Mejora del diseño de un prototipo de sensor no invasivo...

410navegacyadav

Equation Chapter 1 Section 1

Proyecto Fin de Carrera

Ingeniería Aeronáutica

Autora:esTInmaculada Rodríguez Palomo

Tutores:aAPrfa. Laura M. Roa Romero

Autora:esTDr. David Naranjo Hernández

s

Dep. de Ingeniería de Sistemas y Automática

Escuela Técnica Superior de Ingeniería

Universidad de Sevilla

Sevilla, 2016

Mejora del diseño de un prototipo de sensor no

invasivo para la medida de glucosa en sangre

Proyecto Fin de Carrera

Ingeniería Aeronáutica

Mejora del diseño de un prototipo de sensor no

invasivo para la medida de glucosa en sangre

Autora:

Inmaculada Rodríguez Palomo

Tutores:

Prfa. Laura M. Roa Romero

Catedrática de Universidad

Dr. David Naranjo Hernández

Doctor

Dep. de Ingeniería de Sistemas y Automática

Escuela Técnica Superior de Ingeniería

Universidad de Sevilla

Sevilla, 2016

iii

Proyecto Fin de Carrera: Mejora del diseño de un prototipo de sensor no invasivo para la medida de glucosa en

sangre

Autora: Inmaculada Rodríguez Palomo

Tutores: Prfa. Laura M. Roa Romero

Dr. David Naranjo Hernández

El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros:

Presidente:

Vocales:

Secretario:

Acuerdan otorgarle la calificación de:

Sevilla, 2016

El Secretario del Tribunal

A mis padres, a mis amigos y a

todos los que me han ayudado en

este viaje

v

Agradecimientos

En primer lugar, me gustaría dar las gracias a la Catedrática Laura M. Roa Romero por todos sus comentarios,

consejos y por darme la oportunidad realizar este magnífico proyecto, que ha supuesto para mí toda una fuente

de motivación e ilusión por seguir mejorando y aprendiendo cada día. Muchísimas gracias también al Doctor

David Naranjo Hernández, quien me ha proporcionado una ayuda inestimable en el desarrollo del sensor,

resolviendo todas mis dudas y guiándome en todo el proceso. Y gracias a Gerardo Barbarov Rostán por su

ayuda con Arduino y con la programación del PIC32.

Gracias a mis padres, Concha y Francisco, por apoyarme y estar a mi lado desde el día en el que nací, por

ayudarme y aconsejarme en todo momento… jamás podré agradeceros con palabras todo lo que hacéis por mí.

Gracias a mi hermano, Fran, porque sin él mi vida no habría sido la misma.

Gracias a Ana, por ser un pilar fundamental en mi vida desde el primer momento, por apoyarme siempre y

animarme a hacer lo que me haga más feliz.

Gracias a Jesús Zamora, por ser como es, por estar ahí siempre sin importar ni el tiempo ni la distancia.

Gracias a mis amigos y compañeros de clase y de fatigas, Manuel, María José, Antonio José, Gerardo, Patricia,

Fátima y Salva. Gracias por animar aquellos días interminables de clases y prácticas.

Gracias también a Juan, por todos sus consejos durante la realización del proyecto, y a Lourdes, Kay y Jesús,

por presentarse desde el primer momento voluntarios para los ensayos. Gracias a Candela, por su ayuda con

mi búsqueda interminable de bibliografía y mis desencuentros con el ordenador.

Por último, muchas gracias a todas las personas que me han ayudado con la realización de los ensayos con el

sensor. Sin vosotros no habría sido posible.

Inmaculada Rodríguez Palomo

Sevilla, 2016

Resumen

En la actualidad, 382 millones de personas padecen diabetes, y se estima que esta cifra aumentará a 592

millones en 2035 debido al crecimiento y al envejecimiento de la población, a la creciente urbanización, a la

prevalencia de la obesidad, el sedentarismo y otros hábitos de vida poco saludables. El estudio sobre el Control

de la Diabetes y sus Complicaciones publicado en la década de 1980 demostró que un buen control del nivel

de glucosa en sangre reducía considerablemente el riesgo de padecer retinopatías, nefropatías y neuropatías

diabéticas en un futuro. Sin embargo, multitud de pacientes no realizan las mediciones diarias recomendadas

debido al dolor y a la molestia que se produce con el uso de los glucómetros tradicionales e invasivos. Por

tanto, surge la necesidad de crear un dispositivo que proporcione el nivel de glucosa en sangre de una forma no

invasiva y que, además, esta medida sea continua a lo largo del día, pudiéndose evitar tanto los episodios de

hipo como de hiperglucemia. Esto se traduciría en un mayor control, más autonomía y un aumento

significativo en la calidad de vida de los pacientes.

En este Proyecto Fin de Carrera se hace una revisión de las tecnologías invasivas, mínimamente invasivas y no

invasivas que están siendo investigadas y desarrolladas actualmente con el fin de buscar una alternativa a los

glucómetros tradicionales. En base a sus características y ventajas, se ha escogido la Espectroscopia del

infrarrojo cercano como tecnología a desarrollar para la mejora de un sensor prototipo previo del Grupo de

Ingeniería Biomédica de la Universidad de Sevilla.

Entre las mejoras realizadas, se ha incluido el uso de dos longitudes de onda, una de 950 nm la cual detecta los

cambios de glucosa, y otra de 660 nm que no los detecta, con el propósito de normalizar la medida respecto de

la cantidad de luz recibida y aislar las componentes relacionadas con la glucosa; también se ha realizado una

parametrización en función de la componente pulsante de la señal recibida, la cual está relacionada con la

componente arterial de la sangre y se ha normalizado respecto del nivel de continua de la señal, para evitar la

influencia del movimiento y de las dimensiones de la región corporal en la que se mide.

Se han realizado 146 ensayos en 23 personas de edades comprendidas entre los 22 y los 78 años y se ha diseño

un software multiparamétrico, basado en redes neuronales, para determinar la concentración de glucosa en

sangre de forma no invasiva a través del dispositivo. Para la construcción de la red neuronal, y

complementando las variables de la etapa de sensorización previamente descritas, se han incluido aspectos

antropométricos como las dimensiones del dedo, la altura, el peso, la edad, el sexo, el tipo de diabetes o si la

persona se encuentra en ayunas. Posteriormente, se han realizado dos modelos, uno generalizado que contiene

todos los datos obtenidos durante todos los ensayos realizados, y otro personalizado, que contiene únicamente

los datos procedentes de los ensayos realizados con un voluntario concreto, en este caso, una mujer no

diabética.

En último lugar, se ha procedido a realizar la validación de los dos modelos anteriores a través de una serie de

12 ensayos en una mujer no diabética. Los resultados obtenidos con el modelo general muestran un 100% de

los datos en la zona A de la cuadrícula de errores de Clarke y consensuada, y los obtenidos mediante el modelo

personalizado muestran un 91.67% de los datos en la zona A y un 8.33% en la zona B de las cuadrículas de

errores de Clarke y consensuada.

vii

Abstract

Currently, 382 million people suffer from diabetes, and it is estimated that this figure will increase to 592

million in 2035 due to growth and aging of the population, the increasing urbanization, the prevalence of

obesity, sedentary lifestyle and other habits unhealthy life. The study of the Diabetes Control and

Complications Trial, published in the 1980s, showed that good control of blood glucose levels significantly

reduced the risk of retinopathy, nephropathy and diabetic neuropathy in the future. However, many patients do

not perform daily measurements recommended due to pain and discomfort that occurs with the use of

traditional and invasive blood glucose meters. Therefore, arises the need to create a device that provides the

level of blood glucose noninvasively and, moreover, this measure should to be continuous throughout the day,

it may avoid both episodes of hypo- and hyperglycemia. This would result in greater control, greater autonomy

and a significant increase in the quality of life of patients.

In this Project, has been done a review of invasive, minimally invasive and noninvasive technologies that are

currently being researched and developed in order to find an alternative to traditional blood glucose

monitoring. Based on its characteristics and advantages, it has been chosen near-infrared Spectroscopy as

develop technology for the improvement of a prototype sensor previously made by the Group Biomedical

Engineering at the University of Seville.

The improvements have included the use of two wavelengths, one of 950 nm which detects changes glucose,

and another of 660 nm to not detected, in order to normalize the measure for the amount of light received and

isolate glucose related components; It has also performed a parameterization according to the pulsating

component of the received signal, which is related to the arterial blood component and normalized with respect

to the DC level of the signal to avoid the influence of the movement and the dimensions of the body region

being measured.

Has been done 146 trial in 23 persons aged between 22 and 78 and has been designed a multiparameter

software, based on neural networks, to determine the blood glucose concentration non-invasively through the

device. For the construction of the neural network, and complementing the variables provided by the sensor,

has been included anthropometric aspects such as finger size, height, weight, age, sex, type of diabetes or if the

person is fasting. Subsequently, there have been two models, one widespread containing all the data collected

during testing, and other personalized, containing only the data from studies with a particular volunteer, in this

case, a non-diabetic woman.

Finally, has been proceeded to validate the two previous models through a series of 12 tests on a non-diabetic

woman. The results obtained with the general model show 100% of point in area A of the Clarke error grid

and Consensus error grid, the custom model show 91.67% of point in area A and 8.33% of point in area B of

the Clarke error grid and Consensus error grid.

Índice

Agradecimientos v

Resumen vi

Abstract vii

Índice viii

Índice de Tablas x

Índice de Figuras xi

1 Introducción 1 1.1 Objetivos 3 1.2 Estructura del proyecto 3

2 Fundamentos médicos de la diabetes 5 2.1 La importancia de la glucosa y su control 5 2.2 Diabetes Mellitus 7

2.2.1 Diabetes Mellitus tipo 1 7 2.2.2 Diabetes Mellitus tipo 2 7 2.2.3 Otros tipos de diabetes 8

2.3 Complicaciones de la diabetes 8 2.3.1 Complicaciones agudas 8 2.3.2 Complicaciones a largo plazo 8

2.4 Diagnóstico 9 2.5 Tratamiento para la Diabetes Mellitus de tipo 1 9 2.6 Tecnología en el tratamiento de la Diabetes Mellitus de tipo 1 10

3 Sistemas de monitorización de glucosa 11 3.1 Sistemas de auto-monitorización de glucosa en plasma 11

3.1.1 Uso de un SMBG 12 3.2 Criterios para evaluar la precisión y exactitud de los SMCG 12

3.2.1 La media de la diferencia absoluta relativa 13 3.2.2 Coeficiente de correlación 13 3.2.3 Cuadrícula de análisis de errores de Clarke 13 3.2.4 Cuadrícula de análisis consensuado de errores 14 3.2.5 Criterios definidos en la norma ISO 15197:2015 14

3.3 Técnicas invasivas y mínimamente invasivas de monitorización continua de glucosa 15 3.3.1 Sensores con aguja subcutánea 15 3.3.2 Microdiálisis 17 3.3.3 Recolección de ISF 18 3.3.4 Iontoforesis 19

