🤖 machine learning

An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning

Este artículo presenta un nuevo conjunto de datos emparejados de señales de fotopletismografía (PPG) derivadas de relojes inteligentes y valores de monitoreo continuo de glucosa (CGM), presentando resultados preliminares que sugieren la viabilidad de utilizar el aprendizaje automático para estimar de forma no invasiva los niveles de glucosa en sangre, al tiempo que destaca la necesidad de realizar más investigaciones con conjuntos de datos más grandes.

Autores originales: Ruhani Bhatia, Vijval Ekbote

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ruhani Bhatia, Vijval Ekbote

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tu cuerpo es como una ciudad bulliciosa, y el azúcar en la sangre es el combustible que mantiene en marcha a los coches (tus células). A veces, el nivel de combustible es demasiado bajo o demasiado alto, lo cual es peligroso para las personas con diabetes. En este momento, la mejor forma de comprobar este nivel de combustible es con un Monitor Continuo de Glucosa (MCG), pero eso requiere clavarte una diminuta aguja bajo la piel cada pocos días. Es preciso, pero duele e irrita la piel.

Los investigadores de este artículo se hicieron una pregunta sencilla: ¿Podemos comprobar el nivel de combustible sin la aguja?

Decidieron intentar usar un reloj inteligente en su lugar. Los relojes inteligentes ya tienen un sensor que proyecta una luz sobre tu muñeca para medir tu pulso (llamado señal PPG). Los investigadores pensaron: "Tal vez la forma en que tu pulso cambia varía cuando tus niveles de azúcar camban, y si usamos un cerebro de computadora súper inteligente (Aprendizaje Automático), podemos averiguar el nivel de azúcar solo observando el pulso".

Aquí explicamos cómo intentaron que esto funcionara, de forma sencilla:

1. Recopilación de los "Datos de Entrenamiento"

Para enseñar a una computadora a adivinar los niveles de azúcar, necesitas mostrarle ejemplos donde conozcas tanto el pulso como el nivel real de azúcar al mismo tiempo.

El Equipo: Encontraron a 5 voluntarios (3 hombres y 2 mujeres).
El Equipo Técnico: Cada voluntario usó un reloj inteligente en la muñeca y un sensor de MCG (el dispositivo de la aguja) en el brazo durante dos semanas seguidas.
El Resultado: Crearon un enorme "conjunto de datos emparejados". Es como tener un diario donde cada segundo de un pulso de latido cardíaco se empareja con el nivel exacto de azúcar en ese mismo instante. Esto es poco común porque la mayoría de los estudios previos solo analizaron datos durante unos pocos minutos.

2. Limpieza de los Datos Desordenados

Los datos que recolectaron eran un poco desordenados, como intentar comparar un video de alta velocidad con una foto en cámara lenta.

El Problema: El reloj inteligente registraba datos 64 veces por segundo (muy rápido), pero el MCG solo daba una nueva lectura de azúcar cada 15 minutos (muy lento).
La Solución: Utilizaron un truco matemático llamado interpolación. Imagina dibujar una línea curva y suave que conecte los puntos de las lecturas lentas de azúcar. Esto les permitió adivinar cuál era el nivel de azúcar en cada segundo, igualando la velocidad del reloj inteligente.

3. Enseñando a la Computadora (Los Experimentos)

Alimentaron estos datos limpios en un modelo de computadora (un tipo de Inteligía Artificial llamada Red Neuronal) para ver si podía aprender el patrón.

Experimento A: La Prueba de la "Misma Persona"
Entrenaron a la computadora con los datos de una persona y la probaron con los datos futuros de esa misma persona.
- El Resultado: ¡Funcionó bien! La computadora podía adivinar el nivel de azúcar con cierta precisión, pero no era perfecta. Era como un estudiante que estudia mucho para el examen de un profesor específico, pero podría tener dificultades con el examen de un profesor diferente.
Experimento B: La Prueba de la "Personalización"
Intentaron entrenar a la computadora con los datos de tres personas y luego ajustarla ligeramente para que funcionara para una cuarta persona.
- El Resultado: La computadora acertó el nivel de azúcar promedio aproximadamente, pero fue terrible adivinando el momento exacto. Era como un pronosticador del tiempo que sabe que lloverá mañana, pero no puede decirte si empezará a las 9 AM o a las 2 PM. Las predicciones estaban desincronizadas con la realidad.
Experimento C: La Prueba del "Viaje en el Tiempo"
Se preguntaron: "¿Tal vez el pulso cambia antes de que el azúcar cambie?". Así que intentaron predecir el nivel de azúcar de 10, 15 o 20 minutos en el futuro.
- El Resultado: Fue inconsistente. A veces funcionaba, a veces no. Dependía mucho de la persona específica, lo que significa que no era una regla fiable para todos.

