Loading...
 

TECNOLOGÍAS EN DIABETES

El objetivo de esta línea de investigación es hacer uso de diversas tecnologías para optimizar el seguimiento y control de las personas con diabetes.

Páncreas artificial

El objetivo de la terapia en la diabetes tipo 1 es mantener la concentración de glucosa lo más estable posible, con la menor variabilidad dentro de los márgenes de normoglucemia. Para ello, es necesario administrar la cantidad de insulina adecuada en cada momento, de manera que sea posible reproducir el perfil fisiológico del páncreas de un sujeto sano.

Hasta el momento, el control del paciente diabético se realiza de modo “manual”, por parte del médico, que asigna el tratamiento más adecuado en cada momento, y del paciente, que aplica la terapia recomendada en función de las variaciones diarias que se producen en sus hábitos de vida en cuanto a ingestas, ejercicio, etc. Por tanto, podemos considerar que el control de la diabetes se realiza mediante lo que se conoce como “lazo abierto”, ya que es el paciente el que decide en último término la cantidad de insulina a administrar a partir de las medidas de glucosa en sangre y del resto de variables que le rodean.

En los últimos años, la disponibilidad de diferentes dispositivos de medida continua de la glucosa en tiempo real así como la utilización cada vez más frecuente de sistemas de infusión subcutánea continua de insulina han acelerado los esfuerzos para desarrollar un páncreas artificial que permita el control automático de la glucosa. Entendemos por páncreas artificial cualquier dispositivo basado en un sensor que realiza medidas instantáneas del nivel de glucosa e informa a un sistema de control en “lazo cerrado”, que regula automáticamente la dosis exacta de insulina que administra el sistema infusor de insulina en cada momento, sin requerir la intervención del paciente. Idealmente, tanto el medidor de glucosa como la bomba de insulina y el algoritmo de control estarían integrados en un único dispositivo.


 

Image 

En el Grupo de Bioingeniería y Telemedicina trabajamos en los aspectos necesarios para conseguir un páncreas artificial:

  • Desarrollo de algoritmos de control en lazo cerrado utilizando diferentes metodologías: a) Control por inversión basado en un modelo de referencia (Rodríguez-Herrero et al., 2010); b) Control basado en reglas complementado con predicción; y c) Control basado en lógica difusa. Actualmente estamos probando los algoritmos en un entorno controlado, en colaboración con el Hospital de Sabadell.

 


 

Image 

  • Caracterización de modelos de la dinámica glucosa-insulina e identificación con datos de pacientes con diabetes a partir de registros continuos de glucosa intersticial.
  • Simuladores de paciente para la validación in-silico de los algoritmos de control en lazo cerrado. Generación de poblaciones de pacientes virtuales modelando la variabilidad inter-paciente, intra-paciente y de hábitos diarios (dieta, ejercicio, etc.).
  • Caracterización de los dispositivos comerciales de medida de glucosa continua. Se han realizado estudios para evaluar el impacto de la calibración (Capel et al., 2007).
  • Métodos para la evaluación y comparación de perfiles continuos de glucosa. Medida de la variabilidad de los perfiles de glucosa basada en métodos ritmométricos.

 

Páncreas Artificial Telemédico

Por el momento, los avances alcanzados en la línea del esperado páncreas artificial han estado supeditados a entornos clínicos controlados donde el paciente no puede desarrollar las acciones habituales de su vida diaria. Sin embargo, será necesario acercar de manera gradual los hitos logrados en el desarrollo del páncreas artificial a un entorno ambulatorio, e integrarlos con los procesos asistenciales actuales garantizando la seguridad del paciente.

Resulta fundamental utilizar sistemas automatizados, capaces de gestionar los posibles riesgos que puedan derivarse de la utilización de un sistema de estas características y de monitorizar el correcto funcionamiento de los diferentes componentes del sistema de páncreas artificial. Además, no todos los pacientes podrán utilizar un sistema de estas características durante las 24 horas del día, sino que será necesario disponer de una plataforma capaz de adaptar a cada paciente las funcionalidades más adecuadas para cada momento del día.

En este sentido, el Grupo de Bioingeniería y Telemedicina ha propuesto una arquitectura de telemedicina capaz de soportar un sistema de páncreas artificial, al proporcionar los procesos de recogida de datos de dispositivos médicos, de comunicación entre profesionales médicos y pacientes y diversas herramientas de ayuda a la decisión. La arquitectura propuesta proporciona otras alternativas de control en situaciones en las que un sistema de páncreas artificial no está indicado, siendo capaz de adaptarse a las necesidades de cada paciente. De este modo, se facilita la utilización de procedimientos novedosos para el cuidado del paciente con diabetes en un escenario ambulatorio.