3.4 Técnicas no invasivas de monitorización de glucosa 20 3.4.1 Espectroscopia del infrarrojo cercano 21 3.4.2 Espectroscopia del infrarrojo medio 23 3.4.3 Tomografía de coherencia óptica 25

ix

3.4.4 Kromoscopia 27 3.4.5 Polarimetría 28 3.4.6 Dispersión (Scattering) 30 3.4.7 Espectroscopia infrarroja térmica 31 3.4.8 Espectroscopia Raman 31 3.4.9 Espectroscopia de oclusión 32 3.4.10 Espectroscopia fotoacústica 33 3.4.11 Fluorescencia 34 3.4.12 Espectroscopia de impedancia 36 3.4.13 Detección electromagnética 37

4 Materiales y métodos 38 4.1 Selección de la tecnología a desarrollar 38 4.2 Descripción del prototipo de partida 40 4.3 Metodología 41

5 Resultados de desarrollo 45 5.1 Tecnologías utilizadas 45

5.1.1 Principio físico de la Espectroscopia de infrarrojo cercano 45 5.1.2 Principio físico del uso de ultrasonidos 48

5.2 Descripción de las etapas del primer prototipo 49 5.2.1 Circuito emisor 50 5.2.2 Circuito receptor y de ultrasonidos 51 5.2.3 Placa para la conexión con el PIC32 53 5.2.4 Resultados con el sensor inicial 54

5.3 Descripción de las etapas del segundo prototipo 55 5.3.1 Circuito de filtrado y amplificación 55 5.3.2 Incorporación de un LED de luz visible 62 5.3.3 Cambio del fotodiodo 63

5.4 Programación del PIC32 y protocolo de comunicación para el envío de datos 63 5.5 Programación en Matlab 65

6 Resultados de validación 67 6.1 Realización de los ensayos 67

6.1.1 Resultados 68 6.2 Redes neuronales 72

6.2.1 Aplicación al sensor 73 6.2.2 Validación 79

7 Conclusiones 81 7.1 Conclusiones 81 7.2 Trabajo futuro 83

Referencias 84

Índice de conceptos 94

Glosario 96

Anexo A 97 Glucómetro_con_ultrasonidos.pde 97 Datos_glucometro.m 99 Glucometro_2LED_codv2.pde 100 Datos_glucometro_2LED_codv2_prediccion.m 106 Red_neuronal_prediccion.m 115 Red_neuronal_bucle.m 117 Análisis_datos.m 119

ÍNDICE DE TABLAS

Tabla 3-1 Sumario de artículos con tecnología NIR 24

Tabla 4-1 Resumen de las tecnologías 39

Tabla 5-1 LEDs rojos y verdes disponibles 62

Tabla 6-1 Concentraciones de glucosa en sangre de muestras para la evaluación de la exactitud de un sistema

67

Tabla 6-2 Características de las posibles redes personalizadas 77

xi

ÍNDICE DE FIGURAS

Figura 1-1 Aumento de la Diabetes Mellitus mundial 1

Figura 1-2 Mapa actual de la Diabetes Mellitus en el mundo 2

Figura 2-1 Control de la concentración de la glucosa en sangre [4] 6

Figura 3-1 Uso de un glucómetro para autoexamen [7] 11

Figura 3-2 Cuadrícula de análisis de errores de Clarke 13

Figura 3-3 Cuadrícula de análisis consensuado de errores 14

Figura 3-4 Esquema del sensor de glucosa 15

Figura 3-5 Sitios de medición de los sensores de aguja subcutánea [20] [21] 16

Figura 3-6 Sensor Dexcom G4 Platinum [20] 16

Figura 3-7 Sensor FreeStyle Libre [21] 16

Figura 3-8 Catéter de microdiálisis [24] 17

Figura 3-9 Esquema de un dispositivo de microdiálisis [24] 17

Figura 3-10 Sensor que utiliza la sonoforesis [19] 18

Figura 3-11 Principio de la iontoforesis inversa [15] 19

Figura 3-12 Sensor – tatuaje basado en la iontoforesis 20

Figura 3-13 Espectro infrarrojo de un compuesto [37] 21

Figura 3-14 Diagrama de bloques del método propuesto 23

Figura 3-15 Sistema de adquisición del espectro humano 25

Figura 3-16 Diagrama de bloques experimental. SLD: Diodo superluminiscente 26

Figura 3-17 Configuración experimental [31] 27

Figura 3-18 Haces luminosos [87] 28

Figura 3-19 Polarímetro [88] 29

Figura 3-20 Trayectorias ópticas para la polarimetría 29

Figura 3-21 Diseño preliminar 30

Figura 3-22 Diagrama simplificado de un monitor de glucosa de espectroscopia infrarroja térmica [103] 31

Figura 3-23 Esquemático del OrSense NBM 200 32

Figura 3-24 Esquemático de la celda fotoacústica para ensayos con tejido simulado [118] 33

Figura 3-25 Dispositivo APRISE de Glucon [122] 34

Figura 3-26 Prototipo de lentillas desarrolladas por Google y Novartis 35

Figura 3-27 Dispositivo Pendra [135] 36

Figura 3-28 Prototipo de sensor de detección magnética 37

Figura 4-1 Dispositivo de partida 40

Figura 4-2 Medidas de glucosa del glucómetro frente al valor que da el prototipo [141] 41

Figura 4-3 Fresadora ProtoMat S62 de LPKF 42

Figura 4-4 Osciloscopio MSO6032A de Agilent Technologies 43

Figura 4-5 Contour XT de Bayer 43

Figura 5-1 Influencia de la concentración de glucosa 47

Figura 5-2 Tipos de configuración [142] 48

Figura 5-3 Onda estacionaria [143] 48

Figura 5-4 Esquemático [144] 49

Figura 5-5 Separación de dos partículas mediante ultrasonidos [145] 49

Figura 5-6 Soporte para el sensor 50

Figura 5-7 Circuito emisor 51

Figura 5-8 Layout del circuito emisor 51

Figura 5-9 Circuito foto-receptor y de ultrasonidos 52

Figura 5-10 Esquemático 52

Figura 5-11 Layout del circuito receptor y de ultrasonidos 53

Figura 5-12 Conexión con el PIC32 53

Figura 5-13 Voltaje de salida del sensor 54

Figura 5-14 Salida del sensor 55

Figura 5-15 Circuito de filtrado y amplificación 56

Figura 5-16 Esquemático del divisor de tensión 56

Figura 5-17 Esquemático del filtro paso banda 57

Figura 5-18 Esquemático del amplificador 58

Figura 5-19 Layout del circuito de filtrado y amplificación 58

Figura 5-20 Realización del circuito impreso 59

Figura 5-21 Parte superior e inferior del circuito impreso 59

Figura 5-22 Circuito de filtrado y amplificación 59

Figura 5-23 Salida del convertidor analógico – digital 60

Figura 5-24 Salida del filtro paso baja 60

Figura 5-25 Salida del filtro paso baja 61

Figura 5-26 Salida del filtro paso alta 61

Figura 5-27 Soporte del segundo prototipo 62

Figura 5-28 Sensibilidad espectral del BP104FS-Z (izquierda) y del BP104S (derecha) 63

Figura 5-29 Etapas del sensor 64

Figura 5-30 Codificación de la señal en el PIC32 64

Figura 5-31 Esquema de la codificación 65

Figura 5-32 Segundo prototipo completo 65

Figura 5-33 Medición proporcionadas por el sensor 66

Figura 6-1 Medición con el sensor no invasivo desarrollado 68

Figura 6-2 Glucosa real frente a IRDC 69

Figura 6-3 Glucosa real frente a x2 70


xiii



Figura 6-7 Red neuronal 73

Figura 6-8 Base de datos de la red neuronal 73

Figura 6-9 Selección del tipo de red neuronal 74

Figura 6-10 Red neuronal general utilizada 75

Figura 6-11 Coeficiente de correlación entre los datos objetivo y la salida 76

Figura 6-12 Error entre los datos objetivo y la salida 76

Figura 6-13 Red neuronal personalizada utilizada 78

Figura 6-14 Coeficiente de correlación entre los datos objetivo y la salida 78

Figura 6-15 Error entre los datos objetivo y la salida 79

Figura 6-16 Cuadrícula de errores de Clarke 80

Figura 6-17 Cuadrícula de errores consensuada 80

Figura 7-1 Sensor de glucosa no invasivo 81

1

1 INTRODUCCIÓN

egún los últimos datos de la Federación Internacional de Diabetes (FID) [1], en el mundo hay 382

millones de personas que tienen diabetes, y se estima que esta cifra aumentará a 592 millones en 2035.

Esto supone un aumento de la prevalencia1 global del 8.3 al 10.1% de la población adulta mundial

comprendida entre los 20 y los 79 años. El aumento mundial de estas cifras es debido al crecimiento y al

envejecimiento de la población, a la creciente urbanización, a la prevalencia de la obesidad, el sedentarismo y

otros hábitos de vida poco saludables.

En las Figuras 1-1 y 1-2 [1] se puede apreciar el gran impacto que tiene esta enfermedad, en la que el menor

incremento de personas con diabetes se produciría en Europa y sería superior al 22%, cifra que ya de por sí es

alarmante y que se superaría además en los demás continentes, alcanzando un incremento mundial del 55%.

Sin embargo, la mayor preocupación está en que estas estadísticas de la futura prevalencia han sido

probablemente subestimadas.

Figura 1-1 Aumento de la Diabetes Mellitus mundial

Alrededor de la mitad de la población mundial con diabetes (46.3% según datos de la FID) no sabe que la

padece. Una persona con diabetes puede vivir durante varios años sin mostrar síntomas, pero durante este

tiempo, los altos niveles de glucosa están causando graves daños en su organismo. En algunas ocasiones, las

complicaciones asociadas son tan variadas que incluso cuando existen los síntomas, puede que no se vea que

la causa es la diabetes a menos que se hagan pruebas precisas y adecuadas.

1 Prevalencia: se define como el número total de personas que presentan síntomas o padecen una enfermedad durante un periodo de tiempo, dividivo por la población con posibilidad de llegar a padecer dicha enfermedad.

S

Introducción

2

Figura 1-2 Mapa actual de la Diabetes Mellitus en el mundo

Según el estudio SECCAID (del inglés “Spain estimated cost Ciberdem – Cabimer in Diabetes”) publicado en

2013 [2] se estima que en España los costes totales provocados por la diabetes en ese año ascendieron a 5.809

millones de euros, lo que supuso un 8.2% del gasto sanitario total. Si se tiene en cuenta el elevado

infradiagnóstico de la DM, el coste pudo haber ascendido a 8.787 millones de euros, el 12.5% del gasto

sanitario, si se consideran diagnosticados todos los pacientes con DM.

La incapacidad del sistema de detectar a estos pacientes con DM deriva, como se ha dicho antes, en un

aumento de las complicaciones y hospitalizaciones futuras que podrían ser evitadas. El estudio también

muestra que los costes farmacológicos son los de mayor peso (38%), seguidos por los costes hospitalarios

(33%). Las tiras reactivas de automonitorización de glucemia capilar supusieron el 2%.

Como se puede observar, los costes derivados de la DM representan una proporción muy elevada del gasto

sanitario total español, por lo que resulta indispensable tomar medidas para mejorar el diagnóstico, el control y

el tratamiento de la DM para reducir tanto las complicaciones futuras como los elevados costes económicos

asociados.

