Estimación de glucosa a partir de datos de CGM y pulseras de actividad mediante RGE

Abstract

Aproximadamente más del 10.5 % de la población adulta mundial sufre diabetes, ya sea tipo 1 (el páncreas no produce insulina), tipo 2 (la insulina no funciona correctamente) u otros tipos menos habituales. Para un correcto manejo de la diabetes es necesario conocer de la manera más precisa posible el valor de la glucosa en sangre. De esta forma las personas con diabetes pueden tomar decisiones informadas sobre las acciones a tomar, en términos de administración de insulina, medicamentos antidiabéticos, ingesta de alimentos, realización de ejercicio físico, etc... Conocer y predecir el valor de glucosa permite además la prevención de hipoglucemias e hiperglucemias, peligrosas para la salud a corto y largo plazo. Actualmente existen medidores continuos de glucosa y otros dispositivos de medida que permiten conocer el valor estimado de glucosa pero que no siempre están disponibles, son invasivos y en ocasiones molestos para la persona que los porta. El objetivo de este trabajo de fin de grado es implementar algoritmos para la estimación de glucosa en sangre de personas con diabetes a partir de datos de dispositivos no invasivos. Para ello se busca la obtención de modelos de caja blanca mediante las técnicas de Random Grammatical Evolution (RGE) usando como datos de entrada las lecturas de una pulsera de actividad en las dos horas anteriores al instante de estimación. Buscamos establecer una relación que nos ofrezca un agregado de fórmulas que den como resultado la glucosa estimada o predicha. En este proyecto se implementa la mencionada técnica de RGE y se experimenta con distintas nuevas formas de ensamblado de modelos, como la optimización de los pesos de los modelos usando un algoritmo evolutivo. En concreto, se ha implementado un algoritmo genético y una interfaz para poder interactuar y trabajar con el ensamblado de los modelos. Además se propone un novedoso uso de una meta-gramática para formar ensamblados de meta-modelos capaces de discernir en qué situación glucémica aplicar los distintos modelos. Además se investiga el uso de variables latentes como la transformada del coseno y datos históricos agregados que puedan facilitar la estimación. Para comparar los resultados de las técnicas de ensamblado se realizan también experimentos con algoritmos de evolución gramatical presentes en la literatura. Se analizan los resultados observando la aparición de las variables mas comunes en cada técnica y comparando sus resultados. Aunque se trata de un problema extremadamente difícil por la baja correlación entre las variables de la pulsera y la glucosa, lo resultados con la meta-gramática son prometedores y abren una posible línea de trabajo futura. Además el entorno de trabajo con modelos ensamblados que se ha desarrollado en este TFG se puede utilizar en cualquier problema de regresión simbólica o predicción de series temporales, más allá del problema de estimación y predicción de glucosa en personas con diabetes,Approximately more than 10.5% of the global adult population suffers from diabetes, either type 1 (where the pancreas does not produce insulin), type 2 (where insulin does not function properly), or other less common types. For proper diabetes management, it is necessary to know the blood glucose level as accurately as possible. This allows people with diabetes to make informed decisions about actions to take, such as insulin administration, antidiabetic medications, food intake, physical exercise, and more. Knowing and predicting glucose levels also helps prevent hypoglycemia and hyperglycemia, which are dangerous for short and long-term health.

Currently, continuous glucose monitors and other measurement devices exist that allow estimating glucose levels, but these are not always available, are invasive, and sometimes uncomfortable for the user. The goal of this final degree project is to implement algorithms for estimating blood glucose in people with diabetes using data from non-invasive devices. The aim is to obtain white-box models through Random Grammatical Evolution (RGE) techniques, using input data from activity bracelet readings within the two hours prior to the estimation moment. We seek to establish a relationship that provides a set of formulas resulting in estimated or predicted glucose. This project implements the RGE technique and experiments with new model assembly methods, such as optimizing model weights using an evolutionary algorithm. Specifically, a genetic algorithm and an interface have been implemented to interact and work with model assemblies. Additionally, a novel use of a metagrammar is proposed to form ensembles of meta-models capable of discerning which glycemic situation applies to the various models. The use of latent variables, such as the cosine transform and aggregated historical data, is also investigated to facilitate estimation. To compare the results of the assembly techniques, experiments with grammatical evolution algorithms from the literature are also conducted. The results are analyzed by observing the most common variables in each technique and comparing their outcomes. Although this is an extremely difficult problem due to the low correlation between bracelet variables and glucose levels, the results with the meta-grammar are promising and open a possible line of future work. Furthermore, the model assembly environment developed in this final degree project can be applied to any symbolic regression or time-series prediction problem beyond theissue of glucose estimation and prediction in people with diabetes.