Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Villamizar Mejía, RodolfoRodríguez Moreno, Edward AlfonsoVega Rojas, Ismael2023-08-082023-08-082023-08-082023-08-08https://noesis.uis.edu.co/handle/20.500.14071/14745En este trabajo de grado se presenta un modelo de estimación de glucosa para pacientes con diabetes mellitus tipo 1, donde se usa el simulador T1DMS (Visentin et al., 2018) con el que se obtiene un conjunto de mediciones de insulina y glucosa para entrenar el modelo de predicción. Para realizar este entrenamiento del modelo se utilizan series de tiempo, tomando como entrada valores pasados de glucosa en sangre e insulina inyectada y generando a la salida instantes de tiempo futuro de glucosa en sangre. Las secuencias de entrada constan de un conjunto de 15 muestras (timesteps) medidas cada minuto, mientras que la secuencia de salida, 210 muestras de glucosa futuras predichas mediante el modelo de estimación que corresponde a la curva completa de un episodio de glucosa después de una ingesta de glucosa por parte del paciente. Con estas secuencias de entradas y salidas se entrenan los modelos de Recurrent Neural Network (RNN) tipo LSTM, para 10 pacientes cada uno con un modelo personalizado, usando solo los episodios o curvas de glucosa de cada paciente en cada modelo. Y otro modelo generalizado, es decir usando los episodios o curvas de glucosa de todos los pacientes en un solo modelo. Para estimar el rendimiento del modelo, se usan las métricas de error MAE y RMSE, se evalúa el ajuste del modelo, se define la arquitectura final utilizando el número de capas y celdas que permitan una mejor precisión, al igual que el optimizador que mejor funcione, como los inicializadores adecuados, y las funciones de activación en cada capa del modelo, para que se obtengan las predicciones más exactas. Donde se toma como base lo aprendido en el curso electivo de Deep learning, dictado en el 2022-2, en la Universidad Industrial de Santander.application/pdfspainfo:eu-repo/semantics/openAccessGlucosaPrediccionDiabetesRedes NeuronalesIn silicoUva PadovaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coGlucosePredictionDiabetesNeural NetworksIn silicoUva Padovahttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)