Rendimiento de modelos de aprendizaje profundo en escenarios con pacientes diabéticos reales y simulados

Abstract

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.