Inteligencia artificial para la predicción de glucosa: máxima precisión en amplios horizontes de tiempo

Investigadores del CIBER-BBN en la UPM (ETSI TELECOMUNICACION)
UPM | sábado, 14 de noviembre de 2020

Los episodios de hipo o hiperglucemia, en los que los niveles de glucosa en sangre suben o bajan fuera de los valores normales, son uno de los principales riesgos para la salud de los pacientes con diabetes insulinodependiente. Para corregir la hiperglucemia los pacientes deben administrarse insulina y para corregir la hipoglucemia deben ingerir algún tipo de alimento con azúcares de absorción rápida. El principal problema es que estas acciones correctoras tardan un tiempo en hacer efecto y, por lo tanto, medir la glucosa frecuentemente es de gran ayuda para identificar las desviaciones y actuar cuanto antes.

Los dispositivos de medida continua de glucosa han supuesto un cambio muy importante en el control de la enfermedad pues permiten a los pacientes conocer los datos de glucosa en tiempo real, cada 5 minutos, sin necesidad de pincharse para extraer una gota de sangre.

Disponer de medidas cada 5 minutos abre las puertas a desarrollar algoritmos para la detección precoz de desviaciones de la glucosa, que es precisamente la clave de un trabajo desarrollado por la Universidad Politécnica de Madrid, en el que han participado investigadores del CIBER-BBN, que utiliza la inteligencia artificial para predecir la glucosa en sangre. El trabajo ha sido desarrollado por los investigadores del Laboratorio de Robótica y Control (ROBOLABO) y del Grupo de Bioingeniería y Telemedicina (GBT) y del CIBER-BBN de la ETSI de Telecomunicación de la UPM.

El reto, conseguir la máxima precisión con amplios horizontes de tiempo, no es sencillo. El grupo de investigación lleva trabajando varios años en crear algoritmos de predicción a partir de las medidas de los sensores de glucosa continua. El objetivo es lograr predicciones fiables con un horizonte suficiente para anticiparse a las situaciones de riesgo. “Cuanto mayor sea el horizonte de predicción mayor será la capacidad correctiva del paciente, pues dispondrá de más tiempo para decidir y actuar”, explican los investigadores del trabajo.

Basándose en  los datos recogidos en un experimento previo realizado con el Servicio de Endocrinología del Hospital de Sabadell, que también colabora en este proyecto, los investigadores han desarrollado algoritmos de predicción novedosos que mejoran los resultados obtenidos hasta ahora.

Datos más precisos y con más antelación

“Los algoritmos de predicción que hemos desarrollado están basados en un tipo de Redes Neuronales Recurrentes, llamadas Long Short Term Memory (LSTM), que pueden aprender a corto y largo plazo de las fluctuaciones en sus entradas, lo que ofrece muchas posibilidades en detección de variaciones de glucosa”, explican los investigadores.

“Una novedad del trabajo es que para la predicción se utiliza como información la cantidad de insulina que se ha ido administrando el paciente en las horas previas y el contenido de sus comidas. La información sobre la insulina se obtiene de las bombas de infusión continua de insulina en forma de insulina basal y bolos asociados a las comidas. La ingesta de alimentos se representa en términos de gramos de carbohidratos consumidos, según la información proporcionada por el propio paciente”, añaden los investigadores.

¿El resultado? Algoritmos que son capaces de elaborar predicciones fiables en plazos de 15 minutos y de 30 minutos, algo que sería muy útil para incrementar el margen de tratamiento de los pacientes frente a situaciones de riesgo, como hiper o hipo glucemias, contribuyendo a un mejor control de su enfermedad. “Se han logrado mejorar los resultados de los algoritmos previos con diferentes valores de memoria, destacando las redes con una memoria de 50 muestras, que consiguen unas prestaciones excelentes, tanto con el horizonte de 15 minutos como con el de 30 minutos. Se obtiene un error cuadrático medio (RMSE) de 3.67 mg/dl para 15 minutos y de 12.20 mg/dl para 30 minutos, con retardos respectivos de 5 y 15 minutos en las subidas y de 0 y 10 minutos en las bajadas”, explican los investigadores.

Los nuevos algoritmos podrían integrarse también en los sistemas de páncreas artificial, contribuyendo a mejorar las prestaciones de estos dispositivos para administrar insulina de forma automática como lo haría el páncreas de una persona sana.

El trabajo ha sido publicado recientemente en la revista internacional Neural Computation and Application.

Artículo de referencia

Carrillo-Moreno, J., Pérez-Gandía, C., Sendra-Arranz, R. et al. Long short-term memory neural network for glucose prediction. Neural Comput & Applic (2020). https://doi.org/10.1007/s00521-020-05248-0

Ciberbbn