El sensor de glucosa es invasivo debido a la introducción de un filamento a nivel subcutáneo, sin embargo expone el cuerpo a menos pinchazos por agujas como sería el caso con un glucómetro convencional. En casos en que los niveles de glucosa cambian rápidamente (2mg/dL por minuto) puede no reflejar el estado real de la glucosa. No se ha evaluado su interacción con otros dispositivos médicos y se considera que sus componentes son biopeligrosos y pueden transmitir enfermedades infecciosas, lo anterior puede verificarse en el manual de producto, a pesar de esto es un sistema práctico y fácil de usar para monitorear la glucosa en sangre.
El sistema de monitoreo de glucosa facilitó la creación del conjunto de datos de entrenamiento, sin el cual no habría sido posible diseñar el modelo predictivo debido a que no se encontró un grupo de datos con la información necesaria para el proyecto. Con respecto a la limpieza y transformación realizada a los datos extraídos con el sistema de monitoreo de glucosa, a la clasificación manual de la información, a la tabla de HC [26] y a las librerías de Python utilizadas permitieron crear un modelo predictivo con niveles de exactitud en las predicciones cercanos al 98%.
Se pudo ver en el cálculo de la desviación estándar de alimentos con IG cercanos pero CG distantes el alimento con mayor CG tiene una mayor dispersión de los niveles de glucosa, en otras palabras se presentan cambios más abruptos de glucosa en alimentos que elevan más rápidamente la glucosa que aquellos con CG más bajas, es decir que los alimentos con CG elevado son más perjudiciales para las personas debido a que es más probable que generen picos de glucosa.
Con respecto al modelo predictivo fue posible realizar predicciones más exactas de los niveles de glucosa al utilizar ocho (8) categorías en lugar de diez (10), catorce (14) o veinte (20) con porcentajes cercanos al 75%, pero con un porcentaje de error equivalente del 75%, con ocho (8) medidas de glucosa se era capaz de predecir dos (2) de ellas, siendo así un modelo predictivo inexacto, por otro lado se logró un porcentaje de exactitud en las predicciones aproximado del 98% pero con una exactitud en las medidas de glucosa muy bajo debido a que solo se manejaron tres (3) categorías cada una con intervalos de 70 mg/dL. Un rango amplio teniendo en cuenta que una persona sana puede variar sus niveles de glucosa postprandiales entre 0 y 40(mg/dL), a pesar de esto son categorías importantes debido a que permiten ubicar a la persona como sana o con problemas de asimilación de glucosa, ya sean hipoglucémicos o hiperglucémicos.
Los porcentajes de error, exactitud de la predicción y de las medidas puntuales de glucosa mejorarían si se logra obtener una cantidad de datos mucho mayor, debido a los costos de los elementos de medición y captura de información, y a las limitaciones en los tiempos de desarrollo del proyecto no se logró extraer una cantidad mayor de datos.
CAPÍTULO 5: CONCLUSIONES
5.1. VERIFICACIÓN, CONTRASTE Y EVALUACIÓN DE LOS OBJETIVOS
Con ayuda del sistema de monitoreo de glucosa, la tabla de HC, el registro y selección de alimentos base para el proyecto se realizó la extracción de los datos, la transformación se llevó a cabo a través de la limpieza, interpretación y reorganización de los datos de manera manual y la posterior carga de información al modelo predictivo, lo anterior se resume como un proceso de ETL utilizado como materia prima por un modelo para predecir los niveles de glucosa en sangre de una persona. Debido a que los datos obtenidos pertenecen a un sujeto sin problemas de hipoglucemia o hiperglucemia, el modelo predictivo tiende a responder con datos de la categoría dos (2) que corresponde a un rango de respuesta glucémica postprandial normal.
Se contrastó los niveles de glucosa en sangre contra el IG de los datos recolectados del sujeto de prueba y ver si existía una relación directa y predecible entre ellos, se ve que hay picos de glucosa que superan los 150 mg/dL tanto para IG bajos como altos sin ver claramente una tendencia y mucho menos predecible, como se puede observar en la siguiente figura: Figura 9: Niveles de glucosa postprandial en sangre contra el IG Fuente: Gráfica generada por los autores con Microsoft Excel .
Por el contrario se vio una clara tendencia entre CG alta y picos de glucosa que superan los 150 mg/dL e incluso los 200 mg/dL, al existir una tendencia es posible predecir los niveles de glucosa pero no con exactitud al 100% en las medidas debido a que se vieron niveles mayores de glucosa con CG baja, como fue el caso del Sushi con un CG de 18.9 en el cual se vio una desviación estándar de 40.87 para un grupo de ocho (8) puntos extraídos teniendo valores máximos de 201 mg/dL y mínimos de 74 mg/dL, como se puede observar en la siguiente figura:
Figura 10: Niveles de glucosa postprandial en sangre contra el CG
Fuente: Gráfica generada por los autores con Microsoft Excel .
