Rendimiento de modelos de aprendizaje profundo en escenarios con pacientes diabéticos reales y simulados
Fecha:
20/07/2023Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
En este estudio, se investigó el desempeño de seis modelos de aprendizaje profundo para la
predicción de glucosa en pacientes con Diabetes Mellitus Tipo 1, aplicado tanto en casos
clínicos como en casos simulados. Se evaluaron diferentes configuraciones de capas RNN,
LSTM y GRU, así como combinaciones de estas capas. Se analizó el impacto de emplear
diferente tamaño de ventana histórica y diferente horizonte de predicción. Los resultados
revelaron que las ventanas históricas de 60 y 90 minutos tuvieron un mejor rendimiento en la
predicción, y el horizonte de predicción de 15 minutos fue el más eficiente. La combinación
de la capa LSTM y GRU mostró el mejor resultado en términos de precisión, según el análisis
del RMSE y del análisis de error de Clarke. Además, se observó que los modelos entrenados
con datos reales pudieron alcanzar una ventaja significativa a los modelos entrenados con
datos simulados.
Descripción:
n this study, the performance of six deep learning models for glucose prediction in patients
with Type 1 Diabetes Mellitus was investigated, applied to both clinical and simulated cases.
Different configurations of RNN, LSTM, and GRU layers, as well as combinations of these
layers, were evaluated. The impact of using different window sizes for the historical data and
different prediction horizons was analyzed. The results revealed that historical windows of 60
and 90 minutes performed better in the prediction, with a prediction horizon of 15 minutes
being the most efficient. The combination of LSTM and GRU layers showed the best result in
terms of accuracy, as assessed by RMSE and Clarke error analysis. Furthermore, it was
observed that models trained with real data had a significant advantage over models trained
with simulated data
Ficheros en el ítem