El sistema de Páncreas Artificial Telemédico se caracteriza por un sistema de telemedicina que integra como elemento principal un Asistente Personal de paciente, dotado de movilidad, con capacidad de comunicación con diferentes dispositivos de monitorización necesarios en el día a día del paciente y claves en la consecución del esperado páncreas artificial (sensor de glucosa subcutánea, glucómetro y bomba de insulina) (García-Sáez et al., 2009).
 

Image 

 

La arquitectura del sistema de Páncreas Artificial Telemédico está inspirada en el concepto de utilizar múltiples estrategias de control para el cuidado de la diabetes (Gómez et al., 2008). Se ha propuesto la utilización de cuatro estrategias de control diferenciadas, que pueden utilizarse de manera independiente en las diferentes etapas del cuidado o conjuntamente en diferentes periodos del día:

  • ­Control del paciente. Se soportan los procedimientos de autocontrol que realiza el paciente durante el cuidado de la enfermedad, proporcionando la comunicación con diferentes dispositivos médicos de monitorización, facilitando el acceso a los datos y mejorando la interpretación de los mismos mediante herramientas de ayuda a la decisión.
  • ­Control del médico. Permite al médico llevar a cabo las tareas de control del estado metabólico del paciente desde el centro médico utilizando el sistema de telemedicina. El profesional médico sugiere los cambios necesarios en la terapia de insulina utilizando la información de monitorización procedente de varios dispositivos médicos (una bomba de insulina, un sensor continuo de glucosa y un glucómetro), y enviada mediante el Asistente Personal de paciente y el Servidor Central de Telemedicina. El médico utiliza herramientas de ayuda a la decisión que le facilitan las tareas de interpretación de los datos de monitorización.
  • ­Control basado en algoritmos remotos. El sistema permite realizar un control del estado del paciente mediante algoritmos automáticos que se ejecutan en el Servidor Central de Telemedicina. Se utilizan algoritmos que permiten detectar situaciones de riesgo metabólico en el paciente y que ayudan a modificar la terapia, algoritmos de realimentación que permiten proporcionar información adicional sobre las variables de monitorización que se registran en el sistema o recordar el uso frecuente de funcionalidades concretas y algoritmos de comunicación remota con los dispositivos médicos implementados en el Servidor Central de Telemedicina, que permiten programar los dispositivos a través del Asistente Personal con la supervisión remota del médico.
  • ­Control basado en un algoritmo de lazo cerrado. Se integran los elementos necesarios para implementar un sistema de control en lazo cerrado. El sistema incorpora los procedimientos automáticos y de supervisión médica necesarios para gestionar los riesgos metabólicos en la salud del paciente y garantizar su seguridad.


 

Image 

 

La arquitectura del sistema está formada por una serie de agentes distribuidos, que funcionan de manera autónoma y están coordinados por un elemento denominado Organizador. Se trata de una arquitectura Multiacceso que permite el acceso a los diferentes usuarios del sistema mediante diversos terminales, según sus preferencias, sus habilidades tecnológicas o el lugar en el que se encuentren.

Cada uno de los agentes del sistema proporciona diferentes funcionalidades, como la gestión de los dispositivos médicos, la gestión de los terminales de acceso, la realización de análisis automáticos de datos, la gestión de las comunicaciones, etc. El número de agentes es variable y depende de las necesidades de la organización sanitaria en la que se implante el sistema. Los usuarios utilizan los terminales y las aplicaciones de usuario que se ejecutan en ellos, para interactuar con el sistema.

El Asistente Personal de paciente es una aplicación modular capaz de actuar ante las peticiones del paciente para proporcionar acceso a la información de monitorización y para facilitar la operación de los dispositivos médicos.

Image 

 

 

Herramientas de soporte a la decisión personalizadas

El objetivo de los métodos de Soporte a la Decisión Personalizados (PDS) es mejorar la adherencia al tratamiento recomendado en diabetes, contribuyendo a mejorar la calidad del cuidado. La personalización de las herramientas de soporte a la decisión según las características de cada usuario específico, considerando información procedente de diferentes fuentes como las características del paciente (datos demográficos, información de dieta, hábitos de ejercicio, etc.), los datos de monitorización en tiempo real, la terapia actual, el estado de salud, el impacto de decisiones clínicas previas y el pronóstico de la evolución del paciente mediante simulaciones con modelos computacionales.

