Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Show HN
Show HN: He entrenado 15 modelos de predicción de glucosa en sangre con mis propios datos
Un usuario con diabetes tipo 1 publica en GitHub T1DMAI, un «zoo» de modelos que predicen la glucosa hasta dos horas vista, entre ellos un pequeño transformer propio de 31.000 parámetros. Los compara con XGBoost, LSTM o Chronos sobre sus datos y sobre el conjunto público MetaboNet.
Foto: vía github.com
1 medio · MadridPublicada 14 nov, 09:40Actualizada 14 nov, 14:40· Ya no está en portadaEscrita por IA · cómo funciona
El repositorio reúne modelos de predicción de glucosa (BG) entrenados y evaluados con 115 días de datos del autor (80 para entrenar y 35 para test) y con MetaboNet, un conjunto público con 279 personas en el test, la mayoría con bombas de lazo cerrado. Incluye baselines (persistencia, extrapolación lineal), modelos clásicos (AR, ARIMA, Kalman, SVR, XGBoost, LightGBM), redes (LSTM, GluNet, PatchTST, N-HiTS) y modelos fundacionales (Chronos-Bolt, Chronos-2, TimesFM 2.5). El autor avisa de que gran parte del código lo escribió una IA y de que es solo un artefacto de investigación, no un producto médico.
Su modelo, T1DMAI, es un transformer de solo encoder con 16 capas de ancho 16 y 31.000 parámetros. Recibe glucosa, carbohidratos e insulina, y devuelve 7 cuantiles (del 5 % al 95 %) para cada paso de 5 minutos de las dos horas siguientes, con hasta 7 días de historia. Se preentrena con un millón de personas simuladas con su propio simulador (T1DMSIM) y luego se afina con un adaptador LoRA de rango 1 y 3.771 parámetros sobre datos reales. Hay dos variantes, según la pérdida: DILATE o MSE. Se ejecuta en el móvil mediante la app T1DMDROID.
Los resultados, según el propio autor, son modestos: «todos los modelos son malos». En sus datos, D16 DILATE + LoRA queda tercero de 26 a 60 minutos (22,8 mg/dL de RMSE), tras XGBoost (22,2) y LightGBM (22,4). En MetaboNet queda noveno (34,6), aunque con el menor RMSE de todos a 90 minutos. A 60 minutos el LoRA mejora ambas variantes en los dos conjuntos, pero a 120 minutos en MetaboNet empeora D16 DILATE (de 48,0 a 50,4). En sus datos, T1DMAI + LoRA es el que reacciona antes (40-50 minutos de ganancia temporal frente a 30 de XGBoost) y el que detecta más hipoglucemias (40-47 % a 60 minutos frente a 29 %).
Las limitaciones están listadas: N=1 durante 35 días de test, conjuntos de test muy distintos entre sí, pocas hipoglucemias, bandas de incertidumbre sin corrección conformal y tiempos de CPU medidos en una sola ejecución. En sus datos el modelo ve también la insulina y los carbohidratos posteriores al momento de la predicción; en MetaboNet, no.
«Show HN: I have trained 15 blood glucose forecasting models on my own data» · puesto 29 · 79 puntos · enviado por 0xdeadf1sh
Lo que dicen los comentarios
El tono es muy favorable, y buena parte de los comentarios vienen de personas con diabetes tipo 1 o de sus allegados que hacen algo parecido: dashboards con carbohidratos, insulina, sueño y movimiento, o un servidor en una Raspberry Pi con Dexcom y Garmin. Varios coinciden con el autor en que entrenar con datos de otras personas no les ayudó a predecir la propia glucosa. Entre las preguntas técnicas, una versa sobre por qué el modelo predice la hora del día en lugar de recibirla como dato, y otra sobre los modelos fundacionales de series temporales, que el autor descarta para el móvil por su tamaño aunque promete añadirlos al repositorio. También se habla de integrar xDrip, Nightscout o JuggluCo con la app, de lo que el autor solo ha implementado la copia hacia Nightscout.
Al principio le pasaba al modelo la hora del día con rasgos sinusoidales. Al quitarlos, la precisión no empeoró, así que añadí un cabezal de hora del día y funcionó: el modelo la infiere solo a partir de la glucosa.
Como T1D, llevo tiempo recopilando todos los datos posibles para esto. La respuesta a la insulina es algo muy personal, y los modelos únicos de los CGM me parecían el mínimo común denominador.
El entrenamiento con N=1 es el camino. En mi caso, entrenar con muchas personas (el conjunto MetaboNet) empeoró las predicciones de mi propia glucosa. Y no hace falta GPU de centro de datos: usé una RTX 4070 de portátil.
Los modelos fundacionales de series temporales son enormes. Entreno modelos pequeños porque quiero ejecutarlos en local en el móvil. Pero pienso añadirlos pronto al repositorio.
Se pueden copiar datos de la app a Nightscout, pero no al revés. La app lee varios CGM a la vez, para que el modelo no se ajuste al algoritmo de un sensor concreto, y me conecto a los sensores por ingeniería inversa.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.