Tesi doctoral de Sílvia Oviedo Castillo: "Forecasting and decision support for Type 1 Diabetes insulin therapy using machine learning. Direcció: Dr. Josep Vehí Casellas i Dr. Iván Contreras Fernández-Davila. Departament d'Enginyeria Elèctrica, Electrònica i Automàtica
Relation diagram for the outline of the thesis in the context of Type 1 Diabetes therapy using Machine Learning tools. Some of the connections between the smaller circles represent research topics in which this thesis is developed. Autora: Sílvia Oviedo Castillo
La teràpia amb insulina per a pacients amb T1D tenen diverses ramificacions amb diferents graus d'automatització. Els avenços en sensors i dispositius de monitoratge comporten un increment en la disponibilitat de dades. A més a més, l'ús d'algoritmes d'aprenentatge automàtic s'han popularitzat, facilitant així el desenvolupament de models per pronosticar Glucosa en Sang (GS) amb major facilitat. La tesi cerca la generació de models basats en aprenentatge automàtic per predir: o bé nivells de GS utilitzant algoritmes de regressió, o bé hipoglucèmia postprandial utilitzant algoritmes de classificació. L'aplicació d'aquests models van des de la teràpia de múltiples injeccions diàries (MID), fins a la teràpia SAP.
Per una banda, aquest treball es focalitza en la predicció de valors de GS proposant un model híbrid que utilitza gramàtiques evolutives (GE), un model d'insulina a bord, i un model d'absorció de glucosa per predir els nivells de GS en un horitzó de predicció de 120 minuts. L'algoritme es basa en la construcció d'un conjunt de regles que determinaran l'espai de cerca d'un algoritme d'optimització basat en algoritmes genètics. Una funció de cost especial per mesures de glucosa que condueix l'evolució de la solució mentre penalitza les desviacions basant-se en l'impacte clínic de les mateixes i una gramàtica evolutiva a mida.
Per altra banda, aquest treball profunditza en mètodes per la predicció d'esdeveniments de la hipoglucèmia apuntant a contribuir en el desenvolupament d'eines de suport a decisions terapèutiques. Per aquesta raó, en aquest treball també s'ha proposat i validat un mètode per l'entrenament d'algoritmes de classificació per la predicció de la hipoglucèmia postprandial, aplicada a les teràpies MID i SAP utilitzant dades de pacients reals. El mètode consisteix en algoritmes comuns d'aprenentatge automàtic i, en alguns casos, la combinació d'alguns d'ells per anticipar hipoglucèmies utilitzant una visió de model basat en dades, amb entrades relacionades amb l'estimació de carbohidrats, dosis d'insulina i nivell de glucosa a la sang com entrades més comunes en els models. Les metodologies esmentades han sigut avaluades utilitzant mètriques amb significança clínica que permeten avaluar l'ús pràctic dels mètodes proposats. Els resultats obtinguts són prometedors i contribueixen en els avenços en el desenvolupament de tecnologies pel tractament de la diabetis tipus 1.
Lectura de la tesi: 09/04/2019, Sala d'Actes de l'Escola Politècnica Superior IV
Notícies relacionades