Numerosos estudios realizados a lo largo de las 3 últimas décadas demuestran que un buen control de la

glucemia en pacientes con Diabetes Mellitus de tipo 1 reduce considerablemente el riesgo de padecer

retinopatías, nefropatías y neuropatías diabéticas [1]. Sin embargo, multitud de pacientes no realizan las

mediciones diarias recomendadas debido, principalmente, al dolor y a la molestia que se produce cada vez que

se realiza una punción en el dedo para obtener una muestra de sangre para medir la glucemia a través de un

glucómetro tradicional.

De esto surge la necesidad de crear un dispositivo que proporcione el nivel de glucosa en sangre de una forma

no invasiva y que, además, esta medida sea continua a lo largo del día, pudiéndose evitar tanto los episodios de

hipo como de hiperglucemia. Esto se traduciría en un mayor control, más autonomía y un aumento

significativo en la calidad de vida de los pacientes.

3 Mejora del diseño de un prototipo de sensor no invasivo para la medida de glucosa en sangre

1.1 Objetivos

El objetivo de este proyecto de fin de carrera es la investigación, desarrollo y validación de un sensor no

invasivo para la estimación del nivel de glucosa en sangre, mejorándolo bajo las premisas de reducción de

costes, uso sencillo y cómodo para el paciente y monitorización en tiempo real.

Para la consecución de este objetivo fundamental, se desarrollarán los siguientes objetivos secundarios:

1.- Estudio bibliográfico y análisis de técnicas de monitorización de glucosa de forma no invasiva.

2.- Selección de una tecnología de sensorización que mejor se ajuste a las necesidades tecnológicas y los

requisitos de usuario.

3.- Mejora de un sensor previo respecto a los requisitos de diseño.

4.- Experimentación y evaluación del sensor mejorado.

1.2 Estructura del proyecto

Para facilitar la lectura del proyecto, se ha dividido en 7 capítulos que se resumen a continuación:

Capítulo 1. Introducción: Es el capítulo introductorio, en él se expone la motivación para la realización del

proyecto y los objetivos principales de éste.

Capítulo 2. Fundamentos médicos de la diabetes: Este capítulo comienza mostrando la importancia de la

glucosa en la realización de actividades fundamentales para el correcto funcionamiento del organismo y se

expone el problema que se produce por el fallo del sistema del control de la glucosa. A continuación, se

muestra una visión general de la Diabetes Mellitus: los tipos más comunes, las complicaciones y cómo

puede ser diagnosticada. Por último, se hablará brevemente del tratamiento, haciendo hincapié en el papel

que tiene la tecnología.

Capítulo 3. Sistemas de monitorización de glucosa: En primer lugar, se distinguen dos grandes tipos de

sensores de glucosa, los sistemas de auto-monitorización de glucosa en plasma, que son puntuales e

invasivos, y los sistemas de monitorización continua de glucosa, que pueden ser invasivos, mínimamente

invasivos o no invasivos. A continuación, se describen los criterios más utilizados para evaluar la

precisión y la exactitud de los sistemas de monitorización continua. Después, se describen las distintas

tecnologías que pueden ser usadas para la realización de un sistema continuo, en el caso de las invasivas,

se describe la microdiálisis y los sensores con aguja subcutánea; en cuanto a las mínimamente invasivas, la

recolección del líquido intersticial y la iontoforesis; y en las no invasivas se describen técnicas como la

espectroscopia del infrarrojo cercano y medio, tomografía de coherencia óptica, kromoscopia,

polarimetría, dispersión, espectroscopia infrarroja térmica, espectroscopia Raman, espectroscopia de

oclusión, espectroscopia fotoacústica, fluorescencia, espectroscopia de impedancia y detección

electromagnética.

Capítulo 4. Materiales y métodos: Se hace un resumen y una comparación de las técnicas no invasivas,

con el fin de optar por la que mejor se ajuste a las necesidades. Se describe tanto la metodología empleada

para el desarrollo de dos prototipos, consecuencia del uso de la filosofía Harmony, como los materiales y

los programas utilizados.

Capítulo 5. Resultados de desarrollo: Se muestra el proceso seguido en su construcción y desarrollo. Se

comienza hablando de los principios físicos que emplean las tecnologías usadas, seguido del diseño del

primer prototipo y su realización a partir de un circuito impreso y distintos componentes, junto con los

primeros resultados obtenidos. Después de una evaluación de los resultados, se proponen una serie de

modificaciones que se llevarán a cabo para dar lugar a un segundo prototipo.

Introducción

4

Capítulo 6. Resultados de validación: En este capítulo se muestra cómo se han realizado los ensayos para

ver la relación existente entre los parámetros proporcionados por el sensor y los valores reales de glucosa

en sangre. Se ha propuesto la utilización de redes neuronales como herramienta para la elaboración de dos

modelos, uno general y otro personalizado. Posteriormente, se ha realizado otra batería de ensayos para

validar ambos modelos propuestos.

Capítulo 7. Conclusiones: Se exponen las conclusiones finales a las que se ha llegado después de la

realización del proyecto, así como el trabajo que puede desarrollarse en un futuro para la mejora del

dispositivo actual.

5

2 FUNDAMENTOS MÉDICOS DE LA DIABETES

n este capítulo se va a comenzar viendo el papel fundamental que tiene la glucosa en el buen

funcionamiento del cuerpo humano, explicando el papel primordial que tiene en la realización de

actividades esenciales. Se describe también el sistema de control de esta sustancia y los órganos, como

el páncreas o el hígado, y las dos hormonas más importantes, la insulina y el glucagón, que hacen posible el

control de la glucosa de la sangre. A continuación, se describe la problemática asociada al control de la

glucemia2 y los efectos que se producen en el organismo cuando falla el sistema del control, teniendo como

consecuencia la aparición de la Diabetes Mellitus.

2.1 La importancia de la glucosa y su control

Los productos finales de la digestión de los hidratos de carbono en el tubo digestivo son casi exclusivamente la

glucosa (siendo ésta un 80% del total), la fructosa y la galactosa, tras su absorción en el tubo digestivo, gran

cantidad de fructosa y casi toda la galactosa se convierten en glucosa en el hígado; así, la glucosa se convierte

en la vía final común para el transporte de casi todos los hidratos de carbono a las células tisulares3 [3].

De forma general, el 90% o más de los hidratos de carbono, y por tanto de la glucosa, utilizados por el

organismo se oxidan en las células, liberando grandes cantidades de energía que es usada para transformar el

difostato de adenosina (ADP) en trifostato de adenosina (ATP). El ATP es un vínculo esencial entre la

utilización y la producción de la energía del organismo, siendo un elemento fundamental para realizar las

siguientes actividades [3]:

1) transporte activo de las moléculas a través de las membranas celulares,

2) contracción de los músculos y ejecución del trabajo mecánico,

3) distintas reacciones de síntesis para crear hormonas, membranas celulares y muchas otras moléculas

esenciales para el organismo,

4) conducción de los impulsos nerviosos,

5) división y crecimiento celular,

6) muchas otras funciones fisiológicas que se necesitan para mantener y propagar la vida.

Con esto, se deduce que la glucosa es la principal fuente de energía, ya que por cada molécula que se degrada

para convertirse en dióxido de carbono y agua, se forman 38 moléculas de ATP imprescindibles para realizar

las funciones anteriores.

La glucosa es llevada a las células a través del torrente sanguíneo, pero no difunde fácilmente por los poros de

la membrana celular dado que el peso molecular máximo de las partículas capaces de hacerlo es de

aproximadamente 100 y la glucosa tiene un peso molecular de 180. No obstante, la glucosa pasa con cierta

libertad mediante el mecanismo de difusión facilitada, es decir, si la concentración de glucosa es mayor a un

lado de la membrana que al otro, se transportará más glucosa desde el área de mayor a la de menor

concentración que en dirección opuesta. Hay que señalar también que la hormona insulina, descrita más

adelante, aumenta enormemente la velocidad de transporte de la glucosa de la sangre a las células. Las

cantidades de glucosa que difunden al interior de las células en ausencia de esta hormona, con las excepciones

del hígado y del cerebro, son muy pequeñas para suplir el gasto del metabolismo energético [3].

2 Glucemia: medida de concentración de glucosa en el plasma sanguíneo. 3 Células tisulares: células del tejido.

E

Fundamentos médicos de la diabetes

6

La glucemia de una persona sana oscila habitualmente entre 70 - 110 mg/dl en sangre en ayunas y se eleva

hasta 120 - 140 mg/dl en estado postprandial. Los mecanismos de regulación del nivel de glucosa devuelven

los valores a un estado normal casi siempre a las 2 horas de la última ingesta de hidratos de carbono.

Para el control de la glucemia se cuenta con dos tipos de hormonas fundamentales:

Hipoglucemiantes: como la hormona del crecimiento o la insulina. Esta última es una hormona

secretada por las células beta de los islotes de Langerhans del páncreas y promueve la captación de la

glucosa de la sangre y la utilización de ésta en los tejidos. Entre los efectos metabólicos que produce

se puede destacar la homeostasis de la glucosa (es decir, captación de glucosa en el hígado, los

músculos y el tejido adiposo), almacenamiento de combustibles (lípidos y glucógeno), biosíntesis de

macromoléculas (proteínas y ácidos nucleicos), aumento del crecimiento y la diferenciación celular e

inhibición de la apoptosis4.

Hiperglucemiantes: como la adrenalina y el glucagón, actúan aumentando la glucosa sanguínea. El

glucagón es una hormona secretada por las células alfa de los islotes de Langerhans del páncreas

cuando disminuye la glucemia y cumple varias funciones opuestas a las de la insulina, siendo la más

importante de ellas la que consiste en elevar la concentración sanguínea de glucosa.

Además, el hígado funciona como un importante sistema amortiguador de la glucemia. Cuando ésta se eleva

hasta una concentración determinada después de una comida, aumenta la secreción de insulina y hasta dos

tercios de la glucosa absorbida por el intestino se almacenan en el hígado en forma de glucógeno. En las

siguientes horas, cuando disminuye la concentración de glucosa en sangre y el ritmo de secreción de insulina,

el hígado devuelve de nuevo la glucosa a la sangre. De esta manera, se consigue reducir las fluctuaciones de la

glucemia y mantenerlas en unos límites estrechos.

Figura 2-1 Control de la concentración de la glucosa en sangre [4]

Aunque casi todos los tejidos pueden utilizar grasas o proteínas con fines energéticos cuando falta glucosa,

ésta es el único nutriente utilizado de forma habitual por el encéfalo, la retina y el epitelio germinal de las

gónadas5 en cantidades suficientes para disponer de energía en cantidades óptimas; por tanto, el

mantenimiento de la glucemia dentro de los valores suficientemente elevados resulta esencial para mantener

en buen funcionamiento de estos tejidos.

4 Apoptosis: destrucción o muerte celular programada o provocada por el mismo organismo. 5 Epitelio germinal de las gónadas: células que recubren el aparato reproductor.


