Diseño de sistemas basados en el aprendizaje estadístico para la mejora de la exactitud y fiabilidad de la monitorización continua de glucosa en pacientes con diabetes tipo 1

Abstract

[ES] Los monitores continuos de glucosa constituyen una de las herramientas más prometedoras para la mejora del control y el tratamiento de la diabetes. Concretamente, su inclusión en un sistema en bucle cerrado junto con una bomba de insulina podría dar lugar, a corto plazo, a la total automatización del control de esta enfermedad, suponiendo una mejora muy significativa en la calidad de vida de las personas que la padecen. No obstante, a la hora de llevarlo a la práctica, este ideal choca con una serie de realidades que no se pueden obviar. Uno de los problemas más acuciantes es la relativamente escasa precisión de estos monitores. A diferencia de los glucómetros (instrumento estándar para la medida de la glucemia) que emplean para su funcionamiento una muestra de sangre capilar, los monitores realizan mediciones indirectas, estimando la glucosa a partir de indicadores mucho menos robustos y no exentos de error. Este proyecto pretende abordar precisamente esta dificultad desde el ámbito del aprendizaje estadístico, campo que posibilita la generación de modelos predictivos empíricos (a partir de datos). En concreto, se utilizarán datos reales de estudios clínicos realizados en Valencia, para entrenar ciertos algoritmos que deberán ser capaces de predecir: (1) estimaciones de glucemia más precisas que las que ofrecen los monitores por sí solos y (2) la presencia de errores graves en la estimación de la glucemia. Para afrontar el primer problema (1) se utilizarán algoritmos de ajuste ampliamente extendidos tales como la Regresión Lineal Regularizada, Regresión Lineal Robusta/Resistente y Redes Neuronales. Y para hacer frente al segundo (2), se emplearán clasificadores de gran potencia, y estado del arte en clasificación, como son: Máquinas de Soporte Vectorial (SVM), Redes Neuronales y Regresión Logística. Adicionalmente, se aplicarán técnicas habituales en el contexto del aprendizaje estadístico como son la construcción y selección de características, el Análisis de los Componentes Principales (PCA), normalización, creación de características adicionales, filtrado, optimización, etc. En definitiva, la premisa sobre la que se fundamenta el proyecto es la sospecha razonable de que tras cierta información adicional, y que actualmente se ignora a la hora de realizar las estimaciones de glucemia (como las características fisiológicas del paciente, por ejemplo) subyacen ciertas dinámicas ocultas y tácitas, pero que están esperando a ser descubiertas y utilizadas para enriquecer y mejorar los actuales modelos de predicción presentes en los monitores continuos de glucosa.

[CA] Els monitors continus de glucosa constitueixen una de les ferramentes més prometedores per a la millora del control i el tractament de la diabetis, sobretot degut a les possibilitats d'automatització de la malaltia que la seua inclusió en un sistema en bucle tancat junt amb una bomba d'insulina ofereix. No obstant això, a l'hora de portar este ideal a la pràctica, un dels problemes més apressants és la relativament escassa precisió d'estos monitors, els quals mesuren la glucosa de formes indirectes i no exemptes d'error. Este projecte pretén abordar esta dificultat des de l'àmbit de l'aprenentatge estadístic, camp que possibilita la generació de models predictius empírics. S'espera d'estos models que siguen més capaços que la tecnologia actual a l'hora de detectar i esmenar els errors. Per a comprovarho, s'utilitzaran dades reals d'estudis clínics realitzats a València, per a entrenar certs algoritmes que hauran de ser capaços de predir: (1) estimacions de glucèmia més precises que les que ofereixen els monitors per si sols i (2) la presència d'errors greus en l'estimació de la glucèmia. Per a afrontar ambdós problemes es farà ús d'algoritmes com ara la regressió lineal, xarxes neuronals, regressió logística o màquines de suport vectorial i s'aplicaran tècniques habituals en el context de l'aprenentatge estadístic com són la construcció i selecció de característiques, l'Anàlisi dels Components Principals (PCA) o la normalització. En definitiva, la premissa sobre la qual es fonamenta el projecte és la sospita raonable de què darrere d'una certa informació addicional, i que actualment s'ignora a l'hora de realitzar les estimacions de glucèmia subjauen dinàmiques ocultes i tàcites, però que estan esperant a ser descobertes i utilitzades per a enriquir i millorar els actuals models de predicció presents en els monitors continus de glucosa.

[EN] Continuous glucose monitors constitute one of the most promising tools for the improvement of diabetes control and treatment, especially because of the automation possibilities that their inclusion in a closed loop system together with an insulin pump has to offer. However, at the time of bringing this ideal to practice, one of the most pressing problems is the relatively low accuracy of these monitors, which measure glucose in indirect ways that are not exempt from error. This project aims to tackle this difficulty from the field of machine learning; field, which enables the generation of empiric predictive models. These models are expected to be more capable than current technology upon detecting and correcting the errors. To check this theory, real data from clinical studies in Valencia will be used to train certain algorithms which should be able to predict: (1) glucose estimates which are more precise than what monitors offer for themselves, and (2) the presence of serious errors in glucose estimation. To be able to handle both problems, algorithms such as linear regression, neural networks, logistic regression and support vector machines will be used; and techniques, which are common in the machine-learning context, such as building and selecting of characteristics, Principal Component Analysis or standardization will be applied. In conclusion, the premise on which this project is based consists in the reasonable suspicion that behind certain additional information, which is currently being ignored when estimations are made, some hidden and tacit dynamics underlie; dynamics that are waiting to be discovered and used to enrich and improve the current prediction models embedded in continuous glucose monitors.