Resumen

La diabetes de tipo 1 es una enfermedad crónica que está aumentando a un ritmo alarmante en todo el mundo. Los estudios revelan que las complicaciones asociadas a la diabetes pueden reducirse con un control adecuado de la enfermedad mediante la monitorización continua y la previsión del nivel de glucosa en sangre de los pacientes. Objetivo. La predicción previa del nivel de glucosa en sangre es necesaria para superar el retraso en la absorción de insulina en pacientes diabéticos de tipo 1. Método. En esta investigación, utilizamos datos de monitorización continua de glucosa (MCG) para predecir el nivel futuro de glucosa en sangre utilizando los puntos de datos anteriores. Comparamos dos técnicas de redes neuronales. Aplicamos la red neuronal feedforward óptima y, a continuación, proponemos redes neuronales autorregresivas no lineales óptimas para la predicción de la glucemia 15-30 minutos antes en pacientes diabéticos de tipo 1. Validamos el modelo propuesto con 2 sujetos virtuales utilizando sus datos de glucemia de 24 horas. Estos dos casos de estudio se han recopilado a partir de AIDA, es decir, el simulador matemático gratuito de diabetes. Resultados. En el horizonte de predicción (PH) de 15 y 30 minutos, se han mostrado resultados mejorados para entradas mínimas del nivel de glucosa en sangre de un sujeto concreto. Para calcular el rendimiento se utiliza el error cuadrático medio (RMSE). Para la red neuronal feedforward óptima, el RMSE es de 0,9984 y 3,78 ml/dl, y para la red neuronal autorregresiva no lineal óptima, reduce el RMSE a 0,60 y 1,12 ml/dl para horizontes de predicción de 15 min y 30 min, respectivamente, para el sujeto 1. De forma similar, para el sujeto 2, para la red neuronal óptima feedforward, el RMSE es de 1,43 y 3,51 ml/dl, que se mejora utilizando la red neuronal autorregresiva óptima a 0,7911 y 1,6756 ml/dl para horizontes de predicción de 15 min y 30 min, respectivamente. Validación. Además, validamos nuestro modelo propuesto utilizando los conjuntos de datos de aprendizaje automático de la UCI (Abalone y Servo), y también muestra mejores resultados. Conclusión y trabajo futuro. El modelo de red neuronal autorregresiva no lineal óptima propuesto obtiene mejores resultados que el modelo de red neuronal feedforward para estos datos de series temporales. En el futuro, nos proponemos investigar una mayor colección de escenarios y datos de AIDA que sean reales e influyan en otros factores de los BGL.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:red neuronal feedforward óptima, nivel de glucosa en sangre, horizontes de predicción mínimos, RMSE, dl, ml, pacientes, tipo de diabetes, modelo de red neuronal feedforward, simulador matemático de diabetes freeware
• Keywords:optimal feedforward neural network, blood glucose level, min prediction horizons, RMSE, dl, ml, patients, diabetic type, feedforward neural network model, freeware mathematical diabetes simulator