2.2 Diabetes Mellitus

Cuando falla el mecanismo de control de la glucemia se produce la Diabetes Mellitus (DM), es una

enfermedad metabólica cuya característica principal es la presencia de altos niveles de glucosa en sangre

(hiperglucemia) que se acompaña, en mayor o menor medida, de alteraciones en el metabolismo de los lípidos

y de las proteínas, lo que conlleva una afectación microvascular y macrovascular que afecta a diferentes

órganos como ojos, riñón, nervios, corazón y vasos sanguíneos. [5]

Hay dos tipos principales de Diabetes Mellitus, el tipo 1 o diabetes dependiente de insulina y el tipo 2, también

denominada no insulinodependiente.

2.2.1 Diabetes Mellitus tipo 1

En la Diabetes Mellitus tipo 1 (DM-1), hay una falta absoluta de insulina por una destrucción autoinmune de

las células beta del páncreas, esto provoca que cuando suben los niveles de glucosa no se incremente la

concentración de insulina. Debido a esto, el hígado está en constante sensación de ayuno, permaneciendo en

estado gluconeogénico (sintetizando glucosa a partir de lactato y aminoácidos) y cetogénico (formando

cuerpos cetónicos). La susceptibilidad de sufrir esta diabetes está determinada genéticamente, aunque es

necesario un factor ambiental, como ciertos tipos de virus, para que se desencadene el proceso. Es una

enfermedad de aparición brusca y normalmente en personas con normopeso.

La hiperglucemia provocada por la Diabetes Mellitus es debida a varios motivos, como la incapacidad de los

tejidos dependientes de insulina de captar la glucosa plasmática, la estimulación de la gluconeogénesis

hepática, que aumenta la síntesis de glucosa en el hígado a partir de lactato y aminoácidos, y por la

degradación del glucógeno. Además de la hiperglucemia, presentan otros síntomas como cansancio, hambre,

poliuria, polidipsia y pérdida de peso.

En cuanto a las alteraciones en el metabolismo lipídico, se produce cetoacidosis. Sin insulina la lipólisis está

aumentada en el tejido adiposo, entonces los triglicéridos del tejido adiposo se hidrolizan y se forman muchos

ácidos grasos que van al hígado, donde se degradan hasta dar acetil-CoA, a partir de un exceso de éste, se

forman muchos cuerpos cetónicos que van a la sangre produciéndose acidosis metabólica provocando el coma

e incluso la muerte. Además, se produce una hipertrigliceridemia, porque no todos los ácidos grasos que llegan

al hígado van a dar acetil-CoA, si no que algunos dan triglicéridos que pasan a la sangre.

En el metabolismo proteico, al no haber insulina se disminuye la captación de aminoácidos de los tejidos, se

inhiben la síntesis de proteínas y por tanto se favorece su degradación, los aminoácidos que proceden de la

degradación de las proteínas del músculo se usan para la síntesis de glucosa.

El tratamiento es obligatoriamente con insulina exógena inyectada todos los días con el fin de controlar la

glucemia, será detallado más adelante.

2.2.2 Diabetes Mellitus tipo 2

Diabetes Mellitus tipo 2 (DM-2), es una diabetes de menor gravedad que la del tipo 1, constituye entre un 80 –

90% de los casos totales de diabetes. Suele aparecer en los adultos entre 40 – 80 años, es una enfermedad de

aparición gradual en la que la edad y el sobrepeso juegan un papel importante, ni los virus ni los factores

inmunitarios son desencadenantes en este caso.

En este tipo de Diabetes Mellitus sí hay insulina, estando el problema en la resistencia de los tejidos periféricos

a la insulina y también en que las células beta del páncreas que, aunque sintetizan insulina, no lo hacen en la

cantidad suficiente para compensar esta resistencia.

Entre las causas de la resistencia a la insulina se encuentran la disminución del número de receptores de

insulina en el músculo, menor afinidad del receptor por la insulina en el tejido adiposo y en pacientes con otros

problemas inmunitarios la existencia de anticuerpos anti-receptores de insulina.

Entre las consecuencias metabólicas se encuentra la hiperglucemia, porque hay una resistencia a la captación

de la glucosa por los tejidos, e hipertrigliceridemia, debido a que se estimula en el hígado la síntesis de ácidos

grasos y de lipoproteínas de muy baja densidad (VLDL).


8

En cuanto al tratamiento, se puede remediar o paliar los efectos con una dieta y ejercicio adecuado en personas

con sobrepeso, ya que cuando disminuye el peso aumentan los receptores de insulina en el músculo y en el

tejido adiposo y además se aumenta la afinidad de la insulina por el receptor; pero en general, en personas con

normopeso hay que administrarle antidiabéticos orales. Hay distintos tipos de estos fármacos, entre los efectos

que producen se encuentran el retardo de la absorción de glucosa en el intestino, mejoran la resistencia a la

insulina en el hígado, el músculo esquelético y en el tejido adiposo, disminuyen la producción de glucosa en el

hígado, aumentan la sensibilidad de los receptores por la insulina y aumentan la captación de glucosa corporal

total. Salvo en casos muy avanzados, no se suele administrar insulina.

2.2.3 Otros tipos de diabetes

Existen dos tipos más de Diabetes Mellitus:

Diabetes Mellitus secundaria, son diabetes asociadas a otras patologías como pancreatitis crónica,

algunas endocrinopatías, acromegalia o síndrome de Cushing.

Diabetes Mellitus gestacional, esta diabetes aparece en mujeres embarazadas, normalmente a los 5 o

los 6 meses, se detecta mediante el test de O’Sullivan. La mayoría de las mujeres con esta DM tienen

sobrepeso, pero la enfermedad se revierte después del parto.

2.3 Complicaciones de la diabetes

Puede tener complicaciones graves si no está controlada, estas complicaciones pueden ser agudas o a largo

plazo.

2.3.1 Complicaciones agudas

El descontrol agudo en los niveles de glucemia debido a un desajuste entre la concentración de insulina o del

antidiabético administrado y la dieta o el ejercicio puede provocar diversas crisis:

Coma diabético cetoacídico: Se da en personas con DM-1, con mayor frecuencia jóvenes, como

consecuencia de una descompensación de insulina. Aparece una hiperglucemia con sintomatología de

náuseas, vómitos, sed, poliuria.

Coma hiperosmolar (hiperglucémico) no cetósico: Se da en personas de edad media con DM-2 que no

desarrolla cetoacidosis. Los factores precipitantes son las infecciones o la ingestión de bebidas ricas en

glucosa. Se produce por una deficiencia relativa de insulina parcialmente descompensada. Hay un

descontrol de la glucemia durante varios días, por lo que las personas no tienen insulina suficiente

para bajar los niveles de glucosa sanguínea pero sí para inhibir la lipólisis. Entre los síntomas están la

hiperglucemia extrema, hipovolemia, alteraciones en el sistema nervioso central, convulsiones y

colapso vascular.

Hipoglucemia: Se produce cuando el nivel de glucosa está entre 45 – 63 mg/dl, esta crisis suele

aparecer en personas con DM-1 cuando se ha comido poco, se ha hecho ejercicio brusco y cuando se

ha producido un aumento repentino y fuerte en el nivel de insulina. Estas personas deben ser

estimuladas con hiperglucemiantes para contrarrestar la hipoglucemia. Algunos de los síntomas son la

sudoración, temblores, palpitaciones, hambre, alteración de la capacidad cognitiva, dificultad de

concentración e incluso la pérdida del conocimiento o el coma.

2.3.2 Complicaciones a largo plazo

Las complicaciones a largo plazo afectan principalmente a los vasos sanguíneos, grandes y pequeños, y al

sistema nervioso. Estas complicaciones son:

Microangiopatías: es un engrosamiento de las paredes de los capilares sanguíneos, produciéndose

nodos. Entre las principales alteraciones se encuentran las retinopatías diabéticas, nefropatías, bloqueo

renal y neuropatías.

Macroangiopatías: son enfermedades vasculares que afectan a las arterias debido al aumento de

glucoproteínas sanguíneas y de triglicéridos.


o Hipertensión: es un factor de riesgo para el infarto cerebral y las cardiopatías coronarias.

o Pie del diabético: son ulceraciones que pueden provocar infección por distintos

microorganismos que aparecen entre los dedos, de tal manera que si no se trata puede

producir necrosis.

2.4 Diagnóstico

Un diagnóstico precoz de la Diabetes Mellitus es esencial ya que un control metabólico desde su inicio

previene o retrasa las complicaciones posteriores.

La diabetes se diagnostica midiendo el nivel de glucosa en sangre mediante distintas reacciones. Los valores

normales rondan en torno a los 70 – 110 mg/dl. Las pruebas más utilizadas son:

Análisis de orina: se determina la cantidad de glucosa que se elimina en la orina, en personas sanas

esta cantidad es imperceptible, pero en personas con diabetes esta cantidad es variable y proporcional

a la gravedad de la enfermedad y a la ingesta de hidratos de carbono. Este análisis muestra la

hiperglucemia, pero no sirve para diagnosticar la diabetes si no va acompañado de más pruebas.

Glucosa sanguínea en ayunas: a través de un análisis de sangre se determina la glucemia, si en dos

exámenes el nivel está situado por encima de 126 mg/dl se diagnostica diabetes. Si el nivel está entre

100 - 126 mg/dl se denomina alteración de la glucosa en ayunas o prediabetes, estos niveles están

considerados un factor de riesgos para la Diabetes Mellitus de tipo 2.

Prueba de tolerancia a la glucosa oral: se da una solución con 75g de glucosa y se mide el nivel de

glucosa inmediatamente después de beber la solución y a las 2 horas. Si el nivel de glucosa está entre

140 - 200 mg/dl dos horas después de haber bebido el líquido, se tiene una prediabetes; si el nivel es

mayor de 200 mg/dl debe hacerse otra prueba otro día distinto y si el nivel es el mismo se confirma el

diagnóstico de la diabetes.

2.5 Tratamiento para la Diabetes Mellitus de tipo 1

El estudio desarrollado entre 1983 y 1993 sobre el Control de la Diabetes y sus Complicaciones (del inglés

Diabetes Control and Complications Trial, DCCT) [6] demostró que un buen control de la glucemia reducía

considerablemente el riesgo de padecer retinopatías, nefropatías y neuropatías diabéticas. Por esto, se ha

establecido el rango 70 – 180 mg/dl como el rango que el que debe situarse el nivel de glucosa de las personas

con diabetes. Si el nivel de glucosa es inferior a 70mg/dl el paciente tendrá hipoglucemia, y si es superior a

180mg/dl, tendrá hiperglucemia.

El tratamiento actual para mantener la glucemia entre estos valores pasa por la medida del nivel de glucosa en

sangre preprandial, la estimación de la cantidad de carbohidratos que se van a ingerir durante la comida y la

estimación adecuada de la cantidad de insulina exógena a inyectar, basada en la cantidad de carbohidratos

consumidos y las prescripciones médicas.

El suministro de insulina se realiza por vía subcutánea mediante varias inyecciones al día (MDI, del inglés

Multiple Daily Injections) o por medio de una bomba de infusión continua de insulina (CSII, del inglés

Continuous Subcutaneous Insulin Infusion). El problema de esta terapia intensiva de insulina, tal como se

describe en el estudio DDCT, es el aumento de los episodios de hipoglucemia.

