Gestión de la Diabetes Mellitus Tipo 1 con Dispositivos Internet de las Cosas y Técnicas de Aprendizaje Automático

Abstract

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.

Objectives Study the current technological possibilities with respect to their application in the treatment of DM1. Select the most relevant variables in the evolution of blood glucose. Make a prediction of future values of time series data. Achieve a prediction of blood glucose values at a certain horizon are going to be weighed by prediction, in a manner that allows the patient to anticipate the management of their blood glucose values. Learn the stress limits of the devices to be used in the management of the DM1. Metodology Novel data collection has been carried out. Thus, over a period of 14 days, 25 patients with DM1 were monitored through a continuous glucose monitoring device (CGM), obtaining, in addition to their blood glucose, their insulin doses and amount of food ingested. Added to this, other characteristics such as heart rate, physical exercise, sleep and schedules were collected (through a smartband). Results and conclusions The Sequential Input Selection Algorithm (SISAL) has been selected, which has made it possible to catalogue the influence of the variables, as well as the time they take to be influential. With this study, it has been observed that the most influential variable is insulin, and the last 105 minutes of data should be taken. The next most-influential variable would be food, with the last 2.91 hours being relevant and, finally, the blood glucose itself, with results from just over 4 hours. The rest of the variables studied (exercise, heart rate, sleep and schedule) complete the set of variables in that order of importance. Three well-known algorithms have been compared: AutoRegressive Integrated Moving Average (ARIMA), Random Forest (RF), and Support Vector Machines (SVM). The possibilities of the latter had already been studied previously, with promising results. The univariate models developed were able to predict glucose values in a 15-minute predictive horizon with an average error of only 15.43 mg/dL, using only 24 past values collected in a 6-hour period. Increasing the sampling frequency to include 72 values, the error decreased to 10.15 mg/dL. The study in question has concluded that RF is the algorithm which provides the greatest accuracy, in general. It was proposed to evaluate the extent to which a prediction can be made locally, that is, in a small device that the person can take with them (for example, a smartphone). For this, stress tests have been done replicating the same ML techniques applied in on three devices: on the one hand, a powerful server and, in the same manner, on a smartphone and a Raspberry Pi. The results have indicated that certain techniques are require less processing than others but, in any case, without minimum technical requirements, local execution would be unattainable. However, the execution of the SVM algorithm has proved to be feasible in a smartphone with average characteristics, and this fact is even clearer if strategies are made to lighten the time series, such as reducing the sampling frequency. The results indicate that it is possible to model and predict future blood glucose values on a smartphone with a prediction horizon of 15 minutes and an RMSE of 11.65 mg/dL in only 16.15 seconds, sampling the last 6 hours every 10 minutes and using the RF algorithm. With the Raspberry Pi, the computational effort is increased to 56.49 seconds in the same circumstances, but it can be improved to 34.89 seconds if SVM is used, in this case reaching an RMSE of 19.90 mg/dL.