System for monitoring glucose and predicting hyper and hypo glycaemia events in people with diabetes

Abstract

Blood glucose management is a very important task in people with diabetes, especially in the case of extreme glycemic states such as hypoglycemia and hyperglycemia. People with diabetes need to monitor their blood glucose values, maintaining them in a healthy range to avoid acute complications not only in the short but also in the long term. These control tasks can be very time-consuming, and in this project, we developed a set of techniques to help people with diabetes in reducing the time in hypo and hyperglycemia. Our proposal is the design and implementation of a whole monitoring detection and alarm system. This system will predict future adverse glucose states and notify the user in time to take action to control their blood glucose values before they become an issue. The system permits training rule-based models, which include biometric variables from a smartwatch and a continuous glucose monitoring system. Those models will be used in the prediction of future adverse glucose states. The models are available through a mobile application that will generate a set of configurable alarms. Moreover, we implemented the connection between the glucose monitoring system and the app, continuously monitoring blood glucose values and using them to perform predictions. Our models yield explainable expressions and can be studied by medical practitioners. As an additional contribution, we present a new implementation of grammatical evolution for obtaining more accurate models. It consists of a Tree-Based Grammatical Evolution with Non-Encoding Nodes (T-GE-NEN) representation. T-GE-NEN is a different approach to the traditional tree representation, where evolution is produced on two different levels; encoding and non-encoding. The main advantage of the structure proposed is the extra information saved in memory for each individual in the population. Our results show that T-GE-NEN can be useful for generating better glucose models and other regression and classification instances.La monitorización de la glucosa en sangre es una tarea muy importante para las personas con diabetes, especialmente en los casos de estados glucémicos adversos como la hipoglucemia y la hiperglucemia. Las personas con diabetes necesitan controlar sus valores de glucosa en sangre, manteniéndolos en un rango saludable para evitar complicaciones agudas no solo a corto, sino también a largo plazo. Estas tareas de control pueden consumir mucho tiempo por lo que, en este trabajo, desarrollamos un conjunto de técnicas para ayudar a personas con diabetes a reducir el tiempo en hipo e hiperglucemia. Nuestra propuesta es el diseño e implementación de todo un sistema de monitorización, detección y alarma. Este sistema predecirá futuros estados adversos de glucosa y notificará al usuario a tiempo para tomar medidas de corrección de los valores de glucosa en sangre. Preveniendo futuros problemas. El sistema permite entrenar modelos basados en reglas, que incluyen variables biométricas obtenidas de un reloj inteligente, y un sistema de monitoreo continuo de glucosa. Esos modelos se utilizarán para la predicción de futuros estados adversos de glucosa. Los modelos están disponibles en una aplicación móvil que generará un conjunto de alarmas configurables. Además, implementamos la conexión entre el sistema de monitoreo de glucosa y la aplicación, monitoreando continuamente los valores de glucosa en sangre y usándolos para realizar predicciones. Nuestros modelos producen expresiones explicables y pueden ser estudiados por profesionales. Como contribución adicional, presentamos una nueva implementación de evolución gramatical para obtener modelos más precisos. Consiste en una representación de evolución gramatical basada en árbol con nodos no codificantes (T-GENEN). T-GE-NEN es un enfoque diferente a la representación del árbol tradicional, donde la evolución se produce en dos niveles diferentes; codificante y no codificante. La principal ventaja de la estructura propuesta es la información extra guardada en memoria para cada individuo de la población. Nuestros resultados muestran que T-GE-NEN puede ser útil para generar mejores modelos de glucosa, y otras instancias de regresión y clasificación.