Predicción multimodal de niveles de glucosa en sangre mediante redes neuronales profundas a partir de sensores mcg, actividad física e imágenes de retina

Abstract

Este Trabajo de Fin de Máster (TFM) desarrolla un sistema de predicción multimodal de niveles de glucosa en sangre mediante redes neuronales profundas, integrando información procedente de sensores de monitorización continua de glucosa (MCG), registros de actividad física e imágenes de retina. El proyecto se apoya en el conjunto de datos AI-READI, un recurso internacional de referencia que combina datos clínicos, fisiológicos y visuales de más de mil participantes distribuidos en distintas cohortes según su grado de afectación metabólica. Se han diseñado y evaluado tres arquitecturas de aprendizaje profundo: una red densa multimodal y dos modelos Transformer con distinta configuración de metaparámetros. Los resultados muestran que las versiones basadas en Transformer alcanzan el mejor rendimiento global, con un MAE medio de 17,5 mg/dL y un RMSE de 25,9 mg/dL, reduciendo la variabilidad entre participantes y mejorando la estabilidad del entrenamiento. Estas mejoras son especialmente notables en el horizonte de 5 minutos, lo que las hace especialmente útiles para sistemas de alerta temprana. En conjunto, el trabajo demuestra la viabilidad del enfoque multimodal para la predicción personalizada de glucosa en pacientes con diabetes tipo 2, y sienta las bases para futuras aplicaciones clínicas basadas en inteligencia artificial.