Desarrollo de un Modelo Basado en Aprendizaje Automático para Predecir los Niveles de Glucosa en Sangre

Resumen

Un monitoreo preciso de los niveles de glucosa en sangre es fundamental para el manejo efectivo de la diabetes tipo 1, especialmente debido a la complejidad y variabilidad individual de esta enfermedad. Por tanto, para prevenir accidentes y/o alternaciones es necesario desarrollar modelos de aprendizaje automático capaces de predecir a corto plazo (1hora) los niveles de glucosa. En este artículo se propone una solución siguiendo una metodología de investigación que consta de 6 pasos: recolección y procesamiento de datos, entrenamiento y selección del modelo, métricas de evaluación, validación, visualización de las predicciones y aplicación de grid search. Los algoritmos usados fueron regresión lineal, árboles de decisión, Random Forest, XGBoost y TabNet. El dataset incluyó mediciones continuas de glucosa, administración de insulina, ingesta de carbohidratos y niveles de actividad física registrados mediante dispositivos portátiles.

Los modelos fueron evaluados mediante métricas estándar (MAE, MAPE, RMSE, R², EVR) sobre los conjuntos de entrenamiento y prueba. Los resultados mostraron que el mejor modelo predictor, Random Forest, tuvo un RMSE de solo 0.75 y un coeficiente de determinación R² de 0.94, evidenciando alta precisión y capacidad de generalización. También se encontró que el ajuste manual de hiperparámetros superó al grid search.