Aprenentatge automàtic explicable per predir la glucosa i optimitzar la insulina en T1D

La diabetis tipus 1 (T1D) és una malaltia autoimmune crònica caracteritzada per la destrucció de les cèl·lules $\beta$ pancreàtiques, fet que comporta una deficiència absoluta d’insulina. El maneig eficaç de la T1D requereix una monitorització contínua de la glucosa (CGM, per les seves sigles en anglès) i una administració oportuna d’insulina per mantenir els nivells de glucosa en sang dins d’un rang segur i prevenir les excursions postprandials que poden donar lloc a hipoglucèmia o hiperglucèmia. Malgrat els avenços en les tecnologies de detecció i modelatge, l’alta variabilitat de les respostes glucèmiques, les limitacions en la qualitat de les dades i la naturalesa de “caixa negra” de molts algorismes predictius moderns continuen essent barreres importants per al desenvolupament de sistemes de suport a la decisió que siguin fiables i clínicament interpretables.

Aquesta tesi aborda aquests reptes desenvolupant marcs d’aprenentatge automàtic (ML) robustos, explicables i personalitzats per predir esdeveniments glucèmics postprandials i optimitzar la teràpia amb insulina en persones amb T1D. La recerca investiga la influència de les dades CGM mancants en la fiabilitat predictiva, proposa estratègies per mitigar la pèrdua de dades mitjançant interpolació i enginyeria de característiques, i explora tècniques d’intel·ligència artificial explicable (XAI) per millorar la transparència i la confiança dels models en entorns clínics. A més, s’introdueix un marc XAI basat en agrupaments per identificar perfils glucèmics personalitzats i millorar la predicció tant d’episodis d’hipoglucèmia com d’hiperglucèmia dins d’una finestra postprandial de quatre hores. El marc integra mètodes d’interpretabilitat global i local per oferir explicacions fisiològicament coherents i incorpora un mòdul d’ajust d’insulina per refinar les recomanacions de bolo abans dels àpats.

L’enfocament desenvolupat s’ha avaluat utilitzant conjunts de dades reals i simulats, i ha demostrat un alt rendiment predictiu i una major resiliència davant la incertesa de les dades. La integració de models explicables i personalitzats ha permès una predicció dual dels esdeveniments postprandials i ha reduït el risc d’hipoglucèmia, mantenint alhora els nivells de glucosa dins dels valors objectiu durant les validacions simulades.

Els resultats d’aquest treball contribueixen al desenvolupament de sistemes intel·ligents, transparents i centrats en el pacient per al maneig de la T1D. En combinar l’anàlisi de la qualitat de les dades, el modelatge explicable i l’aprenentatge individualitzat, aquesta tesi ofereix un marc unificat per avançar cap a tecnologies predictives més segures i fiables en l’atenció a la diabetis.

Lectura de la tesi: 23/03/2026 a la Sala d'Actes de l'Escola Politècnica Superior IV (informació extreta de l’Agenda activitats de la web Escola de Doctorat).