Modelamiento y asimilación de datos de la respuesta glicémica en humanos

dc.contributor.advisorRamirez Osorio, Jorge Mariospa
dc.contributor.authorFonnegra García, Danielspa
dc.contributor.corporatenameUniversidad Nacional de Colombia - Sede Medellínspa
dc.date.accessioned2020-08-27T19:51:13Zspa
dc.date.available2020-08-27T19:51:13Zspa
dc.date.issued2020-03-28spa
dc.description.abstractWe design a phenomenological parsimonious model for glucose homeostasis in healthy humans. The model consists of a two-reservoir nonlinear differential system depending on a set of parameters with physiological meaning, which values are found by fitting the model to a provided data set. The available data consists of almost continuous sub-cutaneous measurements of glucose together with a list of nutritional values of the meals ingested by different users. The set of model parameters is then split into those that are meal-dependent, and those that should be constant across meals for each user separately. With this split, we propose an algorithm to predict the meal parameters by having as input the nutritional value of the meal. The results validate our model because the parameter values fall within human normal ranges according to the available literature, while at the same time, fitting the data with very low errors. A random tree regressor is proposed to predict the values of the meal-dependent parameters that best fit the model from the meal’s nutritional values logged by the users. We find that, unfortunately, the meals nutritional value data lack integrity and we could not find a model that fitted the relation between nutritional value and meal parameters.spa
dc.description.abstractDiseñamos un modelo fenomenológico parsimonioso para la homeostasis de la glucosa en humanos sanos. El modelo consiste en un sistema diferencial no lineal de dos depósitos que depende de un conjunto de parámetros con significado fisiológico, cuyos valores se encuentran ajustando el modelo a un conjunto de datos proporcionado. Los datos disponibles consisten en mediciones subcutáneas casi continuas de la glucosa junto con una lista de valores nutricionales de las comidas ingeridas por diferentes usuarios. El conjunto de parámetros del modelo se divide entonces en los que dependen de la comida y los que deben ser constantes en todas las comidas para cada usuario por separado. Con esta división, proponemos un algoritmo para predecir los parámetros de la comida teniendo como entrada el valor nutricional de la comida. Los resultados validan nuestro modelo porque los valores de los parámetros se encuentran dentro de los rangos normales de los humanos según la literatura disponible, mientras que al mismo tiempo, se ajustan los datos con errores muy bajos. Se propone un regresor de árbol aleatorio para predecir los valores de los parámetros dependientes de la comida que mejor se ajustan al modelo a partir de los valores nutricionales de la comida registrados por los usuarios. Encontramos que, desafortunadamente, los datos del valor nutricional de las comidas carecen de integridad y no pudimos encontrar un modelo que se ajustara a la relación entre el valor nutricional y los parámetros de la comida.spa
dc.description.degreelevelMaestríaspa
dc.format.extent52spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/78283
dc.language.isoengspa
dc.publisher.branchUniversidad Nacional de Colombia - Sede Medellínspa
dc.publisher.departmentEscuela de matemáticasspa
dc.publisher.programMedellín - Ciencias - Maestría en Ciencias - Matemática Aplicadaspa
dc.relation.referencesDalla Man, C., Rizza, R. and Cobelli, C. (2007). Meal Simulation Model of the Glucose-Insulin System. IEEE Transactions on Biomedical Engineering, 54(10), pp.1740-1749.spa
dc.relation.referencesDalla Man, C., Camilleri, M. and Cobelli, C. (2006). A System Model of Oral Glucose Absorption: Validation on Gold Standard Data. IEEE Transactions on Biomedical Engineering, 53(12), pp.2472-2478.spa
dc.relation.referencesWoerle, H., Meyer, C., Dostou, J., Gosmanov, N., Islam, N., Popa, E., Wittlin, S., Welle, S. and Gerich, J. (2003). Pathways for glucose disposal after meal ingestion in humans. American Journal of Physiology-Endocrinology and Metabolism, 284(4), pp.E716-E725.spa
dc.relation.referencesPennant, M., Bluck, L., Marcovecchio, M., Salgin, B., Hovorka, R. and Dunger, D. (2008). Insulin Administration and Rate of Glucose Appearance in People With Type 1 Diabetes. Diabetes Care, 31(11), pp.2183-2187.spa
