Type 1 Diabetes Mellitus with IoT Devices and Machine Learning Techniques

Resumen

Gestión de la Diabetes Mellitus Tipo 1 con Dispositivos Internet de las Cosas y Técnicas de Aprendizaje Automático Ignacio Rodríguez Rodríguez Objetivos Estudiar las posibilidades tecnológicas con respecto a su aplicación en el tratamiento de la DM1. Seleccionar las variables más relevantes en la evolución de la glucemia. Realizar predicción de valores futuros de series de datos temporales. Conseguir una predicción de valores de glucosa en sangre a un cierto horizonte de predicción, de forma que permita al paciente anticiparse en la gestión de sus valores de glucemia. Conocer los límites de esfuerzo de los dispositivos a utilizar en la gestión de la DM1. Metodología Se ha realizado una toma de datos. Así, durante un periodo de 14 días se monitorizó a 25 pacientes con DM1 a través de un dispositivo de monitorización continua de glucosa (CGM), obteniendo, además de su glucemia, sus dosis de insulina y cantidad de alimento ingerido. Añadido a esto, se recogieron otras características como ritmo cardiaco, ejercicio físico, sueño y horarios (con una smartband). Resultados y conclusiones Se ha utilizado el Sequential Input Selection Algorithm (SISAL), con el cual se ha llegado a una catalogación de la influencia de las variables, así como el tiempo que tardan en resultar influyentes. Con este estudio, se ha observado que la variable más influyente es la insulina, debiendo cogerse los 105 últimos minutos de datos. A continuación, se situaría la comida, siendo relevantes las últimas 2.91 horas y, finalmente, la propia glucemia, con unos resultados de algo más de 4 horas. El resto de las variables estudiadas, ejercicio, ritmo cardiaco, sueño y el horario completan el set de variables con ese orden de importancia. Se han comparado tres algoritmos sobradamente conocidos: AutoRegressive Integrated Moving Average (ARIMA), Random Forest (RF), y Support Vector Machines (SVM). Las posibilidades de este último ya se habían estudiado con anterioridad, con prometedores resultados. Los modelos univariantes desarrollados pudieron predecir los valores de glucosa en un horizonte predictivo de 15 minutos con un error medio de tan sólo 15.43 mg/dL, usando únicamente 24 valores pasados recogidos en un periodo de 6 horas. Aumentando la frecuencia de muestreo hasta incluir 72 valores, el error descendió hasta 10.15 mg/dL. Del estudio en cuestión se ha concluido que RF es el que ofrece, en líneas generales, una precisión mayor. Se planteó evaluar hasta qué punto una predicción se puede realizar en local, esto es, en un pequeño dispositivo que puede llevar la persona consigo (por ejemplo un teléfono inteligente). Para ello, se han hecho pruebas de esfuerzo replicando las mismas técnicas de ML aplicadas en en tres dispositivos: por un lado, un potente servidor y, de la misma manera, en un smartphone y una Raspberry Pi. Los resultados han indicado que determinadas técnicas son más livianas que otras pero, en todo caso, sin unos requerimientos técnicos mínimos, la ejecución en local resultaría inasumible. No obstante, la ejecución del algoritmo SVM sí ha resultado ser factible en un smartphone de características medias, y este hecho es aún más claro si se realizan estrategias para aligerar la serie temporal, como disminuir la frecuencia de muestreo. Los resultados indican que es posible modelar y predecir valores futuros de glucemia en un smartphone con un horizonte de predicción de 15 minutos y un RMSE de 11.65 mg/dL en sólo 16.15 segundos, muestreando cada 10 minutos las últimas 6 horas y utilizando el algoritmo RF. Con la Raspberry Pi, el esfuerzo computacional se incrementa a 56.49 segundos en las mismas circunstancias, pero se puede mejorar a 34.89 segundos si se emplea SVM, llegando en este caso a un RMSE de 19.90 mg/dL.