Estudi, desenvolupament i validació d'eines avançades per a la gestió de la diabetis

Abstract

Diabetes mellitus (DM) is a chronic disease characterized by the body's inability to produce the necessary amount of insulin to regulate blood glucose (BG) levels. Most cases occur due to a destruction of the pancreatic beta cells, which are responsible for secreting insulin, the root of an autoimmune process (type 1 DM) or, due to ineffective use of insulin (type 2 DM). Intensive insulin therapy using multiple doses of insulin is the standard of care of T1D patients and allows them to reduce blood glucose levels to prevent long-term diabetes complications. Hypoglycemia is a limiting factor in the application of this therapy and imposes one of the most important challenges in the treatment of people with diabetes, whose aim is to maintain normoglycemia. People with T1D face a lifelong challenge of maintaining BG levels within a safe range by reducing hyperglycemia without provoking hypoglycemic events.

There are many mobile health (m-health) applications (apps) for diabetes management and control of BG levels, but most of them do not have tools focused on the most difficult conditions for people with DM, hyperglycemia and hypoglycemia. This is why one of the main motivations of this thesis is not only to improve m-health apps for diabetes self-management decision support, but also to accurately predict hyperglycemia and hypoglycemia events, which would give the patient time to intervene and prevent these BG fluctuations and improve their health and quality of life.

Thus, the proposal of the thesis is to design and develop strategies and algorithms for monitoring, analysis and visualization of data, for BG control and improvement of the living conditions of those people living with DM under MDI therapy. The objective of the first part of the study is to develop new tools and functionalities for the assessment of glycemic control and risk of hyperglycemia and hypoglycemia events as a decision support to improve the performance of m-health apps dedicated to DM. The second part of the thesis aims to develop and implement a hypoglycemia prediction and prevention model as a decision support system capable of predicting nocturnal hypoglycemia through the implementation of mitigation strategies using Machine Learning techniques

La diabetis mellitus (DM) és una malaltia crònica caracteritzada per la incapacitat del cos per produir la quantitat necessària d'insulina per regular els nivells de glucosa en sang. La majoria de casos ocorren degut a una destrucció de les cèl·lules beta pancreàtiques, les quals s'encarreguen de segregar la insulina, arrel d'un procés autoimmunitari (DM tipus 1) o, degut a una ineficàcia de l'ús de la insulina (DM tipus 2). El tractament intensiu amb múltiples dosis d'insulina (MDI) és l'estàndard d'atenció sobretot pels pacients amb DM tipus 1 (DMT1) i els permet reduir els nivells de glucosa en sang per prevenir les complicacions de la diabetis a llarg termini. La hipoglucèmia és un factor limitant en l'aplicació d'aquesta teràpia i imposa un dels reptes més importants en el tractament de les persones amb diabetis, l'objectiu és mantenir la normoglucèmia. Les persones amb DMT1 s'enfronten al repte de mantenir els nivells de glucèmia dins d'un rang segur, reduint la hiperglucèmia sense provocar esdeveniments hipoglicèmics.

Existeixen moltes aplicacions (apps) mòbils de salut (m-health) per a la gestió de la diabetis i el control dels nivells de glucosa, però la majoria d’elles no tenen eines centrades en les condicions més difícils per a les persones amb DM, les hiperglucèmies i les hipoglucèmies. És per això que la principal motivació d’aquesta tesi és, no només millorar les aplicacions m-health d’ajuda a la presa de decisions d’autogestió a la diabetis, sinó també predir amb precisió les situacions d’hiperglucèmia i hipoglucèmia, la qual cosa donaria al pacient temps per intervenir i prevenir aquestes fluctuacions de glucosa i millorar la seva salut i qualitat de vida.

Així doncs, la proposta d’aquesta tesi és dissenyar i desenvolupar estratègies i algoritmes de control, anàlisi i visualització de dades, per al control de la glucosa en sang i la millora de les condicions de vida d'aquelles persones que viuen amb DM sota teràpia d’MDI. L’objectiu de la primera part de l’estudi és desenvolupar noves eines i funcionalitats d’avaluació del control glicèmic i de riscos d’esdeveniments d’hiperglucèmia i d’hipoglucèmia com a suport a la presa de decisions per a la millora de prestacions de les apps m-health dedicades a la DM. La segona part de la tesi, té com a objectiu elaborar i implementar un model de predicció i prevenció d’hipoglucèmies com a sistema de suport a la presa de decisions capaç de predir hipoglucèmies nocturnes a través de la implementació d’estratègies de mitigació mitjançant tècniques de Machine Learning