4. La Prueba de Seguridad (La Parte Más Importante)

Antes de que un dispositivo médico pueda ser utilizado en personas reales, debe pasar una prueba de seguridad estricta llamada Grilla de Error de Clarke. Esta grilla comprueba si un error de cálculo podría llevar a decisiones médicas peligrosas.

El Objetivo: Quieres que el 100% de los aciertos estén en la "Zona Segura" (Zona A).
La Realidad: Solo alrededor del 74% de sus aciertos aterrizaron en la zona segura.
El Peligro: Cerca del 26% de los aciertos aterrizaron en la "Zona E". En esta zona, la computadora podría decir que tu azúcar está baja cuando en realidad está alta (o viceversa). Si una persona real usara esto, podría tomar la medicina equivocada, lo cual podría ser mortal.

La Conclusión

Los investigadores construyeron con éxito un conjunto de datos único y demostraron que existe una señal en los datos del reloj inteligente que se relaciona con el azúcar en la sangre. Sin embargo, su modelo de computadora actual no está listo para el mundo real.

Declaran explícitamente que sus resultados no son seguros para el uso clínico todavía. La tecnología es como un prototipo de coche que puede conducir por una calle tranquila, pero no está listo para el tráfico de una autopista. Esperan que su conjunto de datos ayude a otros científicos a intentar construir una versión mejor y más segura en el futuro.

Resumen Técnico: Estudio Exploratorio de la Estimación de la Glucosa en Sangre a partir de Señales PPG

Planteamiento del Problema
La gestión de la diabetes depende en gran medida del monitoreo continuo de glucosa (CGM), sin embargo, los dispositivos CGM tradicionales son invasivos, requieren perforar la piel y plantean riesgos de infección e irritación. Si bien se necesitan alternativas no invasivas, los enfoques actuales de aprendizaje automático (ML) para estimar la glucosa en sangre a partir de señales fisiológicas suelen sufrir de una falta de datos emparejados densos y de larga duración. Estudios previos que utilizan señales de fotopletismografía (PPG) han registrado típicamente datos por duraciones muy cortas (a menudo inferiores a 3 minutos) o no han logrado emparejar las señales PPG con mediciones continuas de glucosa durante períodos prolongados, lo que limita la capacidad de entrenar modelos de aprendizaje profundo robustos.

Metodología
Los autores proponen un marco basado en el aprendizaje automático para estimar los niveles de glucosa en sangre utilizando señales PPG no invasivas capturadas por relojes inteligentes. La metodología se estructura en torno a la creación de un conjunto de datos único y la aplicación de técnicas específicas de procesamiento de señales y modelado:

