Experimentos con redes neuronales recurrentes LSTM para la predicción del nivel de glucosa de pacientes con diabetes

Abstract

La diabetes es una enfermedad en la cual el cuerpo no procesa de manera adecuada la glucosa; el tratamiento para esta enfermedad se basa en el autocuidado del paciente, sus tendencias dietarias, el ejercicio y la administración de insulina. Predecir los niveles de glucosa futuros puede ser de gran ayuda para que el paciente y el personal médico que lo atiende determinen estrategias que mantengan sus niveles de glucosa en un rango que no sea peligroso. Las técnicas de aprendizaje profundo, entre otras cosas, permiten predecir valores en una serie temporal. En la actualidad, la técnica más usada es la predicción mediante redes neuronales recurrentes tipo LSTM. Este artículo se propone realizar experimentos variando los parámetros de redes neuronales tipo LSTM para determinar si dichos parámetros tienen alguna influencia en la precisión de la predicción del modelo.

Diabetes is a disease in which the body does not properly process glucose; Treatment for this disease is based on the patient's self-care, dietary tendencies, exercise, and insulin administration. Predicting future glucose levels can help the patient and their medical staff determine strategies to keep their glucose levels in a range that is not dangerous. Deep learning techniques, among other things, can predict values in a time series, currently the most widely used of these techniques is LSTM recurrent neural networks. This paper performs experiments varying the parameters of LSTM neural networks to determine whether these parameters have any influence on the accuracy of the model's prediction.