En la actualidad, las principales líneas de investigación para mejorar la calidad de vida de los pacientes con

Diabetes Mellitus tipo 1 son el empleo de células madre para sustituir las células beta del páncreas, y

soluciones de tipo tecnológico. Dentro de estas últimas se encuentran, entre otras, la creación de un páncreas

artificial, la producción de análogos de insulina que sean más eficientes o la creación de nuevos sistemas de

monitorización que sean no invasivos o mínimamente invasivos.


10

2.6 Tecnología en el tratamiento de la Diabetes Mellitus de tipo 1

Hasta el siglo XIX, la manera más común de diagnosticar la Diabetes Mellitus era mediante la cata de la orina

del paciente o mediante su exposición a la intemperie para ver si ésta atraía a insectos, ya que la orina de las

personas con Diabetes Mellitus tiene un alto contenido en glucosa. Fue en el año 1965 cuando Ames, una

empresa que ya fabricaba tiras reactivas para la orina, desarrolló y comercializó unas tiras reactivas para

determinar el nivel de la glucosa a través de la sangre capilar, aunque al comienzo su uso estuvo limitado a los

profesionales sanitarios. Posteriormente, se siguieron desarrollando diferentes medidores de glucosa, como el

Ames Reflectance Meter (pesado y muy caro) o el Eyetone, pero ambos utilizados mayoritariamente en

centros médicos.

No fue hasta los años ochenta y después de la publicación del estudio DDCT, cuando se generalizó por parte

de los pacientes la utilización de los medidores de glucosa, además, éstos ya comenzaban a ser más fáciles de

usar y más pequeños y manejables. Estos dispositivos constituyen el mayor avance para el control de la

diabetes, permitiendo a los pacientes obtener su nivel de glucosa en poco tiempo y en cualquier lugar.

En la actualidad, las tiras son electroquímicas lo que permite obtener resultados con una mayor precisión y una

menor sensibilidad a las interferencias. Ahora se precisan cantidades mínimas de sangre, no es necesaria su

calibración y los resultados se representan en una pantalla digital. Además, algunos glucómetros permiten

almacenar esa información, junto con la cantidad de alimentos ingeridos o el ejercicio realizado y exportar ésta

a un ordenador.

El gasto anual mundial en dispositivos de monitorización se estima en 4700 millones de euros, y sigue

creciendo debido a que se ha demostrado que una mayor vigilancia del nivel de glucosa facilita su control. Sin

embargo, multitud de pacientes no realizan las mediciones diarias recomendadas, esto es debido

principalmente al dolor y la molestia que se produce cada vez que se realiza una punción en el dedo para

obtener una muestra de sangre. Es por ello por lo que el siguiente paso sea la creación de sistemas no

invasivos, que permitan la monitorización del nivel de glucosa de una forma cómoda e indolora, permitiendo

así mejorar la calidad de vida de los pacientes.

11

3 SISTEMAS DE MONITORIZACIÓN DE GLUCOSA

a Diabetes Mellitus es una enfermedad crónica que afecta a más del 8% de la población mundial, es por

ello por lo que en la actualidad existe un gran interés social y económico en la búsqueda de un sistema

de control y monitorización de la glucosa que sea eficiente y no invasivo.

Se distinguen dos grandes tipos de sensores de glucemia, los sistemas de auto-monitorización de glucosa en

plasma (SMBG), es decir, sistemas puntuales e invasivos; y los sistemas de monitorización continua de

glucosa (SMCG). Dentro de estos últimos hay dos grandes tipos, los invasivos y los no invasivos. Como se

verá posteriormente, ya existen sistemas continuos invasivos; no ocurre lo mismo con los no invasivos, que

son el reto en la actualidad.

En este apartado se va a explicar en qué consisten los SMBG, sus características principales y ejemplos de

algunos de los más usados. A continuación, se describirán los criterios más usados para evaluar la precisión de

los SMCG, para poder entender mejor los apartados posteriores, en los que se hará una revisión de los sistemas

actuales de monitorización continua de glucosa, poniendo mayor énfasis en los sistemas no invasivos.

3.1 Sistemas de auto-monitorización de glucosa en plasma

Estos sistemas son los más conocidos debido a su uso extendido. Fueron los primeros en salir al mercado a

mediados de los años 60 y desde entonces se han estado mejorando para hacerlos más baratos, pequeños,

manejables, fáciles de usar y accesibles para la mayoría de los pacientes.

Las características principales de estos sistemas son una alta fiabilidad y precisión en los resultados, son de

fácil análisis, proporcionan datos discretos, no tienen capacidad de predicción y son invasivos y dolorosos. En

la Figura 3-1 se muestran los componentes necesarios para la medición y a continuación se va a describir

brevemente el proceso para realizar la medición en base a la información suministrada junto con cualquier

glucómetro tradicional.

Figura 3-1 Uso de un glucómetro para autoexamen [7]

L

Sistemas de monitorización de glucosa

12

3.1.1 Uso de un SMBG

Los SMBG miden la glucemia de forma puntual mediante una punción, normalmente en el dedo.

En primer lugar, en algunos glucómetros es necesaria su calibración realizando un análisis con la solución de

control si es la primera vez que se usa, si se comienza un nuevo bote de tiras reactivas, si se cree que el

dispositivo puede no estar funcionando debidamente o si se obtienen repetidamente resultados inesperados.

Para esto hay que lavarse y secarse cuidadosamente las manos antes de realizar el análisis, coger la tira reactiva

correspondiente y compatible con el glucómetro que se está usando e introducir la tira en él. Posteriormente,

hay que depositar una gota de la solución de control sobre una superficie limpia y no absorbente e

inmediatamente después tocar la gota de la solución con la punta de la tira reactiva. Es necesario mantener el

contacto entre la solución y la tira hasta que el dispositivo lo indique. En muchos glucómetros actuales no es

necesaria la realización de este paso debido a que cuentan con una tecnología de auto-codificación. Una vez

realizada la calibración, se puede pasar a realizar la medición con sangre capilar.

Antes de comenzar con el análisis es muy importante tener todos los materiales preparados. En primer lugar y,

antes que nada, es muy importante lavarse bien las manos antes de realizar cualquier análisis. Después, hay

que sacar una tira reactiva del bote, procurando no tocarla ni manipularla en exceso e introducirla en el

glucómetro tal como se hizo en el análisis con la solución de control. Posteriormente, hay que preparar el

dispositivo de punción, para ello, hay que abrir el dispositivo, introducir la lanceta en él y quitar la cubierta

protectora, guardándola para desechar la lanceta correctamente después de utilizarla, y volver a cerrar el

dispositivo. Es necesario ajustar su profundidad, acorde con el tipo de grosor de la piel y con el lugar en donde

se va a realizar la punción.

Para obtener la gota de sangre capilar para realizar el análisis, primero hay que desinfectar la zona con agua

oxigenada o alcohol y esperar a que se seque, después, hay que presionar el dispositivo de punción en el lugar

en el que se va a tomar la medida, y apretar el botón que hace que la lanceta puncione la piel. A continuación,

hay que masajear suavemente la zona para que se forme una gota de sangre, realizando el análisis tan pronto

como se haya formado la gota, poniendo en contacto la punta de la tira con la sangre. Es necesario mantener la

punta de la tira en contacto con la gota de sangre hasta que el medidor lo indique. Segundos después, el

glucómetro mostrará en pantalla la medida de glucosa, que será conveniente apuntar para llevar un control del

nivel de glucosa en sangre. Por último, hay que retirar la tira reactiva y la lanceta en su cubierta protectora y

desechar ambas como residuos médicos.

Hay que señalar que casi todos los dispositivos de punción están diseñados para el autodiagnóstico por un

único paciente, por lo que no se debe utilizar en más de una persona para evitar el riesgo de infección.

También es recomendable utilizar una nueva lanceta cada vez que se realice un análisis, aunque sea el mismo

paciente, porque ésta pierde la esterilidad después del uso.

3.2 Criterios para evaluar la precisión y exactitud de los SMCG

La monitorización continua de glucosa se define conceptualmente como una medición automática y continua,

que proporciona no solo datos puntuales sino una tendencia de cómo evoluciona la glucemia a lo largo de las

horas.

La mayoría de los sistemas actuales de monitorización continua se basan en la medición de la glucosa

intersticial mediante distintos métodos. La medida que se obtiene es la cantidad de glucosa existente en el

líquido intersticial6 (ISF), pero lo que se quiere conocer es la glucosa en sangre por lo que son necesarios

algoritmos de estimación, que son calibrados mediante medidas de sangre capilar. La glucosa difunde de la

sangre al líquido intersticial a través de la pared capilar mediante difusión facilitada según el gradiente de

concentración de glucosa. Esto induce un retraso fisiológico entre las dos señales, lo que se considera como

una de las fuentes de error de estos sistemas. El retraso que se produce está en torno a los 5 o 10 minutos,

aunque en algunas ocasiones se ha llegado a contabilizar hasta 40 minutos e incluso adelantos en los que se ha

medido la caída de la glucosa intersticial antes de que caiga en sangre [8] [9] .

6 El líquido intersticial es el líquido contenido en el espacio entre las células, es un filtado del plasma proveniente de los capilares.


El gran inconveniente de estos sistemas es su inexactitud y la poca fiabilidad de sus estimaciones de glucosa.

Ningún SMCG aprobado por la FDA y otras agencias reguladoras tiene la precisión y la fiabilidad de los

SMBG, en concreto en el rango hipoglucémico, donde tienen una alta tasa de falsos negativos y falsos

positivos que se considera inaceptable [10]. Es por esto por lo que solo están aprobados como complemento a

las mediciones realizadas con los glucómetros tradicionales, y no para su sustitución.

A continuación, se van a describir los criterios más usados para evaluar la precisión y la exactitud de los

SMCG a fin de entender posteriormente la evaluación de las distintas técnicas estudiadas.

3.2.1 La media de la diferencia absoluta relativa

La diferencia absoluta relativa (RAD) es una medida porcentual que indica cuánto se desvía, en este caso, una

estimación de glucosa realizada por un SMCG del método de referencia, que usualmente será medida por un

SMBG. Se calcula como el valor absoluto de la diferencia entre el nivel de glucosa de referencia y el estimado,

expresado como un porcentaje del valor de referencia.

𝑅𝐴𝐷 (%) = |𝐺𝑙𝑢𝑐𝑜𝑠𝑎 𝑑𝑒 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 − 𝐺𝑙𝑢𝑐𝑜𝑠𝑎 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑎 𝑆𝑀𝐶𝐺

𝐺𝑙𝑢𝑐𝑜𝑠𝑎 𝑑𝑒 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎| · 100

3.2.2 Coeficiente de correlación

Se utilizan los coeficientes de Pearson y Spearman. Sin embargo, estos coeficientes son considerados

inapropiados para evaluar la precisión de los SMCGs debido a que están muy influenciados por el rango y la

distribución de los valores medidos [11].

3.2.3 Cuadrícula de análisis de errores de Clarke

Un método frecuente usado para evaluar a los sistemas de monitorización de glucosa es la cuadrícula de

análisis de errores de Clarke, la cual fue desarrollada en la década de 1980. Ésta evalúa la medida

proporcionada por el sistema de monitorización en el eje y, frente al nivel de referencia de glucosa en el eje x,

asignando un error clínico al error obtenido del sensor de glucosa [12] [13].

Esta cuadrícula divide el área en cinco zonas de diferente riesgo, llamadas zonas A, B, C, D y E (Figura 3-2).

