Control metabólico de pacientes con diabetes Mellitus tipo I mediante el uso de glucometrías y parámetros de red

Alumno investigador: Juan Encinas Muñoz

Departamento o Instituto Universitario de Investigación: Departamento de Teoría de la Señal y las Comunicaciones e Ingeniería Telemática

Tareas realizadas:

Se ha llevado a cabo la recogida de la base de datos de los pacientes involucrados en el estudio en el Servicio de Endocrinología del Hospital Clínico Universitario de Valladolid (HCUV). Se han obtenido 212 pacientes, de los que 69 son pediátricos y 143 adultos. Tras realizar una búsqueda exploratoria de los diferentes parámetros de variabilidad glucémica existentes, se han implementado en el lenguaje de programación MATLAB. Sobre las curvas de glucemia descargadas en el HCUV, se han calculado los diferentes parámetros de variabilidad glucémica en una ventana temporal de 2 semanas lo más cercana posible a la analítica de sangre en la que estaba incluido el nivel de péptido C. Este péptido se ha usado como indicador del control glucémico del paciente, de forma que se han distinguido entre el grupo con péptido C detectable, > 0.1 ng/mL, y el de péptido C indetectable, por debajo de este umbral. Con esta división, se ha intentado identificar si había diferencias significativas entre un grupo y otro, tanto en adultos como en sujetos pediátricos. Para ello, se ha realizado un análisis observacional en forma de scatter plots, boxplots y violinplots, que nos muestran la distribución de los datos para ambos grupos. Además, se ha llevado a cabo un análisis cuantitativo por medio del test U de Mann Whitney. Para observar la correlación entre los diferentes parámetros, se han implementado las redes de asociación, que han permitido identificar diversos grupos, cada uno de ellos relativo a un aspecto de la variabilidad glucémica. Estas correlaciones se han corroborado por medio de diagramas de dispersión entre pares de variables. Posteriormente, se han observado las correlaciones de todos los parámetros de variabilidad glucémica con la variable de clasificación en pacientes con péptido C detectable vs. indetectable, el nivel de péptido C y diversas variables de variación del péptido C. En base a todos los resultados obtenidos, finalmente se ha planteado un estudio de clasificación en pacientes con péptido C detectable vs. indetectable, en el que se han empleado diversos algoritmos de Machine Learning como clasificadores, como análisis discriminante lineal (LDA), regresión logística (LR) y análisis discriminante cuadrático (QDA). Para llevar a cabo la selección de variables que se han incluido en cada uno de los modelos, se han utilizado diversos algoritmos como Sequential Forward Selection (SFS) y FCBF, así como las propias redes de asociación. Con ello, se intenta que la precisión del modelo resultante sea mejor que la que presentan las métricas de forma individual, puesto que se ha buscado una combinación de métricas que sean relevantes y no redundantes. Esta precisión se ha medido como el área bajo la curva ROC (AUC).

Objetivos alcanzados:

Con este estudio, se ha determinado que los diferentes aspectos de la variabilidad glucémica están muy relacionados, reflejado en las fuertes correlaciones presentes en las redes de asociación. Además, también hay una estrecha correlación entre la variabilidad glucémica y el control glucémico, ya que hay diversos parámetros de variabilidad glucémica que presentan correlaciones superiores a 0.5 con el nivel del péptido C. No obstante, el rendimiento de clasificación no mejora cuando se usan modelos que incluyen varios parámetros en comparación con el uso de una única métrica. De hecho, en algunos casos empeora. No obstante, las redes de asociación se presentan como una potente herramienta para ayudar en la caracterización del control glucémico, ya que nos permiten observar las relaciones entre grupos de variables heterogéneas, aportando más información que un simple análisis de correlaciones bivariadas.

Sectores de aplicación:

Este proyecto abre una línea de investigación en el sector de la Endocrinología, concretamente sobre la variabilidad glucémica en los pacientes diabéticos. Esta se podrá continuar por medio de otros Trabajos de Fin de Grado o Fin de Máster dentro del marco de la Ingeniería Biomédica

Metodología utilizada:

Todos los métodos empleados se han implementado en el lenguaje de programación MATLAB, excepto las redes de asociación, que se han implementado en R. La mayor parte de los algoritmos utilizados se basan en la estadística, ya sea clásica o de Machine Learning

Elaboración de prototipos de la extensión para la biblioteca.
Ejecución de pruebas para comprobar el correcto funcionamiento del prototipo además de sus desventajas
Extracción de conclusiones y refinamiento del prototipo

Opinión sobre la experiencia:

Este proyecto ha ayudado a entender el flujo de trabajo a la hora de diseñar una investigación, ya que he realizado la recogida de datos, su acondicionamiento y organización, su análisis, la extracción de resultados y la discusión de estos.