Algoritmo de selección negativa para detección de fallas en equipo de infusión de insulina

Abstract

La detección de fallas en equipos utilizados por pacientes que padecen diabetes tipo I, quienes requieren terapias continuas de infusión de insulina, es de vital importancia. Las fallas en los equipos de infusión de insulina (FEII) traen como consecuencia que la dosis de insulina requerida no sea administrada eficientemente, esto conlleva a la elevación de niveles de glucosa en sangre conocida hiperglucemia. La hiperglucemia prolongada está relacionada con complicaciones que pueden producir daños graves e irreversibles en los pacientes. Existen diversos enfoques utilizados en la de detección de fallas, entre los que se incluyen métodos basados en modelos cualitativos y cuantitativos del sistema y métodos basados en el historial de datos del sistema, que han permitido avances importantes en el área. Por ejemplo, el empleo de métodos estadísticos ha demostrado ser una herramienta con gran potencial en la detección de FEII. Sin embargo, siguen existiendo fallas que no son detectadas o no son detectadas antes de que las concentraciones de glucosa en plasma alcancen valores que provoquen complicaciones en los pacientes. Teniendo esto en cuenta, se puede considerar que un enfoque enmarcado en el campo de la computación inteligente basado en el sistema inmune biológico podría ser utilizado para lograr esta tarea. En particular, un método como el Algoritmo de Selección Negativa (ASN) que pertenece a los denominados Sistemas Inmunes Artificiales (SIA) y que ha sido ampliamente utilizado en aplicaciones de ingeniería relacionadas con reconocimiento de patrones y detección de fallas. En este trabajo se propone implementar el Algoritmo de Selección Negativa (ASN) usando datos provenientes de pacientes simulados que están recibiendo la dosis adecuada de insulina y datos provenientes de los mismos pacientes en momentos en los que se presentan fallas que afectan la administración de insulina para que, a partir de la clasificación de los mismos, se pueda detectar la FEII. Los datos son obtenidos del simulador UVA/PADOVA de pacientes con diabetes tipo I y clasificados por el ASN en dos categorías: valores normales y anormales, estos últimos se interpretan como la ocurrencia de alguna falla en el mecanismo de infusión de insulina del paciente. Finalmente, se evalúa su desempeño al comparar los resultados obtenidos con investigaciones anteriores que emplean el enfoque de detección de fallas usando el análisis estadístico multivariable.