Diseño de un prototipo para la generación de alarmas a partir del análisis de tendencias del perfil glucémico de un grupo de pacientes con diabetes
DOI:
https://doi.org/10.26507/paper.2246Palabras clave:
detección de anomaías, anomalías, series de tiempo, perfil glucémicoResumen
La diabetes es una enfermedad metabólica crónica caracterizada por elevados niveles de glucosa en plasma debido a que quien la padece no produce insulina (diabetes tipo 1) o la produce, pero hay una resistencia a la utilización de esta (diabetes tipo 2). El monitoreo continuo de los niveles de glucosa permite obtener un registro de los valores de este cada cierto tiempo, para que a partir de dicha información el personal clínico determine la efectividad del tratamiento. En este proceso es fundamental analizar posibles valores anómalos sobre los que el personal médico puede determinar estrategias para optimizar la terapia, que incluye fármacos y dieta, y que de esta manera la cantidad de valores anómalos de glucosa disminuya. En este trabajo se realiza una revisión bibliográfica de los métodos de determinación de anomalías en un set de datos, se realiza un análisis exploratorio de datos sobre datos de monitorización continua de glucosa de diferentes pacientes para determinar las métricas y variables a usar en análisis de las tendencias. Finalmente, se realiza un análisis con técnicas de machine learning para determinar tendencias e identificar valores anómalos en los perfiles glucémicos recopilados.
Descargas
Citas
Bando, H.; Ebe, K., Kato, Y.; Bando, M.; Yonei, Y. (2018). Investigation of blood glucose profile by continuous glucose monitoring (CGM). Endocrinology Research and Metabolism. Vol. 2 Mo. 1:10. 1-4.
Blázquez-Garcia, A.; Conde, A.; Mori, U.; Lozano, J. A. (2021). A Review on Outlier/Anomaly Detection in Time Series Data. ACM Computing Survey, (54), No. 3. 1 - 33. DOI: https://doi.org/10.1145/3444690
Castillo J. M. et al. (2019). Impacto del alto costo relacionado con la diabetes Mellitus en el sistema de salud en Colombia. REDIIS / Revista De Investigación E Innovación En Salud, 2, 82-91.
Chandola, V.; Banerjee, A.; Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Survey, (49), No 3. 1 – 58. DOI: 10.1145/1541880.1541882
Collins English Dictionary. (s.f. a) Definition of Univariate. Recuperado de https://www.collinsdictionary.com/dictionary/english/univariate
Collins English Dictionary. (s.f. b) Definition of Multivariate. Recuperado de https://www.collinsdictionary.com/dictionary/english/multivariate
Cortés, C.; Vapnik, V. (1995). Support-Vector Networks. DOI: 10.1007/BF00994018
Gomez, A. M, et al. (2019). Impact of sensor-augmented pump therapy with predictive low-glucose management on hypoglycemia and glycemic control in patients with type 1 diabetes mellitus: 1-year follo-up. DOI: https://doi.org/10.1016/j.dsx.2019.07.024
He, Z.; Xu, X.; Deng, S. (2002). Discovering cluster-based local outliers. Elsevier, Pattern Recognition Letter, (24). 1641 - 1650. DOI: 10.1016/s0167-8655(03)00003-5
Hilal, W.; Gadsden, S. A.; Yawney, J. (2021). Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances. Elsevier. 1 – 34. DOI: https://doi.org/10.1016/j.eswa.2021.116429
IDF Diabetes Atlas 10th edition (2021) Consultado el 1 de junio de 2022 en https://diabetesatlas.org/idfawp/resource-files/2021/07/IDF_Atlas_10th_Edition_2021.pdf
Jain, P.; Joshi, A.; Mohanty, S. P. (2021). Everything you wanted to know about continuous glucose monitoring. 1-51.
Jiang, M. F.; Tseng, S. S.; Su, C. M. (1999). Two-phase clustering process for outliers detection. Elsevier, Pattern Recognition Letter, (22). 691 - 700. DOI: 10.1016/s0167-8655(00)00131-8
Jiang, Y. S.; Song, X.; Wang, H.; Han, J. J.; Li, Q. H. (2006). A clustering-based method for unsupervised intrusion detections. Elsevier, Pattern Recognition Letter, (27). 802- 810. DOI: 10.1016/j.patrec.2005.11.007
Ng, A. y Russel, S. (2000). Algorithms for Inverse Reinforcement Learning. ICML. 663-670. DOI: https://dl.acm.org/doi/10.5555/645529.657801
Pang, G.; Shen, C.; Cao, L.; van den Hengel, A. (2021). Deep Learning for Anomaly Detection: A Review. ACM Computing Survey, (54), No. 3. 1 - 38. DOI: https://doi.org/10.1145/3439950
Pang, G.; Ting, K. M.; Albrecht, D. (2015). LeSiNN: Detecting anomalies by identifying least similar nearest neighbours. 2015 IEEE 15th International conference on Data Mining Workshops. 623 – 630. DOI: 10.1109/icdmw.2015.62
Ramaswamy, S.; Rastogi, R.; Shim, K. (2000). Efficient Algorithms for Mining Outliers from Large Data Set. 427 – 438. DOI: 10.1145/342009.335437
Saha S, Al-Rifai RH, Saha S. Diabetes prevalence and mortality in COVID-19 patients: a systematic review, meta-analysis, and meta-regression. J Diabetes Metab Disord. 2021 Mar 31;20(1):939-950. DOI: 10.1007/s40200-021-00779-2.
Sugiyama, M; Borgwardt, K. M. (2013). Rapid distance-based outlier detection via sampling. Recuperado en: https://papers.nips.cc/paper/2013/hash/d296c101daa88a51f6ca8cfc1ac79b50-Abstract.html
Zhang, K.; Hutter, M.; Jin, H. (2009). A new local distance-based outlier detection approach for scattered real-world data. 813 – 822. DOI: 10.1007/978-3-642-01307-2_84
Zheng, F.; Jalbert, M.; Forbes, F.; Bonnet, S.; Wojtusciszyn A.; Lablanche, S.; Benhamou, P. Y. (2019). Characterization of daily glycemic variability in subjects with Type 1 Diabetes using a mixture of metrics. Diabetes Technology and Therapeuricts. 1-40 DOI: 10.1089/dia.2019.0250
Descargas
Publicado
Cómo citar
Evento
Sección
Licencia
Derechos de autor 2022 Asociación Colombiana de Facultades de Ingeniería - ACOFI
![Creative Commons License](http://i.creativecommons.org/l/by-nc-nd/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Estadísticas de artículo | |
---|---|
Vistas de resúmenes | |
Vistas de PDF | |
Descargas de PDF | |
Vistas de HTML | |
Otras vistas |