Estimación de los niveles de glucosa en sangre utilizando señales de fotopletismografía (PPG) con técnicas de inteligencia artificial explicables

Estimar los niveles de azúcar en sangre es una tarea crítica en el manejo efectivo de la diabetes. Este estudio se centra en aprovechar el poder de modelos de aprendizaje automático como CatBoost, XGBoost y Extra Trees Regressor, junto con técnicas de IA explicables como valores SHAP y matrices de confusión, para predecir los niveles de azúcar en sangre utilizando señales de fotopletismografía (PPG). El conjunto de datos utilizado en esta investigación ha sido cuidadosamente seleccionado para la predicción de glucosa a partir de señales de PPG y consiste en datos de 217 individuos. La información para cada individuo incluye mediciones de glucosa en laboratorio y aproximadamente un minuto de señales de PPG del dedo registradas. Entre los diversos modelos de aprendizaje automático probados, CatBoost surgió como el modelo de mejor rendimiento en la predicción de los niveles de azúcar en sangre. El modelo CatBoost demostró su eficiencia y precisión en las predicciones de nivel de glucosa al lograr un impresionante coeficiente de determinación (R2) de 0.7191 y un error absoluto medio (MAE) de 25.21. El análisis de la importancia de las características destacó la relevancia de características específicas como la desviación mediana y la curtosis en el modelo predictivo construido con CatBoost, enfatizando su papel crítico en la determinación de los niveles de azúcar en sangre. La inclusión de técnicas de IA explicables mejoró la interpretabilidad y transparencia de los modelos predictivos. En conclusión, esta investigación subraya el potencial de los enfoques basados en aprendizaje automático en la predicción de los niveles de azúcar en sangre a partir de señales de PPG. Al aprovechar modelos avanzados como CatBoost y utilizar métodos de IA explicables, este estudio allana el camino para un mejor manejo de la diabetes a través de metodologías predictivas precisas, no invasivas y basadas en datos.