| Resum: |
La monitorización continua de glucosa (MCG) ha evidenciado la gran heterogeneidad de los perfiles glucémicos en pacientes con diabetes mellitus tipo 1, lo que subraya la necesidad de identificar fenotipos y orientar un tratamiento más personalizado. Entre las alteraciones detectadas, las hipoglucemias nocturnas son particularmente relevantes por su elevada frecuencia y asociación con complicaciones graves y deterioro de la calidad de vida. En este estudio se analizó el conjunto de datos T1DiabetesGranada (736 pacientes con FreeStyle Libre 2). Tras armonización y preprocesamiento, se aplicaron técnicas de clustering (K-means, aglomerativo y mezclas gaussianas). El mejor rendimiento se obtuvo con K-means (k=3; Silhouette=0,33; DB=1,13), identificando tres fenotipos: equilibrado (n=383, 52,0%), hiperglucémico (n=199, 27,0%) e hipoglucémico con alta variabilidad (n=154, 21,0%). Las variables más discriminantes fueron la carga de hipoglucemias nocturnas (media 6,2% del tiempo), hipoglucemias postprandiales (4,7%) y la glucosa media (152±36 mg/dL). Para la predicción de hipoglucemia nocturna (≥1 lectura <70 mg/dL entre 00:00-06:00), se desarrollaron modelos con variables estructuradas (Random Forest, Gradient Boosting, XGBoost) y modelos secuenciales con series CGM (ventanas de 4 h y horizonte de 2 h; LSTM y CNN-1D). En variables estructuradas, Random Forest alcanzó el mejor equilibrio (F1=0,788; AUROC=0,902; especificidad=0,85), mientras que XGBoost maximizó la sensibilidad (0,88) y la PR-AUC (0,820). En el modelado secuencial, CNN-1D obtuvo AUROC=0,917 y LSTM AUROC=0,910. En la predicción continua de glucosa, la ANN-MLP superó a la regresión lineal (RMSE=22,8/32,4/47,5 mg/dL y Clarke A+B=90,1%/81,0%/66,9% a 30/60/120 min). En conclusión, el clustering permitió caracterizar fenotipos glucémicos diferenciados, mientras que los modelos de machine learning y deep learning lograron predecir hipoglucemias nocturnas con alta precisión, ofreciendo un enfoque prometedor en el manejo personalizado de la diabetes. |
| Resum: |
Continuous glucose monitoring (CGM) has revealed the high heterogeneity of glycemic profiles in patients with type 1 diabetes mellitus, underscoring the need to identify phenotypes and guide more personalized treatment strategies. Among the alterations detected, nocturnal hypoglycemia is particularly relevant due to its high frequency and association with severe complications and impaired quality of life. In this study, we analyzed the T1DiabetesGranada dataset (736 patients, using FreeStyle Libre 2). After harmonization and preprocessing, different clustering techniques (K-means, agglomerative, and Gaussian mixtures) were applied. The best performance was achieved with K-means (k=3; Silhouette=0. 33; DB=1. 13), identifying three phenotypes: balanced (n=383, 52. 0%), hyperglycemic (n=199, 27. 0%), and hypoglycemic with high variability (n=154, 21. 0%). The most discriminant variables were nocturnal hypoglycemia burden (mean 6. 2% of time), postprandial hypoglycemia (4. 7%), and mean glucose (152±36 mg/dL). For nocturnal hypoglycemia prediction (≥1 reading <70 mg/dL between 00:00–06:00), we developed models based on structured variables (Random Forest, Gradient Boosting, XGBoost) and sequential CGM models (4-h sliding windows with a 2-h prediction horizon; LSTM and 1D-CNN). In structured variables, Random Forest achieved the best balance (F1=0. 788; AUROC=0. 902; specificity=0. 85), while XGBoost maximized sensitivity (0. 88) and PR-AUC (0. 820). In sequential modeling, 1D-CNN reached AUROC=0. 917 and LSTM AUROC=0. 910. In continuous glucose prediction, ANN-MLP outperformed linear regression (RMSE=22. 8/32. 4/47. 5 mg/dL and Clarke A+B=90. 1%/81. 0%/66. 9% at 30/60/120 min). In conclusion, clustering enabled the characterization of distinct glycemic phenotypes, while machine learning and deep learning models achieved high accuracy in predicting nocturnal hypoglycemia, offering a promising approach for personalized management of type 1 diabetes. |
visitant ::
identificació