Las herramientas de soporte a la decisión personalizadas se aplican según dos escalas temporales para explotar toda la información disponible (Hernando et al., 2009):

1)    Ayuda a la decisión a corto plazo.El objetivo de este tipo de soporte a la decisión es prevenir sucesos que puedan suponer un riesgo para el paciente y reaccionar ante ellos cuando sea necesario. Como resultado, se envían notificaciones a pacientes y personal clínico y es posible modificar la operación de los dispositivos médicos (por ejemplo, interrumpiendo la infusión de insulina de la bomba).

2)    Ayuda a la decisión a medio plazo.Este tipo de soporte a la decisión permite obtener un perfil completo de los datos diarios del paciente, facilitando la gestión del riego metabólico. Como resultado, es posible mejorar la forma en que se valora el control del paciente, mediante la detección automática de situaciones anómalas o la simulación de ajustes de la terapia.

En el Grupo de Bioingeniería y Telemedicina, se utilizan diferentes herramientas PDS, de acuerdo con las características personales de cada usuario: a) Procesado automático de los datos de monitorización para detectar y prevenir riesgos para la salud de los pacientes; y b) Herramientas de optimización de la terapia basadas en métodos de inteligencia artificial.

 

a)  Sistema de Análisis Automático de Datos 

El Sistema de Análisis Automático de Datos (ADA) realiza las tareas de procesado en tiempo real, cada vez que se reciben nuevos datos en el sistema, con el objetivo de descubrir estados de alto riesgo metabólico.

El sistema ADA incluye:

  • Desarrollo de herramientas de procesado de los datos procedentes de dispositivos médicos, basadas en análisis de series temporales para extraer situaciones anómalas para la salud de los pacientes.
  • Procedimientos para detector de manera automática patrones anómalos a partir de los datos de monitorización registrados, para mejorar la interpretación de los datos y las tareas de toma de decisiones (Hernando et al., 2004).
  • Procedimientos automáticos de realimentación  para soportar decisiones terapéuticas basadas en la creación de notificaciones personalizadas (recordatorios, avisos para personal clínico y/o pacientes, felicitaciones, etc.). En caso de situaciones anómalas, es posible utilizar diferentes canales de comunicación atendiendo a las preferencias de cada usuario o a la gravedad de la situación (mensajes SMS, llamadas telefónicas, correos electrónicos, etc.).

Image 

 

b)  Herramientas de optimización de la terapia:  

Las herramientas de optimización de la terapia están basadas en análisis de series temporales para extraer tendencias anómalas repetidas y en métodos de predicción para detectar de forma temprana situaciones de hipoglucemia o de hiperglucemia. Las herramientas de optimización de la terapia incluyen:

  • Implementación de recomendaciones automáticas para mejorar la intervención clínica basadas en herramientas de predicción y en análisis de series temporales.
  • Desarrollo de un sistema personalizado de consejo de insulina para permitir el ajuste óptimo de la terapia de insulina a lo largo del día. Se proporcionan recomendaciones en situaciones previas a la ingesta y ante la administración de bolos correctores.

En esta línea, se ha implementado un sistema de ayuda a la dosificación óptima del bolo de insulina antes de cada ingesta, en colaboración con la Universidad de California-Santa Bárbara (UCSB, EEUU) y el Instituto Sansum de Investigación en Diabetes. La herramienta está basada en el algoritmo Run-to-Run (Doyle et al., 2001)y se ha integrado en un dispositivo portátil tipo PDA. El sistema ayuda al paciente a calcular el ratio insulina / hidratos de carbono antes de cada ingesta, siendo capaz de aprender a partir de las circunstancias diarias de cada paciente, adaptando los diferentes parámetros que se utilizan en el cálculo del bolo de insulina a lo largo del tiempo.

La herramienta ha sido probada en un estudio clínico de viabilidad integrada en un sistema de telemedicina, en colaboración con el Servicio de Endocrinología y Nutrición del Hospital de la Santa Creu i Sant Pau. Su utilización se ha complementado con alarmas automáticas para detectar estados anómalos, garantizando de este modo la seguridad del paciente.

