Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Ju-P2: Sesión de pósteres II Lugar: Zona pósteres | |
    | |
Desarrollo de modelos de aprendizaje automático para la predicción personalizada de parámetros de control glucémico en pacientes con diabetes tipo 1 1: Departamento de Tecnología Fotónica y Bioingeniería, Grupo de Bioingeniería y Telemedicina, Centro de Tecnología Biomédica, ETSI de Telecomunicación, Universidad Politécnica de Madrid, Madrid, España.; 2: CIBER-BBN: Centro de Investigación Biomédica en Red, Biomateriales y Nanomedicina, Madrid, España.; 3: Departamento de Endocrinología y Nutrición, Instituto de Investigación e Innovación Parc Taulí (I3PT), Universidad Autónoma de Barcelona, Sabadell, España. El manejo diario de la diabetes tipo 1 representa un desafío complejo, donde se requiere un equilibrio constante entre la administración de insulina, la ingesta de alimentos o la actividad física, entre otros factores. Los pacientes deben ajustar frecuentemente las dosis de insulina en función de estos parámetros para mantener sus niveles de glucosa en un rango objetivo. Para ello, se utilizan actualmente protocolos estandarizados y ajustes empíricos, basados en la experiencia del equipo médico y en el seguimiento continuo de los datos del paciente. Sin embargo, estos métodos no siempre logran una personalización óptima, lo que puede traducirse en una adaptación lenta a los cambios en las necesidades individuales. El objetivo de este trabajo es desarrollar un modelo de aprendizaje automático capaz de predecir de forma personalizada los parámetros clave para la toma de decisiones en el contexto de la ingesta en pacientes con páncreas artificial. El modelo ha obtenido un error porcentual absoluto medio de 3,89 % para el subgrupo con mejor desempeño, mientras que en el peor caso el valor registrado fue de 7,67 %. Este trabajo responde a una necesidad clínica de personalización del tratamiento, una tendencia creciente que busca adaptar los tratamientos a las características específicas de cada paciente.
| |