dc.relation.referencesWachters-Hagedoorn, R., Priebe, M., Heimweg, J., Heiner, A., Englyst, K., Holst, J., Stel-laard, F. and Vonk, R. (2006). The Rate of Intestinal Glucose Absorption Is Correlated with Plasma Glucose-Dependent Insulinotropic Polypeptide Concentrations in Healthy Men. The Journal of Nutrition, 136(6), pp.1511-1516.spa
dc.relation.referencesEvensen, G. (2007). Data assimilation. Springer.spa
dc.relation.referencesAckerman, E., Gatewood, L., Rosevear, J., & Molnar, G. (1965). Model studies of blood-glucose regulation. The Bulletin Of Mathematical Biophysics, 27(S1), 21-37. doi: 10.1007/bf02477259spa
dc.relation.referencesBergman, R., Ider, Y., Bowden, C., & Cobelli, C. (1979). Quantitative estimation of insulin sensitivity. American Journal Of Physiology-Endocrinology And Metabolism, 236(6), E667. doi: 10.1152/ajpendo.1979.236.6.e667spa
dc.relation.referencesP. Bogacki, L.F. Shampine, A 3(2) Pair of Runge-Kutta Formulas, Appl. Math. Lett. Vol. 2, No. 4. pp. 321-325, 1989.spa
dc.relation.referencesDiabetes. (2020). Retrieved 10 February 2020, from https://www.who.int/en/news-room/fact-sheets/detail/diabetesspa
dc.relation.referencesRöder, P., Wu, B., Liu, Y., & Han, W. (2016). Pancreatic regulation of glucose homeostasis. Experimental Molecular Medicine, 48(3), e219-e219. doi: 10.1038/emm.2016.6spa
dc.relation.referencesSciPy v1.5.0 Reference Guide. (2020). Retrieved 21 June 2020, https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.minimize.htmlspa
dc.relation.referencesZhu, C and R H Byrd and J Nocedal. 1997. L-BFGS-B: Algorithm 778: L-BFGS-B, FORTRAN routines for large scale bound constrained optimization. ACM Transactions on Mathematical Software 23 (4): 550-560.spa
dc.relation.referencesShiang, K., Kandeel, F. (2010). A computational model of the human glucose-insulin regulatory system. Journal Of Biomedical Research, 24(5), 347-364. doi: 10.1016/s16748301(10)60048-6spa
dc.relation.referencesCaumo, A., Bergman, R., Cobelli, C. (2000). Insulin Sensitivity from Meal Tolerance Tests in Normal Subjects: A Minimal Model Index. The Journal Of Clinical Endocrinology Metabolism, 85(11), 4396-4402. doi: 10.1210/jcem.85.11.6982spa
dc.relation.referencesLouppe, G. (2014). Understanding Random Forests. University of Liège.spa
dc.relation.referencesScikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.spa
dc.relation.referencesBreiman, Arcing Classifiers, Annals of Statistics 1998.spa
dc.relation.referencesCalabrese, A., Gibby, C., Meinke, B., Revilla, M., Titchenal, A. Human nutrition.spa
dc.relation.referencesKalsbeek, A., la Fleur, S., & Fliers, E. (2014). Circadian control of glucose metabolism. Molecular Metabolism, 3(4), 372-383. doi: 10.1016/j.molmet.2014.03.002spa
dc.relation.referencesSciPy v1.5.0 Reference Guide. (2020). Retrieved 28 April 2020, from https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.solve ivp.htmlspa
dc.relation.referencesCharrondiere, U., Chevassus-Agnes, S., Marroni, S., Burlingame, B. (2004). Impact of different macronutrient definitions and energy conversion factors on energy supply estimations. Journal Of Food Composition And Analysis, 17(3-4), 339-360. doi: 10.1016/j.jfca.2004.03.011spa
dc.relation.referencesReid, K., Baron, K., & Zee, P. (2014). Meal timing influences daily caloric intake in healthy adults. Nutrition Research, 34(11), 930-935. doi: 10.1016/j.nutres.2014.09.010spa
dc.rightsDerechos reservados - Universidad Nacional de Colombiaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-NoComercial 4.0 Internacionalspa
dc.rights.spaAcceso abiertospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/spa
dc.subject.ddc510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasspa
dc.subject.proposalglucosaspa
dc.subject.proposalglucoseeng
dc.subject.proposalinsulineng
dc.subject.proposalinsulinaspa
dc.subject.proposalmodelamiento matematicospa
dc.subject.proposalmathematical modelingeng
dc.subject.proposalhomeostasisspa
dc.subject.proposalhomeosthasiseng
dc.subject.proposalabsorptioneng
dc.titleModelamiento y asimilación de datos de la respuesta glicémica en humanosspa
dc.title.alternativeModeling and data assimilation of the glycemic response in humansspa
dc.typeTrabajo de grado - Maestríaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/masterThesisspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
1020464828.2020.pdf
Tamaño:
1 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis Maestría en Ciencias Matemáticas

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
3.8 KB
Formato:
Item-specific license agreed upon to submission
Descripción: