Peiro Corbacho, Pablo2024-06-212024-06-212024-06-21https://hdl.handle.net/10115/34584Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2023/2024. Directores/as: Cristina Soguero Ruíz, Francisco Jesús Lara AbelendaLa diabetes tipo 1 (DT1) es una enfermedad no transmisible prevalente en el mundo. Las personas con DT1 necesitan insulina exógena para mantener los niveles de glucosa en sangre (BG, del inglés blood glucose) dentro del rango objetivo (70-180 mg/dL). Los pacientes con DT1 son propensos a episodios de hipoglucemia (BG < 70 mg/dL). La hipoglucemia es una complicación crítica que puede causar, entre otros, fatiga, mareos, eventos cardiovasculares, o muerte súbita. La hipoglucemia nocturna (HN), que ocurre durante el sueño, es un riesgo recurrente y generalmente asintomática, lo que dificulta su identificación. En este trabajo de fin de grado (TFG), a diferencia de estudios previos que usaron solo datos de BG de dispositivos de continuous glucose monitoring (CGM), se emplean múltiples modalidades de datos: series temporales (usando datos de BG) y datos tabulares (recopilando demográficos, inyecciones de insulina, ingesta de alimentos y ejercicio físico). Estos datos provienen del estudio type 1 diabetes and exercise initiative (T1DEXI). Para procesar los datos de BG, se utiliza una variante de recurrence plot denominada multi-scale signed recurrence plot, que transforma series temporales en imágenes 2D, y así aprovechar las redes neuronales convolucionales (CNNs, del inglés convolutional neural networks) para predicción y extracción de embeddings para fusión multimodal de datos. El objetivo principal de este TFG es desarrollar modelos de aprendizaje máquina (ML, del inglés Machine Learning) capaces de predecir episodios de HN en pacientes con DT1, explorando dos escenarios: (i) entrenamiento de modelos con datos unimodales de BG y de datos tabulares; y (ii) entrenamiento con datos multimodales (fusionando ambos datos). Se emplean varios modelos de aprendizaje automático, como K-vecinos más cercanos, regresión logística y bosques aleatorios. Para mejorar la precisión predictiva, se exploran métodos de ensemble, como la selección dinámica de conjuntos. Para enfrentar los desafíos de alta dimensionalidad, se evalúan técnicas de transformación de variables, como autoencoders y kernel principal component analysis, además de la selección de características mediante el método filter Relief. Los resultados mostraron que los modelos de ML lograron un rendimiento razonable en la predicción de HN en pacientes con DT1. El enfoque de early fusion junto con el método Relief y el uso de bosques aleatorios obtuvo los mejores resultados, alcanzando un valor de AUCROC de 0.610 (0.028). La selección de características mejoró los resultados en un 2% y, en comparación con datos unimodales, se observó una mejora del 4.7% respecto al uso exclusivo de datos tabulares. Aunque la detección de HN es un problema complejo y multifactorial, este TFG es uno de los primeros en explorar una metodología de fusión para su predicción en pacientes con DT1, mejorando la toma de decisiones clínicas y la calidad de vida de los pacientes.spadiabetes tipo 1hipoglucemia nocturnapredicción de hipoglucemia nocturnaDynamic Ensemble SelectionMultimodal fusionRecurrence PlotConvolutional Neural NetworksDimensionality ReductionFeature Selectioninfo:eu-repo/semantics/studentThesisinfo:eu-repo/semantics/embargoedAccess