 

Image 

 

Predictores de glucosa

La disponibilidad de sistemas de monitorización continua de glucosa (MCG), con una alta tasa de muestreo (1, 3 ó 5 minutos) permite plantearse el tratamiento de la medida de glucemia con técnicas propias de aproximación de series temporales: modelos autoregresivos, redes neuronales, etc. Estos sistemas determinan la glucosa en el fluido intersticial, no en sangre, presentando dicha medida un retardo debido a la distinta dinámica de la glucosa en ambos compartimentos, que se ve incrementada por los retrasos intrínsecos al sistema de medida. Esto unido a la dificultad de procesar el importante volumen de información generada, hace que la incorporación de los sistemas de MCG en el manejo de la diabetes no haya obtenido el impacto esperado en la mejora del control glucémico.

Esta línea de investigación trabaja en el desarrollo de predictores de glucosa a partir de la MCG, de la insulina administrada y de la ingesta, basados en redes neuronales. El objetivo primordial es minimizar el retardo asociado a la medida continua, lo que permitiría hacer más eficaz la toma de decisiones correctoras por parte del paciente. Así mismo se pretende utilizar dicha predicción en varios ámbitos: a) integrada en un generador de alarmas de situaciones de riesgo (hipo/hiper-glucemia); b) como sistema de ayuda para el ajuste de la terapia insulínica y c) incorporada a un sistema de asa cerrada.

La evaluación de los algoritmos desarrollados se lleva a cabo en primer lugar de forma retrospectiva, utilizando amplias bases de datos de pacientes (Pérez-Gandía et al., 2010). Sin embargo el objetivo final de esta línea de investigación es siempre la validación práctica en experimentos clínicos con los modelos implementados, mediante la integración de los mismos en sistemas portables.

Image 

 

Con el objetivo de evaluar la precisión de los diferentes métodos de predicción de la glucosa, se ha desarrollado la herramienta PredEval que permite evaluar algoritmos de predicción de la glucosa, y se encuentra accesible en la URL:

http://predeval.gbt.tfo.upm.es:8082/

La herramienta PredEval permite aplicar una metodología de evaluación retrospectiva que compara la predicción resultado de un método cualquiera de predicción de la glucosa con el perfil original de sensor continuo. La herramienta calcula el comportamiento general del método de predicción mediante el error cuadrático medio (RMSE) y el retardo medio (AD). Además, para caracterizar el modelo en rangos extremos (hipoglucemia e hiperglucemia) y cuando la tendencia de la glucosa cambia, se calculan tres parámetros: el retardo de pico (PD), el parámetro overshooting (OS) y el parámetro undershooting (US). La capacidad de predecir eventos de hipoglucemia e hiperglucemia se calcula mediante las tasas de Falsos Positivos (FP) y de Falsos Negativos (FN).

 

Image 

 

Ejercicio físico y Diabetes

La actividad física es, junto con la dieta y un buen control glucémico, uno de los hábitos de vida que mayor impacto tiene sobre la salud de las personas con diabetes. De hecho, una práctica regular y planificada de ejercicio es en general positiva para casi todos los pacientes diabéticos.

Sin embargo, hasta ahora la actividad física no se ha monitorizado de forma sistemática en el ámbito de la diabetes, entre otras razones por las limitaciones técnicas para obtener una medición objetiva, fiable y precisa del ejercicio físico y el consumo energético asociado.

En el Grupo de Bioingeniería y Telemedicina trabajamos para solventar este tipo de dificultades. Mediante mediciones simultáneas de acelerometría y ritmo cardíaco, se han propuesto algoritmos inteligentes que realizan una clasificación automática del ejercicio físico, distinguiendo niveles de esfuerzo y mecanismos metabólicos (ejercicio aeróbico/anaeróbico) (García-García et al., 2011). En la actualidad, trabajamos en la validación experimental de dichos algoritmos con pacientes reales, y en la migración del hardware hacia dispositivos portables de electrónica de consumo (smartphones, etc.).

Otro ámbito de trabajo consiste en modelar de forma cuantitativa los efectos que la actividad física produce en las dinámicas glucosa-insulina, para que así tales respuestas puedan en un futuro entrar a formar parte de los algoritmos de control en páncreas artificial.