Figura 3-2 Cuadrícula de análisis de errores de Clarke

0 50 100 150 200 250 300 350 400 450 500 5500

50

100

150

200

250

300

350

400

450

500

550

Valor de referencia (mg/dL)

Valo

r estim

ado (

mg/d

L)

C

D

E

D

E

CA

B

B


14

Si los resultados caen en las zonas A y B, pueden considerarse clínicamente aceptables ya que ninguno de

ellos da lugar a alteraciones en el tratamiento, si se encuentran en la C, se puede provocar una sobre corrección

en el tratamiento que conduzca a una hipo – o hiper – glucemia, los puntos en la zona D se consideran fallos

peligrosos que deben detectarse para no dar lugar a errores en el tratamiento, y los puntos en la zona E

provocarían una aplicación del tratamiento opuesto al necesario.

Los límites entre las distintas zonas no son correlativos, lo que implica que un pequeño cambio en un valor

próximo a uno de los límites puede hacer saltar un punto, por ejemplo, desde la zona A (clínicamente

aceptable) a la zona D (que puede provocar errores en el tratamiento) o viceversa. A pesar de esto, este criterio

es usado ampliamente para evaluar los sistemas de monitorización de glucosa.

3.2.4 Cuadrícula de análisis consensuado de errores

La cuadrícula de análisis consensuado de errores fue desarrollada por Parkes et al. [14] a partir de una encuesta

realizada a 100 médicos que trataban con pacientes diabéticos. Esta cuadrícula mantiene las cinco regiones de

riesgo de Clarke, pero elimina sus discontinuidades, haciendo que un cambio infinitesimal en la concentración

de glucosa no provoque que la zona de riesgo se incremente en dos o tres niveles, sino que se produzcan saltos

a zonas de riesgo continuas, tal como se muestra en la Figura 3-3.

Una comparación directa entre las dos cuadrículas con el mismo conjunto de datos, mostró que la cuadrícula

de análisis consensuado de errores daba como clínicamente aceptables al 98.6% de los datos en comparación

con el 95% que mostraba la cuadrícula de errores de Clarke [15].

Figura 3-3 Cuadrícula de análisis consensuado de errores

3.2.5 Criterios definidos en la norma ISO 15197:2015

La norma ISO 15197:2015 [16] cuyo título es “Sistemas de ensayo para diagnóstico in vitro” y “Requisitos

para los sistemas de monitorización de glucosa en sangre para autodiagnóstico en la gestión de la diabetes

mellitus”, especifica los requisitos para los sistemas in vitro de monitorización de glucosa previstos para el

autodiagnóstico realizado por personas no expertas para la gestión de la Diabetes Mellitus. También establece

los requerimientos para los procedimientos específicos de verificación del diseño y para la validación de las

prestaciones por los usuarios previstos.

0 50 100 150 200 250 300 350 400 450 500 5500

50

100

150

200

250

300

350

400

450

500

550


Valo

r estim

ado (

mg/d

L) A

B

C

D

B

DEC


Los sistemas de monitorización de glucosa en sangre deben cumplir ambos criterios mínimos descritos a

continuación para una exactitud aceptable del sistema:

a) El 95% de los valores medidos de glucosa deben estar comprendidos dentro de ± 15 mg/dL del

promedio de los valores medidos del procedimiento de medición de referencia para concentraciones

de glucosa < 100 mg/dL o dentro de ± 15% para concentraciones de glucosa > 100 mg/dL.

b) El 99% de los valores individuales medidos de glucosa deben estar comprendidos dentro de las zonas

A y B de la cuadrícula de análisis consensuado de errores (CEG) para la diabetes tipo I.

Esta norma no es aplicable a los sistemas de monitorización continua de glucosa en sangre para

autodiagnóstico, pero se puede usar como una guía para el desarrollo de dichos sistemas.

A continuación, se describen las diferentes técnicas para la medición de la glucosa de forma continua que se

han encontrado en la bibliografía [15] [17] [18], clasificándolas atendiendo a su carácter invasivo, poniendo

mayor énfasis a las técnicas no invasivas.

3.3 Técnicas invasivas y mínimamente invasivas de monitorización continua de glucosa

En la actualidad ya existen numerosos sistemas de monitorización continua de glucosa que utilizan

dispositivos invasivos o mínimamente invasivos para medir los niveles de glucosa en el líquido intersticial,

suministrando información continua y en tiempo real sobre la glucemia y sus fluctuaciones. Se utilizan como

alternativas a los sistemas tradicionales de punción en personas con cambios rápidos en los niveles de glucosa

o como uso durante las noches.

Además, se ha demostrado que un seguimiento continuo proporciona una mejora del control metabólico del

paciente y un perfil de las variaciones de glucosa durante todo el día y ayuda a predecir, y en consecuencia

poder evitar, tanto episodios de hiperglucemia como de hipoglucemia.

A continuación, se van a describir las técnicas invasivas (los sensores con una aguja subcutánea y la

microdiálisis) y las mínimamente invasivas (recolección de ISF e Iontoforesis) más desarrolladas.

3.3.1 Sensores con aguja subcutánea

Este tipo de sensores cuentan con una microaguja subcutánea que detecta la glucosa usando electrodos

enzimáticos. Estos electrodos utilizan enzimas que catalizan una reacción redox, en la que se donan y se

reciben electrones. Este movimiento de electrones se puede utilizar para producir un voltaje o una corriente

que dependen de la concentración de glucosa existente y que se puede medir usando electrodos.

La glucosa oxidasa, al ponerse en contacto con la glucosa del líquido intersticial, reacciona formando ácido

glucónico y peróxido de hidrógeno, el cual es directamente proporcional a la concentración de glucosa. El

peróxido puede medirse amperométricamente a un potencial de 0.7 voltios utilizando un electrodo de platino

tal como indica la Figura 3-4 [19].

Figura 3-4 Esquema del sensor de glucosa


16

El sitio más común de medición de estos sensores depende del dispositivo en concreto que se esté utilizando.

Por ejemplo, en el caso del sensor Dexcom G4 Platinum es en la zona del abdomen en los adultos y en el área

superior de los glúteos y el abdomen para uso pediátrico y en el caso del sensor FreeStyle Libre es en la parte

posterior del brazo.

Figura 3-5 Sitios de medición de los sensores de aguja subcutánea [20] [21]

El sensor Dexcom G4 Platinum está aprobado para uso en adultos y en niños a partir de los 2 años. La

duración del sensor es de 7 días, dependiendo del cuidado en su uso. Cuenta con un dispositivo para visualizar

los resultados, además, muestra una gráfica con los resultados y la tendencia de éstos, así como alarmas de

hipoglucemia con el fin de evitar que se produzcan estos episodios. Los estudios realizados con este sensor

muestran un 98% de las lecturas en las zonas A y B de la cuadrícula de errores de Clarke, con un promedio del

error absoluto frente a la referencia del 13% - 15% para un rango de 40 – 400 mg/dL [20]. El precio de compra

de este sensor está en torno a los 1200 € el conjunto del receptor que muestra los resultados y las gráficas junto

con el transmisor inalámbrico para enviar los datos del sensor al receptor; y cada sensor tiene un precio

aproximado de 85 € [22].

Figura 3-6 Sensor Dexcom G4 Platinum [20]

El sensor FreeStyle Libre cuenta con un filamento fino y flexible de una longitud de 5 mm que se inserta

debajo de la piel y permanece operativo durante 14 días, tiene un tamaño un poco más grande que una moneda

de 2 €. Cuenta con un lector que permite visualizar los resultados actuales y un histórico de los datos de los

últimos 3 meses. Estudios realizados con este sensor muestran que el 99.7 % de los datos estaban en las zonas

A y B de la cuadrícula de Clarke, mostrando una media del error absoluto del 11.4% en comparación con las

medidas capilares [23]. El precio de compra del lector es de 59.90 €, y el del sensor de 59.90 € [21].

Figura 3-7 Sensor FreeStyle Libre [21]


3.3.2 Microdiálisis

Los sistemas de microdiálisis emplean un catéter colocado por vía subcutánea, el cual cuenta con una zona en

la que se sitúa una membrana semi-permeable. A través del catéter se perfunde una solución neutra de

composición conocida desde un depósito ex vivo; la membrana semi-permeable permite el intercambio de

solutos entre la solución neutra y el líquido intersticial, tal como se muestra en la Figura 3-8. La glucosa del

líquido intersticial difunde libremente por el catéter donde es bombeada a un sensor electroquímico basado en

la glucosa oxidasa.

Figura 3-8 Catéter de microdiálisis [24]

Con el tiempo, las propiedades físicas y químicas de la membrana pueden cambiar, así como las características

del tejido circundante, como la presión, el volumen, la temperatura o la hidratación. La velocidad del flujo y la

composición del líquido de perfusión, que son reguladas exclusivamente por el dispositivo, pueden influir en

la concentración de la glucosa. En consecuencia, mientras que el sensor, al ser ex vivo, está relativamente

protegido frente al ensuciamiento por componentes celulares y proteínas, el líquido de diálisis y la recolección

de la glucosa se ven afectados de manera significativa, lo que hace necesaria la calibración del sistema una vez

al día.

Como limitaciones, podría mencionarse que la concentración de glucosa detectada en el dializado es

dependiente del grado de equilibrio con el ISF, este equilibrio es variable y puede verse afectado por factores

relacionados con la membrana, el analito y el tejido circundante [25]. Otro inconveniente es que los sistemas

de microdiálisis tienen un tiempo de retardo inherente al proceso de dializado y al bombeo del ISF al sensor,

además del retraso fisiológico ya existente entre la glucosa en sangre y la que contiene el ISF, se ha reportado

una media de 7 minutos de retraso. Por último, al requerir una solución de perfusión es necesario contar con un

dispositivo de mayor tamaño.

La precisión del sensor mostrada en los ensayos clínicos es aceptable [26]. El sitio de medición de este tipo de

dispositivos suele ser la zona latero – umbilical. Un ejemplo de este tipo de sensores es el dispositivo

GlucoDay, que proporciona medidas continuas de glucosa cada 3 minutos, puede verse un esquema de su

funcionamiento en la Figura 3-9, que muestra como la solución neutra va impulsada desde la bolsa de reserva

hacia el catéter subcutáneo, en el cual se produce el intercambio de solutos. El fluido recogido va hacia el

sensor, donde es analizado y posteriormente llevado a una bolsa para depositar los productos de deshecho.

Figura 3-9 Esquema de un dispositivo de microdiálisis [24]


18

Estudios que han analizado este sistema, Menarini GlucoDay (Menarini Diagnostics, Florencia, Italia), han

mostrado que, usando el dispositivo en 70 pacientes diabéticos, el 97% de los datos estaban en las zonas A y B

de la cuadrícula de Clarke, con r = 0.9, en un rango de concentraciones de glucosa de 40 – 400 mg/dL [24].

