buscando el algoritmo cuya predicción se ajustáse mejor frente a la curva de glucosa real medida dentro de un horizonte postprandial. Los algoritmos fueron validados sobre dos conjuntos de datos. El primero, sobre el simulador metabólico aprobado por la administración de alimentos y medicamentos (FDA por sus siglas en inglés), mientras que un segundo conjunto fueron validados sobre mediciones de pacientes reales conocido como OhioT1DM.
Description
Keywords
Diabetes, Predicción, Estimación, Detección, Carbohidratos