Image

Telemedicina en diabetes gestacional

La Diabetes Gestacional, es decir, la diabetes que se diagnostica durante la gestación, afecta en España a un 8,8% de los embarazos, lo que corresponde a más de 40.000 mujeres al año. Esta prevalencia está basada en los criterios diagnósticos del National Diabetes Data Group, anteriores al cuarto Workshop (1998), puesto que, si se aplicaran los criterios recomendados recientemente por la International Association of Diabetes and Pregnancy Study Groups, basados en los resultados del estudio más importante realizado nunca sobre este tópico, este porcentaje muy probablemente se duplicaría.

Como consecuencia del diagnóstico de la diabetes gestacional, el riesgo de morbilidad para la unidad materno-fetal aumenta, por lo que la mujer debe iniciar una dieta específica y acudir con frecuencia semanal/bisemanal a visita para controlar que los valores de glucemia antes de las comidas no superen los umbrales de normalidad. Si se superan estos valores, es necesario iniciar tratamiento con insulina.

En el Grupo de Bioingeniería y Telemedicina proponemos la creación de un sistema de telemedicina para el cuidado de la diabetes gestacional, que, apoyado en herramientas inteligentes de análisis de los datos de monitorización, facilite al personal sanitario la gestión de la enfermedad y haga posible, en último término, el control automatizado de la diabetes gestacional. De este modo, se pretende garantizar la consecución segura de los objetivos, evitando desplazamientos de las gestantes al centro de salud. El sistema proporcionará herramientas educativas y de motivación para fomentar prácticas saludables.

 

 

Modelado de la respuesta autoinmune en diabetes tipo 1

La diabetes tipo 1 está caracterizada por un debut temprano de la enfermedad y por presentar una ausencia de secreción endógena de insulina, siendo la variante más grave de diabetes. Esta enfermedad está provocada por una respuesta autoinmune contra las células β de los islotes de Langerhans que son las productoras de la hormona insulina. Para el tratamiento de la diabetes tipo 1 se están planteando enfoques novedosos cuyo fundamento se basa en el tratamiento de esta respuesta autoinmune. La investigación en este tipo de terapias es altamente costosa debido a que los mecanismos fisiopatológicos implicados en la enfermedad son muy complejos abarcando diferentes procesos a escala molecular, celular y tisular lo que hace su estudio muy complicado.

 

En el Grupo de Bioingeniería y Telemedicina se plantea la utilización de modelos computacionales basados en agentes, como herramientas útiles para acelerar la investigación de terapias basadas en el tratamiento de la respuesta autoinmune. El enfoque de modelado basado en agentes se perfila especialmente adecuado para su aplicación en este campo puesto que es una solución flexible para el modelado a diferentes escalas. Actualmente, estamos desarrollando un modelo basado en agentes de la respuesta autoinmune de la diabetes tipo 1 representando los principales elementos implicados en el proceso fisiopatológico como agentes, es decir, las células del sistema inmunológico y las células β del páncreas. Este modelo se aplicará para poder desarrollar simulaciones de experimentos por ordenador (experimentación in silico) y para ayudar a la mejor comprensión de los procesos implicados en la respuesta autoinmune.

 

eConsulta: Sistema de consultoría integrada basada en video- conferencia

La comunicación entre especialistas y médicos de asistencia primaria suele ser unidireccional e inadecuada. La mayor parte de las consultas sugieren al paciente que consulte con el especialista, incluso en casos poco complejos, debido a una gestión poco eficiente de la información. El principal objetivo de eConsulta es mejorar la comunicación entre los médicos de asistencia primaria y los diabetólogos, usando las tecnologías de la información para optimizar los recursos y la calidad del cuidado.

El Grupo de Bioingeniería y Telemedicina y el Hospital de Sabadell han diseñado y desarrollado un nuevo sistema de videoconferencia Web de bajo coste cuyo objetivo es mejorar la comunicación entre Atención Primaria y Atención Especializada optimizando los recursos y la calidad de la atención en enfermedades con alta prevalencia como la diabetes o el tiroides, aunque podría ser aplicado a otras patologías. El sistema eConsulta ha sido integrado con el sistema de información médico que se utiliza actualmente en Cataluña y se encuentra disponible en los centros médicos de esta Comunidad Autónoma. eConsulta está basado en una herramienta de software libre (OpenMeetings) que ha sido complementada con funcionalidades relevantes como una sala de espera virtual o la administración de agendas. Durante las sesiones de videoconferencia, los usuarios pueden acceder al sistema de información médica y herramientas adicionales para compartir documentos, e intercambiar mensajes de chat.

