Un modelo jerárquico bayesiano longitudinal para la predicción personalizada de glucosa en diabetes tipo 1
B. González Pérez, J. M. Velasco Cabo, D. Parra Rodriguez, O. Garnica, J. I. Hidalgo Pérez, E. Maqueda, M. Botella Serrano
Lograr un control adecuado de la glucosa en la diabetes tipo 1 sigue siendo un reto debido a la necesidad de monitorización continua y ajustes individualizados. El uso de sensores y dispositivos inteligentes genera datos ricos pero complejos, con estructura jerárquica, dependencia temporal y valores faltantes. En este trabajo se propone un modelo longitudinal jerárquico bayesiano aplicado al conjunto de datos HUPA-UCM del Hospital Universitario Príncipe de Asturias de Alcalá de Henares y la universidad Complutense de Madrid, que incluye mediciones de glucosa, insulina, dieta, actividad y sueño en 25 pacientes. El modelo integra efectos individuales y variables que cambian en el tiempo, captando tanto dinámicas temporales como diferencias entre personas. La inferencia se realiza mediante MCMC. El enfoque facilita el manejo de datos incompletos y aporta información útil para la toma de decisiones clínicas y el desarrollo de sistemas personalizados.
Palabras clave: Diabetes Mellitus Tipo 1, Estadística Bayesiana, Modelo jerárquico
Programado
Métodos Bayesianos
4 de septiembre de 2026 11:10
Aula 20
Otros trabajos en la misma sesión
C. Armero, D. Mlynarczyk, G. Calvo, F. Palmi-Perales, V. Gómez-Rubio, A. De la Torre, R. Bayona
A. Forte Deltell, J. Martínez-Minaya, J. Piqueras Marqués
J. M. Gutiérrez Díez
A. Olivares Canal, V. Peña Pizarro, M. Jauch, A. F. Barrientos
Y. Torres Favier, A. Monleon Getino, C. Crespo Palomo