Palabras clave
Diabetes Mellitus
Sorensen
Cómo citar
Métricas de PLUMX
Resumen
El objetivo de esta investigación es desarrollar una plataforma que controle la cantidad de insulina necesaria para mantener los niveles de glucosa en pacientes con diabetes mellitus tipo 1. El estudio se basa en la implementación del modelo matemático de Sorensen y un controlador basado en aprendizaje por refuerzo llamado (Reinforcement Learning-Based Controller, RLBC) Deep Q-Learning en una tarjeta de desarrollo Raspberry Pi 2B, con una ejecución en tiempo real. Los resultados obtenidos son comparados cuantitativamente con un controlador robusto basado en µ-síntesis, concluyendo que el controlador basado en aprendizaje por refuerzo presenta un mejor desempeño. La implicación principal de esta investigación es la posibilidad de mejorar el control de la glucosa en pacientes con diabetes mellitus tipo 1 a través de un sistema automatizado y de bajo costo. La contribución original de este estudio radica en la integración de un modelo matemático complejo con hardware accesible para el control de la diabetes. En conclusión, este trabajo sienta las bases para el desarrollo de dispositivos de control de insulina más eficientes y accesibles, aunque se requiere investigación adicional para validar su efectividad en entornos clínicos.
Citas
Dénes-Fazakas, L., Siket, M., Kertész, G., Szilágyi, L., Kovács, L., & Eigner, G. (2022). Control of type 1 diabetes mellitus using direct reinforcement learning based controller. In 2022 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 1512-1517. IEEE. http://dx.doi.org/10.1109/SMC53654.2022.9945084
Fox, I., & Wiens, J. (2019). Reinforcement learning for blood glucose control: Challenges and opportunities. Reinforcement Learning for Real Life (RL4RealLife) Workshop in the 36th International Conference on Machine Learning. https://openreview.net/forum?id=ByexVzSAs4
Katsarou, A., Gudbjörnsdottir, S., Rawshani, A., Dabelea, D., Bonifacio, E., Anderson, B. J., Jacobsen, L. M., Schatz, D. A., & Lernmark, Å. (2017). Type 1 diabetes mellitus. Nature Reviews Disease Primers, 3, 1-17. http://dx.doi.org/10.1038/nrdp.2017.16
Kovács, L., Benyó, B., Bokor, J., & Benyó, Z. (2011). Induced L2-norm minimization of glucose–insulin system for Type I diabetic patients. Computer Methods and Programs in Biomedicine, 102(2), 105-118. http://dx.doi.org/10.3182/20090812-3-DK-2006.0068
Magliano, D. J., & Boyko, E. J. (2022). IDF diabetes atlas. Federación Internacional de Diabetes. https://www.diabetesatlas.org
Marchetti, A., Sasso, D., D’Antoni, F., Morandin, F., Parton, M., Matarrese, M. A. G., & Merone, M. (2025). Deep reinforcement learning for Type 1 Diabetes: Dual PPO controller for personalized insulin management. Computers in Biology and Medicine, 191, 110-147. https://doi.org/10.1016/j.compbiomed.2025.110147
Navarrete, G. A., & Vidrios-Serrano, C., & Maldonado-Fregoso, B., & García, R. J. A., & Chocoteco, J. A. (2024). Implementación del modelo y control en tiempo discreto para diabetes mellitus tipo 1 en una plataforma embebida de bajo costo. In Ingeniantes, Instituto Tecnológico Superior de Misantla. 3(1), 97-102. https://citt.itsm.edu.mx/ingeniantes/articulos/ingeniantes11no1vol3/13.pdf
Ngo, P. D., Wei, S., Holubová, A., Muzik, J., & Godtliebsen, F. (2018). Control of Blood Glucose for Type‐1 Diabetes by Using Reinforcement Learning with Feedforward Algorithm. Computational and mathematical methods in medicine, 2018, 4091497. https://doi.org/10.1155/2018/4091497
Parker, R. S., Doyle III, F. J., Ward, J. H., & Peppas, N. A. (2000). Robust H∞ glucose control in diabetes using a physiological model. AIChE Journal, 46(12), 2537-2549. https://aiche.onlinelibrary.wiley.com/doi/abs/10.1002/aic.690461220
Ramprasad, Y., Rangaiah, G. P., & Lakshminarayanan, S. (2004). Robust PID controller for blood glucose regulation in type I diabetics. Industrial & engineering chemistry research, 43(26), 8257-8268. http://dx.doi.org/10.1021/ie049546a
Ruiz-Velázquez, E., García-Rodríguez, J., Quiroz, G., & Femat, R. (2020). Robust μ-synthesis: Towards a unified glucose control in adults, adolescents and children with T1DM. Journal of the Franklin Institute, 357(14), 9633-9653. http://dx.doi.org/10.1016/j.jfranklin.2020.07.030
Sánchez-Peña, R., Colmegna, P., Grosembacher, L., Breton, M., De Battista, H., Garelli, F., & Cherñavvsky, D. (2017). Artificial pancreas: first clinical trials in Argentina. IFAC-PapersOnLine, 50(1), 7731-7736. https://doi.org/10.1016/j.ifacol.2017.08.1151
Sorensen, J. T. (1985). A physiologic model of glucose metabolism in man and its use to design and assess improved insulin therapies for diabetes (Doctoral dissertation, Massachusetts Institute of Technology). MIT Libraries. https://dspace.mit.edu/bitstream/handle/1721.1/15234/13180776-MIT.pdf?sequence=2
Syed, F. Z. (2022). Type 1 diabetes mellitus. Annals of internal medicine, 175(3), ITC33-ITC48. http://dx.doi.org/10.7326/AITC202203150
Tanzanakis, A., & Lygeros, J. (2023). Data-Driven Robust Reinforcement Learning Control of Uncertain Nonlinear Systems: Towards a Fully-Automated, Insulin-Based Artificial Pancreas. arXiv preprint arXiv:2312.04503. https://doi.org/10.48550/arXiv.2312.04503
Van Hasselt, H., Guez, A., & Silver, D. (2016). Deep reinforcement learning with double q-learning. In Proceedings of the AAAI conference on artificial intelligence , 30(1). https://doi.org/10.1609/aaai.v30i1.10295
Viroonluecha, P., Egea-Lopez, E., & Santa, J. (2022). Evaluation of blood glucose level control in type 1 diabetic patients using deep reinforcement learning. Plos one, 17(9), e0274608. http://dx.doi.org/10.1371/journal.pone.0274608
Wang, Z., Xie, Z., Tu, E., Zhong, A., Liu, Y., Ding, J., & Yang, J. (2021). Reinforcement learning-based insulin injection time and dosages optimization. In 2021 International Joint Conference on Neural Networks (IJCNN), 1-8. IEEE. http://dx.doi.org/10.1109/IJCNN52387.2021.9533957
Watkins, C. J., & Dayan, P. (1992). Q-learning. Machine learning, 8, 279-292. https://doi.org/10.1007/BF00992698
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Derechos de autor 2026 Revista Bio Ciencias