Detección y estimación de la ingesta de carbohidratos en pacientes diabéticos tipo I, usando medidas continuas de glucosa

Rodríguez Moreno, Edward Alfonso

Detección y estimación de la ingesta de carbohidratos en pacientes diabéticos tipo I, usando medidas continuas de glucosa

dc.contributor.advisor	Villamizar Mejía, Rodolfo
dc.contributor.author	Rodríguez Moreno, Edward Alfonso
dc.contributor.evaluator	Borrás Pinilla, Carlos
dc.contributor.evaluator	Sepúlveda Sepúlveda, Franklin Alexander
dc.date.accessioned	2023-04-10T15:06:58Z
dc.date.available	2023-04-10T15:06:58Z
dc.date.created	2023-03-23
dc.date.issued	2023-03-23
dc.description.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.
dc.description.abstractenglish	The approach of strategies aimed at the development of an artificial pancreas (AP) to control glucose levels in patients with type I diabetes mellitus are often insufficient and unsatisfactory. High glucose levels after postprandial episodes that aggressively try to be compensated with high rates of insulin, not only can they not ensure blood glucose levels within characteristic ranges of subjects healthy, but also expose the patient to possible hypoglycemic conditions. Many of these approaches based on artificial intelligence algorithms and control theory experience unexpected behavior in their performance since most of them do not include the presence or the amount of food consumed by the patient. To address this problem, some reported intake detection and counting algorithms have shown not only a good performance in the regulation of blood glucose as well as a reduction in cases of hypoglycemia and hyperglycemia. In this sense, it is proposed in this thesis the use of supervised learning algorithms, for the detection and estimation of carbohydrate intake. For the selection of the food detection algorithm, a use of some tools that would allow better visualization of the way in which they make decisions, among these, confusion matrices and graphs with the decision surfaces of each algorithm. On the other hand, for the estimation of meals, various regression algorithms were trained in order to compare the performance in the prediction searching for the algorithm whose prediction best fit against the real glucose curve measured within a horizon postprandial. The algorithms were validated on two datasets. The first, on the metabolic simulator approved by the Food and Drug Administration (FDA), while a second set were validated on actual patient measurements known as OhioT1DM.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería Electrónica
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14219
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Diabetes
dc.subject	Predicción
dc.subject	Estimación
dc.subject	Detección
dc.subject	Carbohidratos
dc.subject.keyword	Diabetes
dc.subject.keyword	Prediction
dc.subject.keyword	Estimation
dc.subject.keyword	Detection
dc.subject.keyword	Carbohydrates
dc.title	Detección y estimación de la ingesta de carbohidratos en pacientes diabéticos tipo I, usando medidas continuas de glucosa
dc.title.english	Detection and Estimation of Food Intake of Carbohidrates in Type I Diabetic Patients using Continuous Glucose Measurements
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type