González Domínguez, Ramón2023-07-222023-07-222023-07-21https://hdl.handle.net/10115/23570Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: Cristian David Chushig Muzo, Cristina Soguero RuízLa diabetes mellitus (DM) es una enfermedad crónica que no tiene fronteras y su prevalencia ha ido en constante aumento con el paso de los años. La Organización Mundial de la Salud indica que el número de personas con DM aumentó de 108 millones en 1980 a 463 millones en 2023, y se estima que en el año 2045 alrededor de 700 millones de personas tendrán esta enfermedad. Con el fin de controlar los niveles de glucosa en los pacientes con DM, el uso de los dispositivos medidores continuos de glucosa (CGM, del inglés Continuous Glucose Monitoring) se ha extendido. Dada la gran cantidad de datos que proporcionan los dispositivos CGM, la investigación aplicando modelos de aprendizaje automático (ML, del inglés Machine Learning) y modelos basados en redes neuronales (ANN, del inglés Artificial Neural Network) se ha intensificado en los últimos años. Estos modelos son prometedores para predecir valores de glucosa en diferentes ventanas temporales, prevenir eventos adversos, facilitar el manejo de la enfermedad y mejorar la calidad de vida de los pacientes con DM. El presente Trabajo de Fin de Grado (TFG) tiene dos objetivos principales. El primero es validar modelos para la generación de series temporales sintéticas usando datos de glucosa usan- do modelos ANN, específicamente Conditional Probabilistic Auto-Regressive model (CPAR) y Doppel Generative Adversarial Network (DGAN). En segundo lugar, se busca evaluar la robustez y efectividad de tres modelos ANN para predecir en ventanas temporales de corta duración valores de glucosa. Los modelos ANN considerados para predicción son Neural Basis Expansion Analysis Time Series Forecasting (N-BEATS), Temporal Convolutional Network (TCN) y Neural Hierarchical interpolation for Time Series (N-HiTS). Para el desarrollo de este TFG, datos de CGM de un paciente diabético real han sido considerados. Los resultados obtenidos en la generación de series temporales apuntan a que DGAN presenta un rendimiento superior que CPAR para la generación de valores de glucosa. Por otra parte, basándose en las métricas de evaluación Mean Square Error (MSE), Mean Absolute Error (MAE) y Mean Relative Absolute Error (MRAE), los resultados en la estimación de valores de glucosa alcanzaron su máximo rendimiento cuando se hizo uso de la serie temporal sintética para el caso de N-BEATS, sin embargo, con TCN y N-HiTS se alcanzó con la serie temporal real. El modelo N-HiTS supera en rendimiento y prestaciones en la predicción de valores de glucosa en ventanas temporales cortas al resto de los modelos ANN de este estudio, llegando a presentar un MSE=0.0024 y MRAE=0.1241 en una ventana de predicción de 7 horas. El modelo N-HiTS supone un avance clave en la carrera para predicción de valores de glucosa y la prevención de episodios de hipoglucemia e hiperglucemia en pacientes con DM.spaCreative Commons Atribución 4.0 Internacionalhttps://creativecommons.org/licenses/by/4.0/legalcodeDiabetes MellitusRedes neuronalesDatos sintéticosMedidores Continuos de GlucosaSeries temporalesPredicción de series temporalesinfo:eu-repo/semantics/studentThesisinfo:eu-repo/semantics/openAccess