 

Prevención de la Diabetes Mellitus y el Riesgo Cardiometabólico

Diabetes, obesidad, hiperlipidemia, y síndrome metabólico, representan la amenaza más importante, desde el punto de vista de la salud pública, para el sufrimiento de enfermedad cardiovascular y el incremento de mortalidad asociado. La prevención y el tratamiento precoz y efectivo de estas entidades son tareas de extraordinaria importancia médico-social, así como su impacto económico. Hasta la fecha, los intentos de prevención de la obesidad, diabetes tipo 2 y síndrome metabólico con agentes farmacológicos han generado pobres resultados, viéndose superados por el cambio saludable en el hábito de vida (ejercicio físico aeróbico regular, la alimentación responsable, y la eliminación del tabaco).

La plataforma PREDIRCAM (Plataforma para la monitorización y prevención de la diabetes mellitus y el riesgo cardiometabólico) se ha creado con el objetivo de proporcionar a personas con riesgo de padecer estas enfermedades y a profesionales médicos una herramienta completa que mejore la eficacia de los cambios de comportamiento y de estilo de vida mediante la utilización intensiva de nuevas tecnologías de monitorización, la valoración del riesgo cardiometabólico, y la optimización de la comunicación entre personas con riesgo y personal sanitario bajo demanda. La plataforma PREDIRCAM cubre dos componentes principales:

  • Una arquitectura multi-agente basada en Web (desarrollada en Drupal™), que proporciona una interfaz de comunicación entre dispositivos de
  • monitorización, una aplicación innovadora que facilita las tareas de registro de datos relativos a la dieta ingerida, un registro electrónico de datos clínicos, un sistema de comunicación bidireccional para médicos y pacientes y un sistema de ayuda a la decisión, basado en el análisis automático de datos que incorpora diferentes tipos de notificaciones (alarmas, avisos, recordatorios, felicitaciones, etc.).       
  • Un conjunto de monitores de actividad física (pulso cardiaco, acelerómetro y podómetro), que permiten la monitorización automática del ejercicio físico y del consumo calórico.

El sistema PREDIRCAM ha sido probado en un estudio de viabilidad donde se han comprobado las posibilidades de la plataforma y la aceptación de los usuarios. El sistema será evaluado en un estudio clínico de doce meses de duración. El protocolo clínico involucrará a 96 sujetos con obesidad (BMI>=30Kg/m^2) con edades comprendidas entre 40 y 65 años y que presenten intolerancia a la glucosa. Se medirán indicadores que permitan evaluar los potenciales cambios en el riesgo cardiometabólico inducidos por la plataforma PREDIRCAM, incluyendo: peso, parámetros antropométricos, adiposidad abdominal, función cardíaca, OGTT, perfil de lípidos y sensibilidad a la insulina (HOMA, serum adiponectin, TNF-alpha, CRP).

La plataforma PREDIRCAM ha surgido de la colaboración conjunta con el Hospital de la Santa Creu i Sant Pau y el Grupo de Investigación de Ingeniería Biomédica de la Universidad de Sevilla, y ha sido financiado por el Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN).

Image

 

Investigadores

COORDINADORA:
Hernando Pérez, Mª Elena. Profesora Titular.


INVESTIGADORES:

Gómez Aguilera, Enrique J. Catedrático.

Rodríguez Herrero, Agustín. Profesor Titular de EU.

García Sáez, Gema

Martínez Sarriegui,Iñaki

Peréz Gandía, Mª Carmen

Martínez Espinosa, Ignacio Vicente

García García, Fernando

Iniesta Chamorro, Jose Manuel

Lago Alvarado, Alberto

 

Proyectos en marcha

MOBIGUIDE: “Guiding patients anytime everywhere”- Proyecto Europeo FP7-ICT 287811, 2011-2015

SINEDIE: “Sistemas INteligentes y de Educación para el control de la Diabetes diagnosticada en el Embarazo”- Fondo de Investigaciones Sanitarias, 2011/2013

PERSONA: “Personalized Decision Support for Enhanced Control in Pervasive Healthcare Platforms”- Proyecto del Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN)”, 2011/2013

A PRIORI:“Análisis predictivo para el ajuste insulínico y optimización de sistemas de control en lazo cerrado mediante algoritmos inteligentes”, Fondo de Investigaciones Sanitarias, 2010/2012

 


EnglishEspañol

LinkedInTwitterGoogle+Facebook