Para evaluar el rendimiento clínico, los sensores con aguja subcutánea y los de microdiálisis se han comparado

en un estudio realizado en pacientes con Diabetes Mellitus de tipo 1. La sonda de microdiálisis mostró una

diferencia absoluta media del 11.7%, mientras que en el sensor de aguja subcutánea era del 15%. También se

reportó un retraso de 7 minutos en la sonda de microdiálisis [27]. La microdiálisis es más precisa, aunque el

retraso que se produce es un factor importante que hay que tener en cuenta. No obstante, las diferencias

absolutas medias mostradas con ambos dispositivos no son despreciables, por lo que los resultados del nivel de

glucosa en sangre obtenidos tienen que ser considerados con precaución.

3.3.3 Recolección de ISF

Esta técnica se basa en el uso de una luz láser [28] o de ultrasonidos [29] para crear una matriz de agujeros

microscópicos (microporos) en la piel humana. La técnica basada en los ultrasonidos es conocida como

Sonoforesis.

La recolección de ISF utiliza los ultrasonidos de baja frecuencia o la luz láser para aumentar la permeabilidad

de la piel, provocando la contracción y la expansión de inclusiones gaseosas en el estrato córneo, que abren

unas vías para el paso del ISF. Este ISF, que contiene glucosa, tiende a ir a través de los microporos hacia un

sensor de glucosa de tipo tradicional colocado en contacto con la piel donde se han creado los microporos y,

por lo tanto, hace posible la medición de glucosa.

La principal limitación de esta técnica es la posible falta de coincidencia entre el nivel de glucosa del ISF y el

de la sangre. También, es considerada mínimamente invasiva puesto que la creación de microporos puede

provocar irritación de la piel en algunos casos. En los primeros ensayos clínicos de sensores que usaban

sonoforesis era necesario aplicar 2 minutos de ultrasonidos seguidos de 5 minutos de aplicación de vacío para

extraer el ISF a una velocidad de 25 µl/cm2/h. Esta velocidad de extracción no es constante y varía hasta 10

veces entre distintos pacientes y entre distintos sitios dentro del mismo paciente.

Figura 3-10 Sensor que utiliza la sonoforesis [19]

No obstante, se han llegado a reportar muy buenos resultados, teniendo por ejemplo el 99% de los puntos

situados en las zonas A y B de la cuadrícula de Clarke y obteniendo una correlación de r = 0.946 en 56

pacientes diabéticos, usando sensores situados en el brazo y en el abdomen para sistemas que usan la luz láser

[28]. En sistemas que usan la sonoforesis se han mostrado también buenos resultados, en un estudio realizado

por Kost J, Mitragotri S, Gabbay RA, Pishko M y Langer R [30] obtuvieron solo un punto en la zona D de la

cuadrícula de Clarke y un error medio relativo del 23% en 7 pacientes diabéticos. En el 2004, Chuang H,

Taylor E y Davidson TW daban a conocer en su artículo [31] que la técnica se había perfeccionado, no siendo


necesario el vacío, además, obtuvieron un 95% de las medidas en las zonas A y B y un r = 0.84, y no se

reportaron quejas ni de dolor ni de irritación de la piel.

A la vista de los resultados se puede concluir que es una alternativa aceptable hasta que los sistemas no

invasivos sean lo suficientemente precisos y exactos.

3.3.4 Iontoforesis

La iontoforesis inversa se basa en el flujo de una baja corriente eléctrica a través de la piel, entre un ánodo y un

cátodo colocados en la superficie de la piel. Al aplicar un potencial eléctrico entre el ánodo y el cátodo, se

provoca la migración de los iones de sodio y cloruro por debajo de la piel hacia el cátodo y el ánodo

respectivamente [32]. En particular, es la migración de iones de sodio la que genera principalmente la corriente

[33]. Las moléculas no cargadas, como la glucosa, son llevadas junto con los iones a lo largo del flujo

convectivo (electroósmosis). Este flujo hace que la glucosa intersticial sea transportada a través de la piel,

quedando así recogida en el cátodo, donde se coloca un sensor tradicional para obtener la medida de la

concentración de glucosa directamente. Este sensor puede ser, por ejemplo, un electrodo de platino basado en

la glucosa oxidasa7 (GOx), detectando la producción de H2O2. Las concentraciones de glucosa obtenidas en el

fluido recogido son 1000 veces menores que las existentes en el ISF.

Figura 3-11 Principio de la iontoforesis inversa [15]

Las ventajas principales de esta tecnología sobre otros sistemas basados en electrodos enzimáticos es que la

concentración de glucosa es baja, así que el suministro de oxígeno no es un factor limitante para la glucosa

oxidasa. Además, la piel filtra las moléculas más grandes, por lo que se reduce la probabilidad de que se

ensucie el electrodo, y las moléculas activas electroquímicamente que pueden causar interferencias, como el

urato y el ascorbato, se llevan lejos del ánodo del sensor.

Como inconvenientes, se tiene que la extracción de glucosa tiene una relación aproximadamente lineal con la

densidad y la duración de la corriente iontoforética, con lo que, para tener una cantidad suficiente de glucosa

para realizar la medición, son necesarios tiempos de exposición al potencial eléctrico que a menudo tienden a

causar irritación en la piel. Además, es necesario un calentamiento previo de unas 2-3 horas. Los resultados

obtenidos no son concluyentes, ya que se producen inexactitudes que podrían estar provocadas porque la

cantidad de glucosa existente en el ISF y en el fluido recogido puede no ser la misma que la de la sangre.

Tampoco hay estudios que demuestren que este tipo de sensores puedan ser capaces de detectar los cambios

rápidos del nivel de glucosa en sangre.

7 La enzima glucosa oxidasa es una oxidorreductasa ampliamente utilizada para la determinación y cuantificación de la glucosa libre en los fluidos biológicos.


20

Como ejemplo de esta tecnología se puede citar el GlucoWatch, un dispositivo de control de glucosa hecho a

través de un reloj de pulsera y fabricado por Animas Technologies. El sistema era capaz de leer los valores de

glucosa cada 10 min durante un máximo de 13h, posteriormente era necesario cambiar el sensor y calibrar el

nuevo. Tuvo la aprobación de la FDA para ser un método auxiliar y se vendió durante algunos años a un

precio de 872.50 $ y el de cada sensor de 9.38 $. Se retiró del mercado por presentar un rendimiento

insatisfactorio debido a las desventajas principales de este tipo de tecnología [34] [35].

Otro dispositivo que se está desarrollando actualmente es un sensor flexible a modo de tatuaje temporal, que

utiliza corriente eléctrica baja para medir los niveles de glucosa a través del líquido intersticial. Está siendo

desarrollado por investigadores de la Universidad de California [36]. Este tatuaje temporal ya ha sido probado

en 7 personas no diabéticas de entre 20 y 40 años, los cuáles no mostraron ninguna dolencia en el uso del

dispositivo.

Figura 3-12 Sensor – tatuaje basado en la iontoforesis

Aunque estas técnicas de monitorización continua ya suponen un gran avance en el control eficiente de los

niveles de glucosa, cuentan con algunas limitaciones importantes que hay que destacar, por ejemplo, que al ser

necesario un procedimiento invasivo para colocar los sensores, a veces suelen requerir la ayuda de un

profesional sanitario; tienen un período de funcionamiento limitado, que suele variar entre dos y catorce días;

existe la posibilidad de aparición de efectos secundarios, como infecciones cutáneas y son necesarias

recalibraciones, lo que implica la realización de pinchazos.

Teniendo en cuenta estas desventajas, se trata de buscar un sistema de monitorización que proporcione

mediciones continuas durante prolongados periodos de tiempo y que éstas se realicen de forma no invasiva,

evitándose así los efectos secundarios. Estas mediciones deben ser precisas, exactas y estables, de forma que

no sea necesaria la recalibración o que ésta no sea frecuente y que tengan la capacidad de presentar datos de

forma online de manera que puedan ser visualizados de forma cómoda en otros dispositivos. En base a estas

características, se exponen a continuación técnicas no invasivas de monitorización continua de glucosa, en las

que se va a profundizar en detalle a fin de encontrar la más idónea para continuar con la realización de un

sensor que cumpla con los máximos requerimientos.

3.4 Técnicas no invasivas de monitorización de glucosa

Como ya se ha mencionado, el objetivo de los sistemas de monitorización continua de glucosa es proporcionar

una medida continua de la glucemia que sea precisa, fiable y que sea obtenida de una forma indolora. Sin

embargo, antes de conseguir un dispositivo que proporcione medidas continuas, es necesario centrarse en

primer lugar en lograr que muestre medidas puntuales, pero que éstas sean lo suficientemente exactas como

para que puedan sustituir a los glucómetros tradicionales.


Las técnicas no invasivas actualmente en estudio se pueden clasificar en dos grupos, ópticas y transdérmicas,

ambas midiendo la cantidad de glucosa existente en el líquido intersticial.

En cuanto a las técnicas ópticas se van a describir: espectroscopia del infrarrojo cercano, espectroscopia del

infrarrojo medio, tomografía de coherencia óptica, kromoscopia, polarimetría, dispersión, espectroscopia

infrarroja térmica, espectroscopia Raman, espectroscopia de oclusión, espectroscopia fotoacústica y

fluorescencia; y en cuanto a las técnicas transdérmicas se describirá la espectroscopia de impedancia y la

detección electromagnética.

3.4.1 Espectroscopia del infrarrojo cercano

La espectroscopia infrarroja se fundamenta en la absorción de la radiación infrarroja por las moléculas en

vibración. Una molécula absorberá la energía de un haz de luz infrarroja cuando dicha energía incidente sea

igual a la necesaria para que se dé una transición vibracional de la molécula. Es decir, la molécula comienza a

vibrar de una determinada manera gracias a la luz que se le suministra mediante luz infrarroja.

Pueden distinguirse dos categorías básicas de vibraciones: de tensión (cambios en la distancia interatómica a lo

largo del eje del enlace entre dos átomos) y de flexión (cambios en el ángulo que forman los enlaces).

En principio, cada molécula presenta un espectro infrarrojo característico (su huella dactilar), debido a que

todas las moléculas tienen algunas vibraciones que, al activarse, provocan la absorción de una determinada

longitud de onda en la zona del espectro electromagnético correspondiente al infrarrojo.

De esta forma, analizando cuales son las longitudes de onda que absorbe una sustancia en la zona del

infrarrojo, podemos obtener información acerca de las moléculas que componen dicha sustancia. En la Figura

3-12 se muestra el espectro infrarrojo de un compuesto, donde pueden verse numeradas del 1 al 10 las distintas

bandas de absorción, en este caso reflejadas como mínimos de transmitancia8. Comparando la posición de las

bandas de absorción observadas en el espectro con una tabla con las bandas esperadas, se puede realizar la

asignación y comprobar los grupos moleculares presentes en el compuesto.

Figura 3-13 Espectro infrarrojo de un compuesto [37]

La región espectral del infrarrojo cercano (NIR) se extiende de los 0.7 µm a las 2.5 µm, aunque las longitudes

de onda menores de 0.9 µm rara vez se utilizan para medir la glucosa, ya que se han realizado algunos estudios

pero sin buenos resultados [38]. La espectroscopia NIR permite la medición de la glucosa en los tejidos en un

rango de 1 a 100 mm de profundidad, produciéndose un decremento de la profundidad de penetración a

cambio de un aumento en la longitud de onda.

