Revisión sistemática de algoritmos de aprendizaje profundo para la predicción de glucosa en sangre en diabetes tipo 1

Sus antecedentes:

• El manejo de la diabetes tipo 1 (T1D) se basa en la monitorización continua de glucosa (CGM) para obtener datos de glucosa en sangre (BG) en tiempo real.
• Los algoritmos de predicción, en particular el aprendizaje profundo (DL), utilizan datos de CGM para predecir los niveles futuros de BG, lo que ayuda en las intervenciones terapéuticas.
• Se necesita una revisión integral de las aplicaciones de DL para la predicción de BG para guiar la adopción clínica.

Objetivo del estudio:

• Revisar sistemáticamente el estado actual de las aplicaciones de aprendizaje profundo para la predicción de glucosa en sangre en la diabetes tipo 1.
• Evaluar los modelos de DL basados en las características de los datos, las entradas, el entrenamiento, la arquitectura y las métricas de rendimiento.
• Identificar los desafíos y las direcciones futuras de la investigación para la predicción de glucosa en sangre basada en DL.

Principales métodos:

• Revisión sistemática de la literatura siguiendo las pautas PRISMA.
• Búsquedas realizadas en las bases de datos PubMed, Scopus y Web of Science.
• Análisis de 26 estudios seleccionados centrados en modelos de DL para la predicción de BG en T1D.

Principales resultados:

• Los modelos de aprendizaje profundo demuestran un potencial significativo para la predicción precisa de la glucosa en sangre utilizando datos de CGM.
• Los estudios evaluados variaron en las características de los datos, las entradas del modelo, las arquitecturas y los horizontes de predicción.
• Los desafíos clave incluyen garantizar la fidelidad fisiológica y la interpretabilidad de los modelos de DL para uso clínico.

Conclusiones:

• Los modelos de aprendizaje profundo ofrecen un enfoque prometedor para la predicción de BG en tiempo real en el manejo de la T1D.
• La integración de la IA explicable (XAI) es crucial para mejorar la confiabilidad, la seguridad y la adopción clínica del modelo.
• La investigación futura debe centrarse en el desarrollo de modelos de DL interpretables y fisiológicamente sólidos para la atención de la T1D.