Al verificar la desviación estándar de alimentos con IG distantes pero CG similares se evidenció la relevancia de la CG sobre el IG, sin importar que el IG de una cerveza fuese casi el doble que el de un plátano con el CG del plátano siendo ligeramente mayor que el de la cerveza se vio casi el doble de dispersión de los niveles de glucosa en el plátano, evidenciando cambios más repentinos en los niveles de glucosa que en la cerveza, incluso picos de glucosa mayores.
Al analizar la desviación estándar de alimentos similares en distintos restaurantes se puede ver una similitud en la dispersión de los datos indicando que la preparación de un alimento no altera significativamente la glucemia del sujeto. Se encontró que alimentos similares con preparaciones distintas en un mismo restaurante tampoco generan saltos abruptos en los niveles de glucosa, confirmando que la preparación de un alimento es irrelevante frente a la CG de un alimento.
Con base en lo anterior no se logra evidenciar una relación directa y predecible entre el IG, la CG, la preparación de los alimentos y los niveles de glucosa, a pesar de existir una clara tendencia no existe certeza con respecto al comportamiento de la glucosa debido a que se presentaron variaciones abruptas que no se relacionaron directamente con en ninguno de estos factores.
5.2. SÍNTESIS DEL MODELO PROPUESTO
Para el planteamiento del prototipo, se abordó con la teoría en donde se plantea que cada alimento tiene un índice y una carga glucémica, datos que indican cómo el cuerpo asimila cierto tipo de alimentos y que son únicos en cada individuo. Con esta premisa, se inicia seleccionando una lista de los alimentos más comunes ofrecidos por restaurantes, clasificados por carga glucémica en alto, medio y bajo. Se mide el impacto que tienen en un
individuo a través de un dispositivo para monitoreo de glucosa, datos que posteriormente son extraídos en un archivo CSV.
Con los datos, se procede a verificar con diferentes métodos de Aprendizaje no supervisado y supervisado de Machine Learning, la mejor forma de clasificar los resultados, proceso en donde se no se obtuvieron resultados contundentes y razón por la cual se eligió la clasificación manual. Paralelamente al desarrollo del modelo, se implementó el módulo de gestión de la información de usuarios, restaurantes y menús. Componentes necesarios para la salida del prototipo, las recomendaciones, que son generadas de acuerdo al criterio del usuario y en donde tiene 2 opciones: la primera qué alimento desea comer, y la segunda seguir la recomendación del prototipo del menú que aumente poco su curva glucémica. Por último se verificó en el mismo individuo y con ayuda del dispositivo para monitoreo de glucosa nuevamente, la exactitud con la que el modelo predecía la carga glucémica.
5.3. APORTES ORIGINALES
Las aplicaciones analizadas en el punto de estudio de sistemas previos, no poseen dos (2) puntos claves que añaden el prototipo realizado. El primero es la funcionalidad de hallar el alimento que se ajuste a unos criterios establecidos en restaurantes cercanos a la ubicación del usuario. Y el segundo, que la predicción de la curva glucémica se basa en mediciones hechas a cada individuo como ser único, algo novedoso es la convergencia entre los restaurantes, el enfoque de IG CG, y un modelo de predicción de glucosa.
5.4. TRABAJOS O PUBLICACIONES DERIVADAS
La aplicación puede ser complementada con funcionalidades que permitan que el usuario pueda obtener la comida que desea de una forma rápida. Ejemplo pidiendo domicilio. Además la aplicación podría brindar datos adicionales del resturante en caso de que el usuario tenga restricciones, ya sea por su estilo de vida o creencias.
CAPÍTULO 6: PROSPECTIVA DEL TRABAJO DE GRADO
6.1. LÍNEAS DE INVESTIGACIÓN FUTURAS
El método que se usó para las mediciones iniciales fue un dispositivo para el monitoreo continuo de la glucosa, hay dispositivos que miden el nivel de glucosa en un momento. La verificación con estos dispositivos del modelo podría significar un ahorro grande para los usuarios.
El modelo se verificó por un periodo corto de tiempo, sería interesante verificar si siguiendo las recomendaciones del modelo a largo plazo, hay una mejora cuantitativa y cualitativa de la salud del usuario.
6.2. TRABAJOS DE INVESTIGACIÓN FUTUROS
El uso del prototipo de forma recurrente y masiva es un gran reto, debido a que esta usa firebase, y se comunica en tiempo real. El uso e integridad de la información son sumamente importantes para que este modelo sea efectivo.
Un estudio con más datos, más individuos que incluyan patologías glucémicas y donde se tengan en cuenta más factores que afectan los niveles de glucosa.