Creación del Conjunto de Datos: Se construyó un conjunto de datos emparejado que involucra a cinco voluntarios (3 hombres, 2 mujeres) monitoreados durante un período de 14 días.
- Datos PPG: Recolectados mediante relojes inteligentes Empatica EmbracePlus a una tasa de muestreo de 64 Hz.
- Datos de Glucosa: Recolectados simultáneamente mediante dispositivos de CGM Freestyle Libre (registrados inicialmente en intervalos de 15 minutos).
- Cumplimiento Ético: El estudio recibió el permiso previo del Comité de Revisión Institucional.
Preprocesamiento de Datos:
- Interpolación: Para abordar la disparidad entre los datos de alta frecuencia de la PPG (64 Hz) y los datos de baja frecuencia de la glucosa (intervalos de 15 minutos), se aplicó interpolación de spline cúbica a los valores de glucosa. Esto permitió la generación de una curva de glucosa suave, permitiendo la creación de un conjunto de entrenamiento denso donde cada paso de tiempo de la PPG podía emparejarse con un valor de glucosa correspondiente.
- Extracción de Características: Las señales PPG crudas fueron procesadas utilizando un marco de ventana deslizante (ventana de 60 segundos, traslape del 50%/paso de 30 segundos) para mitigar el ruido y asegurar la inclusión de múltiples ciclos cardíacos. Utilizando la biblioteca pyPPG, se extrajeron 918 características por ventana, que comprenden:
  - Características en el dominio del tiempo: Amplitud máxima/media, asimetría, curtosis, energía.
  - Características en el dominio de la frecuencia: Frecuencia dominante, potencia total.
  - Características de la Variabilidad de la Frecuencia Cardíaca (HRV): Intervalo inter-latido medio, desviación estándar de los intervalos de normal-a-normal, latidos por minuto.
Modelado: Se empleó un Perceptrón Multicapa (MLP) con dos capas ocultas (100 neuronas cada una) y activación ReLU. El modelo fue optimizado utilizando el optimizador Adam. Los experimentos incluyeron entrenamiento/prueba en el mismo sujeto, personalización de modelos para sujetos específicos mediante ajuste fino (fine-tuning), y predicción de valores de glucosa con retardos de tiempo ( $\tau$ ) de 10, 15 y 20 minutos.

Resultados Clave
El estudio presenta hallazgos experimentales preliminares que resaltan tanto el potencial como las limitaciones significativas:

Desempeño en el Mismo Sujeto: Cuando se entrenó y probó en el mismo sujeto (división temporal 80-20), el modelo alcanzó un Error Porcentual Absoluto Medio (MAPE) que osciló entre el 7.65% y el 14.28% a través de diferentes días, con un MSE promedio de 0.65.
Personalización: El ajuste fino de un modelo general sobre los datos de un sujeto específico resultó en un Error Absoluto Medio (MAE) de 1.0581 y un RMSE de 3.5597. Sin embargo, el modelo exhibió una subestimación sistemática (sesgo de -0.6850).
Problemas de Sincronización: A pesar de los bajos valores de RMSE, el Coeficiente de Correlación de Concordancia de Lin (CCC) fue extremadamente bajo (0.0142), lo que indica que las predicciones del modelo no estaban efectivamente sincronizadas con las tendencias de la glucosa real.
Predicción de Retardo Temporal: La predicción de valores de glucosa futuros (10–20 minutos adelante) mostró inestabilidad significativa y varianza de desempeño entre sujetos.
Evaluación de Seguridad Clínica: Utilizando la Grilla de Error de Clarke, solo el 73.64% de las predicciones cayeron en la Zona A (clínicamente precisas). Crucialmente, el 25.63% de las predicciones cayeron en la Zona E, lo que representa errores peligrosos que podrían conducir a un tratamiento incorrecto. Los resultados no cumplieron con el estándar ISO 15197:2013 para aprobación clínica.

Contribuciones Clave

Conjunto de Datos Emparejado Denso: La principal contribución es la creación y publicación de un conjunto de datos emparejado, denso y de larga duración (14 días) que vincula señales PPG de alta frecuencia de relojes inteligentes con mediciones continuas de glucosa de dispositivos CGM. Esto aborda la escasez crítica de datos en este campo.
Análisis Exploratorio: El artículo proporciona una evaluación de base del uso de MLP para esta tarea, demostrando que, si bien existen señales predictivas, los modelos actuales luchan con la sincronización y la precisión clínica.
Marco Metodológico: El estudio detalla un flujo de trabajo para manejar datos multimodales con diferentes tasas de muestreo, incluyendo estrategias de interpolación e ingeniería de características para señales PPG.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como un estudio exploratorio en lugar de una solución definitiva. Establecen explícitamente que, si bien los resultados sugieren la existencia de señales predictivas dentro de los datos de PPG, los modelos actuales aún no son adecuados para el despliegue clínico. El documento enfatiza que el bajo CCC y el alto porcentaje de errores peligrosos (Zona E) requieren una validación extensa adicional y pruebas clínicas antes de que se pueda hacer cualquier afirmación respecto a la precisión o accesibilidad. La significancia del trabajo radica en proporcionar un recurso fundacional (el conjunto de datos) e ideas preliminares para inspirar más investigación en el monitoreo no invasivo de la glucosa, en lugar de ofrecer un dispositivo médico listo para su uso.