Identificación de patrones de glucemia en pacientes con diabetes tipo1 mediante monitorización continua de glucosa y técnicas de clusterización

• Autores: Sergio Contador Pachón, Marta Botella Serrano, Antonio Óscar Garnica Alcazar, José Manuel Velasco Cabo, Aranzanzu Aramendi Zurimendi, Remedios Rodríguez Martínez, Esther Maqueda Villaizán, José Ignacio Hidalgo Pérez
• Localización: Endocrinología, Diabetes y Nutrición, ISSN-e 2530-0164, Vol. 68, Nº. 3, 2021, págs. 170-174
• Idioma: español
• DOI: 10.1016/j.endinu.2019.12.011
• Títulos paralelos:
  • Identification of blood glucose patterns in patients with type1 diabetes using continuous glucose monitoring and clustering techniques
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Objetivo Demostrar que mediante técnicas estadísticas es posible obtener un número reducido de perfiles de glucosa de 4h con los que se puede identificar cualquier comportamiento de la glucosa en pacientes con diabetes mellitus tipo1.

    Material y métodos Se ha realizado un estudio retrospectivo de 10pacientes con diabetes mellitus tipo1, con datos adquiridos mediante monitorización continua de glucosa. Se ha utilizado una técnica de minería de datos basada en árboles de decisión denominada CHAID (CHi-square Automatic Interaction Detection) para clasificar los perfiles de glucosa en grupos utilizando dos criterios de decisión. Por un lado, los diferentes días (lunes; martes; miércoles; jueves; viernes; sábado; domingo); por otro, diferentes franjas del día, dividiendo el día en seis tramos de 4h cada uno (00:00-04:00h; 04:00-08:00h; 08:00-12:00h; 12:00-16:00h; 16:00-20:00h; 20:00-24:00h). Las agrupaciones se han realizado de acuerdo a los niveles de glucosa registrados, mediante diferencias estadísticamente significativas encontradas.

    Resultados Se han observado diferencias significativas (p<0,05) y dependencias entre los perfiles de glucosa clasificados en función de las variables independientes día de la semana y franja horaria, siendo las relaciones encontradas distintas para cada paciente, demostrando la necesidad de hacer un estudio individualizado.

    Conclusiones Los resultados obtenidos facilitarán la modelización matemática de la glucosa y podrán utilizarse para la creación de un clasificador individualizado para cada paciente que clasifique los perfiles de glucosa en función de las variables día de la semana y franja horaria. Utilizando este clasificador se podrán predecir los valores de glucosa del paciente conociendo en qué día de la semana se encuentra y en qué franja horaria, obteniendo modelos más precisos. También el profesional de la salud podrá mejorar los hábitos y las terapias de los pacientes.

  • English

    Objective To show that statistical techniques allow for obtaining a reduced number of four-hour glucose profiles that can identify any glucose behavior in patients with type1 diabetes mellitus.

    Material and methods A retrospective study of 10 patients with type1 diabetes mellitus was conducted using data collected by continuous glucose monitoring. A data mining technique based on decision trees called CHAID (Chi-square Automatic Interaction Detection) was used to classify glucose profiles into groups using two decision criteria. These were: 1, the seven days of the week, and 2, different time slots, the day being divided into six sections of four hours each. Clustering was performed according to the glucose levels recorded using the statistically significant differences found.

    Results Significant differences (P<.05) and dependencies were seen between the glucose profiles classified depending on the independent variables ‘day of the week’ and ‘time slot’. The relationships found were different for each patient, showing the need for individualized studies.

    Conclusions The results obtained will facilitate mathematical modeling of glucose, and can be used to develop an individualized classifier for each patient that categorizes glucose profiles based on the day of the week and time slot variables. Using this classifier, it will be possible to predict the glucose levels of the patient knowing on which day of the week and in which time slot he/she is, leading to more precise models. Healthcare professionals will also be able to improve patient habits and therapies.