Abordagens de machine learning para previsão de curto prazo de níveis de insulina ativa e de glicose no sangue

Abstract

Para se ter um controlo minimamente eficaz à diabetes, os doentes diabéticos precisam de controlar o nível de glicose no sangue (BGL), monitorizando-o e prevendo os seus valores futuros. Isto permite evitar BGL alto ou baixo, tomando as ações recomendadas com antecedência. Por outro lado, nos últimos anos, vários estudos científicos e de aplicabilidade na área da saúde têm evidenciado resultados promissores na aplicação de técnicas/abordagens de Machine Learning (ML), em particular para a monitorização e previsão da glicose no sangue. Os métodos tradicionais de monitorização dos níveis de glicose, por vezes apresentam informações limitadas e não permitem previsões precisas. Isso dificulta a planificação de refeições, atividades físicas, levando a o organismo a produzir de hiperglicemia e hipoglicemia, com graves consequências para a saúde. Neste trabalho, partindo de um estudo do estado da arte das abordagens de ML aplicadas ao contexto da diabetes (mellitus) pretende-se simular e aplicar abordagens de ML para a previsão de níveis de glicose em pacientes com diabetes, nomeadamente através das redes Long Short-Term Memory (LSTM) para o problema da previsão de níveis de insulina ativa e de glicose no sangue. Para alcançar este objetivo é apresentada uma arquitetura projetada para criação do modelo preditivo e implementação de uma aplicação web para o teste e exploração dos resultados do modelo de previsão, permitindo o uso da web pelos pacientes para monitorizarem e preverem ocorrências das flutuações de açúcar no sangue. Os resultados obtidos com LSTM mostraram desempenho superior. O modelo LSTM Bidirecional destacou-se com uma precisão de aproximadamente 82%, superando modelos comparativos como Random Forest 77% e Análise Discriminante Linear 77%. F1 Score do LSTM bidirecional atingiu cerca de 66%, enquanto Precision e Recall atingiram 77% e 57%, respetivamente. Estes resultados indicam a eficiência do LSTM na previsão precisa das flutuações nos níveis de glicose, fornecendo uma base sólida para futuras implementações.

To have minimally effective control of diabetes, diabetic patients need to control their blood glucose level (BGL) by monitoring it and predicting future BGL. It allows to avoid high or low BGL by taking the recommended actions in advance. On the other hand, in recent years, several scientific and applicability studies in the health scientific area have shown promising results in the application of ML techniques/approaches, for the monitoring and prediction of blood glucose levels. The traditional methods of monitoring glucose levels sometimes provide limited information and do not allow for accurate predictions. This makes it difficult to plan meals and physical activity, leading the body to produce hyperglycaemia and hypoglycaemia, with serious health consequences. In this work, starting from a state-of-the-art study of ML approaches applied to the context of diabetes (mellitus), it is intended to simulate and apply ML approaches for the prediction of glucose in patients with diabetes, namely through the Long Short-Term Memory Networks for the problem of prediction of active insulin and BGL. To achieve this goal, this work presents an architecture designed to create the predictive model and implement a web application for testing and exploring the results of the prediction model, allowing the use of the web by patients to monitor and predict blood glucose fluctuations. The results obtained with LSTM showed superior performance. The Bidirectional LSTM model stood out with an accuracy of approximately 82%, outperforming comparative models such as Random Forest 77% and Linear Discriminant Analysis 77%. Bidirectional LSTM's F1 Score reached around 66%, while Precision and Recall reached 77% and 57%, respectively. These results indicate the effectiveness of LSTM in accurately predicting fluctuations in glucose levels, providing a solid foundation for future implementations.