Forecasting and decision support for type 1 diabetes insulin therapy using machine learning

Abstract

Insulin therapy for Type 1 Diabetes (T1D) has several ramifications with different degrees of automation. The advances in sensors and monitoring devices have led to an increasing availability of data. Additionally, machine learning algorithms usage has sprung, allowing the development of models for Blood Glucose (BG) forecasting with relative ease. Nevertheless, BG forecasting is still a challenging task for prediction horizons beyond 30 min and, even more so, with missing or erroneous data, which is a common burden in the field. This thesis is devoted to generate machine learning models that forecast either BG levels using regression algorithms or postprandial hypoglycemia using classification algorithms. The application of these models range from Multiple Daily Injections (MDI) therapy up to Sensor Augmented Pump (SAP) therapy.

La teràpia amb insulina per a pacients amb T1D tenen vàries ramificacions amb diferents graus d’automatització. Els avenços en sensors i dispositius de monitorització comporten un increment en la disponibilitat de dades. A més a més, l’ús d’algoritmes d’aprenentatge automàtic s’han popularitzat, facilitant així el desenvolupament de models per pronosticar Glucosa en Sang (GS) amb major facilitat. No obstant això, preveure els nivells de GS és una tasca complexa per a finestres de predicció més enllà de 30 minuts, i més encara, amb dades errònies o absents, la qual cosa és una limitació molt freqüent en aquest camp. Aquesta tesis està dedicada a la generació de models basats en aprenentatge automàtic per predir ja siguin nivells de GS utilitzant algoritmes de regressió o hipoglucèmia postprandial utilitzant algoritmes de classificació. L’aplicació d’aquests models van des de la teràpia de múltiples injeccions diàries (MID), fins a la teràpia SAP