8 La transmitancia óptica es la cantidad de luz que atraviesa un cuerpo en una determinada longitud de onda.


22

Se tiene que tener en cuenta que dependiendo del sitio donde se quiera medir la glucosa y de los intervalos de

longitud de onda que se vayan a considerar, va a estudiarse un tipo de luz u otra, es decir, reflectancia difusa,

transmitancia difusa o ambas. En la reflectancia difusa, se irradia con bandas de radiación de longitudes de

onda en la NIR, la radiación penetra a través de la superficie de la capa de partículas, excita los modos de

vibración de las moléculas del analito9 y luego se refleja dispersándose en todas direcciones con la misma

longitud de onda. De esta forma, se produce el fenómeno de reflectancia, que va a depender de la composición

que tenga la muestra. En cambio, en la transmitancia difusa, el haz de luz incidente se difunde por el medio y

sale de él en múltiples direcciones. Ambos fenómenos pueden medirse con los detectores adecuados.

Como ventajas fundamentales, se puede destacar que es una tecnología completamente no invasiva, de la cual

no existe ningún riesgo cuando se aplica el láser en los sitios de medición más frecuentes, como el brazo, el

antebrazo o el dedo, a diferencia de otras tecnologías. El montaje de los sistemas es sencillo, emplean

elementos que cuentan con mucha variedad en el mercado y de coste relativamente bajo; la señal es lo

suficientemente energética en comparación con las del espectro del infrarrojo medio que se describirán en el

siguiente apartado. Además, no requiere tiempo de calentamiento previo lo que hace que los ensayos se

puedan realizar con relativa rapidez.

La espectroscopia NIR proporciona una ventana óptica en la cual el 90 – 95% de la luz pasa a través de la capa

córnea10 y la epidermis independientemente de la pigmentación de la piel, sin embargo, el coeficiente de

absorción de la glucosa en la banda NIR es bajo y mucho más pequeño que el del agua. Así, la banda espectral

de la glucosa en NIR es débil y además de solaparse con una banda más fuerte del agua, se solapa también con

las bandas de hemoglobina, proteínas y grasas.

En cuanto al coeficiente de dispersión, el efecto de un soluto (como la glucosa) en el índice de refracción de un

medio no es específico y, por lo tanto, es común a otros analitos solubles. Además, algunos parámetros físicos

y químicos como la variación de la presión arterial, la temperatura corporal, la hidratación de la piel, los

triglicéridos y la concentración de albúmina pueden interferir con la medición de la glucosa [39].

También pueden ocurrir errores debido a las variaciones ambientales, tales como cambios de temperatura,

humedad, dióxido de carbono o presión atmosférica; y también debidos a componentes del tejido, como agua,

grasa y proteínas.

Los cambios en el propio nivel de glucosa también pueden introducir errores: por ejemplo, se ha demostrado

que la hiperglucemia, así como la hiperinsulinemia (a menudo conectadas en pacientes obesos) pueden inducir

vasodilatación, lo que resulta en un aumento de la perfusión [40] [41]. Este fenómeno aumenta la absorción de

la luz, y por lo tanto puede conducir a errores en la estimación de la concentración de la glucosa en la sangre si

no se tiene en cuenta.

También se ha informado de que la hiperglucemia puede tener efectos sobre las propiedades estructurales de la

piel. Las personas con diabetes, de hecho, pueden exhibir “piel gruesa” o “piel amarilla”, probablemente

debido al envejecimiento elevado del colágeno y al deshilachado de las fibras elásticas [42] [43]. De este

modo, la luz reflejada desde la piel de las personas con diabetes puede tener distinta intensidad en personas

sanas para un mismo valor de la glucemia. También se encontraron propiedades térmicas de la piel diferentes

en pacientes con hiperglucemia que afectaban a la reflectancia de la luz [44]. La hiperglucemia también puede

ocasionar diferencias en el índice de refracción de los glóbulos rojos, lo que conduce a diferencias en la

dispersión de la luz [45] [46].

Otro factor a tener en cuenta es el hecho de que a menudo las mediciones en NIR reflejan la concentración de

glucosa en diferentes compartimentos del cuerpo, es decir, no solo el líquido intersticial sino también la

sangre, pueden contribuir a la medición en los diferentes tejidos del cuerpo.

No obstante, hay multitud de artículos y publicaciones que avalan los buenos resultados, en general, obtenidos

con dispositivos realizados con esta tecnología, se pueden mencionar por ejemplo, un artículo publicado en

1995 por J. Kay-Uwe et al. [47] en el que se obtuvo un 90% de las medidas en el rango clínico haciendo

medidas en el dedo y en la cutícula; otro realizado en 2004 por C. Araujo-Andrade [48] realizando las medidas

en el dedo, con un error cuadrático medio de la predicción (RMSEP) = 16.282 mg/dL, pero con un coeficiente

9 El analito es el componente de interés que se quiere analizar en una muestra. 10 La capa córnea es la capa más externa de la epidermis, su grosor varía según la parte del cuerpo.


de correlación no demasiado destacable, r < 0.744; en 2008 S.S. Chit et al. [49] realizan un estudio en las

longitudes de onda 1500 - 1800 nm, obteniendo un error medio del 7.96% y un r = 0.9699 en medidas en el

dedo; ese mismo año Z.M. Chuah et al. [50] utilizando el mismo rango de longitudes de onda obtienen

resultados similares con un coeficiente de correlación r = 0.9247 – 0.9863.

No obstante, los esfuerzos en el desarrollo de un sensor no invasivo no se quedan exclusivamente en hallar el

nivel de glucosa real en sangre de forma no invasiva, sino también proporcionar alertas al personal sanitario en

el caso en el que se produzcan hiperglucemias graves que pongan en peligro la vida del paciente. M.

Tamilselvi y G. Ramkumar [51] además del uso de la espectroscopia infrarroja para hallar el valor de la

glucosa en sangre de forma no invasiva, proponen el uso del GPS para mandar las coordenadas de la situación

del paciente en el caso en el que se produzca una situación de riesgo.

Figura 3-14 Diagrama de bloques del método propuesto

Otros artículos consultados y sus resultados pueden encontrarse resumidos en la Tabla 3–1.

A pesar de los inconvenientes y de la multitud de factores que hay que tener en cuenta, la espectroscopia del

infrarrojo cercano es una tecnología muy atractiva para medir la glucosa de forma no invasiva y ha sido

ampliamente estudiada por muchos autores, puesto que tiene un coste relativamente bajo y además se han

obtenido resultados prometedores.

3.4.2 Espectroscopia del infrarrojo medio

La región espectral del infrarrojo medio (MIR) se extiende desde las 2.5 µm a las 10 µm. El principio físico es

similar a la espectroscopia del infrarrojo cercano, pero cuando se compara con ésta, debido a las mayores

longitudes de onda, muestra una disminución del fenómeno de dispersión y un aumento de la absorción. Por

esta razón también, la penetración de la luz a través de la piel solo llega a unas pocas micras [52] que, en el

caso de la piel humana, corresponde a la capa córnea. Como consecuencia, solo se puede considerar la luz que

ha sido reflejada, puesto que no hay luz transmitida a través de ningún segmento del cuerpo.

Una ventaja de trabajar en MIR en lugar de en NIR es que las bandas de la glucosa, y de otros componentes,

producidas en MIR son más nítidas que las producidas en NIR, las cuales como se ha dicho anteriormente, a

menudo son débiles y están solapadas.


24

Referencia Longitud de onda Resumen Sitio de medición

J.J. Burmeister et al. [53] 1400 – 2000 nm Error estándar de predicción (SEP) de 54 mg/dL Lengua

Huang L. et al. [54] - 99.3% en las zonas A y B de la cuadrícula de Clarke -

R.A. Buda et al. [55] 1450 - 2050 nm RAD = 4 – 16% -

M.R. Robinson et al. [56] 800 – 1300 nm Media del error = 19.8 – 37.8 mg/dL Dedo

H.M. Heise et al. [57] 1111 – 1835 nm SEP = 43 mg/dL -

U.A. Muller et al. [58] 800 – 1350 nm RMSEP = 18.4 – 33.8mg/dL Dedo

K. Danzer et al. [59] 800 – 1350 nm RMSEP = 36 mg/dL Dedo corazón

F.M. Stephen et al. [60] 1050 – 2450 nm SEP = 19 mg/dL, resultados para la OGTT11; no se muestran

buenos resultados para los seguimientos a largo plazo

Brazo

Y. Shu-Jen et al. [61] 590, 660, 840 y 935 nm Manteniendo la T entre 22 y 38ºC y un SEP < 27 mg/dL Antebrazo

K. Maruo et al. [62] 1500 – 1600 nm SEP = 32.2 mg/dL y r = 0.928 Antebrazo

X. Kexin et al. [63] 1100 – 1800 nm RMSEP = 15 – 20 mg/dL y r > 0.8 Palma de la mano

J.J. Burmeister et al. [64] 1520 – 1850 nm La lengua proporcionó espectros con la relación señal – ruido

más alta. SEP = 54 mg/dL

Mejilla, labios, tabique nasal,

lengua y tejido entre el pulgar

y el índice

L. Rong et al. [65] 1100 – 1700 nm Necesidad de calibrar al menos una vez al día Palma izquierda

C.D. Brown et al. [66] 1250 – 2500 nm Sensibilidad del 77.7 % Antebrazo

E.T. Ooi et al. [67] 1400 – 2000 nm 80.73 % de los puntos en la zona A de la cuadrícula de

Clarke, SEP = ±13.4 mg/dL

Lecho ungueal (uña)

Z. Xiqin et al. [68] 1000 – 2500 nm La predicción del nivel de glucosa aumenta cuando se tiene en cuenta la temperatura

Ensayos in vitro y dedo

G. Guevara [69] 700 – 1000 nm RMSEP = 21.96 mg/dL Antebrazo

Yoshinari, H. et al. [70] 900 – 2400 nm 100 % de los puntos en la zona A de la cuadrícula de Clarke,

SEP = 8 – 13 mg/dL y r =0.64 – 0.77

Dedo

Yatim N.N.M. et al. [71] 900 – 2500 nm 95.7 % de los puntos en las zonas A y B de la cuadrícula de

Clarke y un punto en la zona D en agua y en tejido simulado

Agua, tejido simulado, punta

del dedo, muleca y parte

anterior del codo

Tabla 3-1 Sumario de artículos con tecnología NIR

En cuanto a las limitaciones, la más significativa es la escasa penetración. También, esta tecnología se ve

afectada por problemas y factores similares a los de la espectroscopia del infrarrojo cercano, a pesar de poseer

bandas más definidas. Por ejemplo, algunos estudios han mostrado una dependencia significativa del espectro

MIR de la piel con su contenido en agua [52].

La espectroscopia del infrarrojo medio es una técnica bastante menos estudiada que la espectroscopia del

infrarrojo cercano, probablemente debido a la gran limitación que supone la escasa penetración y a que es una

tecnología más costosa, con materiales relativamente más caros y con una menor gama de productos

comerciales disponibles. No obstante, debido a la reciente comercialización de fuentes de infrarrojo medio con

suficiente potencia y estabilidad, como los láseres de cascada cuántica, se han encontrado estudios recientes

11 OGTT: Prueba de tolerancia a la glucosa oral


con resultados prometedores.

Un estudio realizado por Shen YC, Davies AG, Linfield EH, Taday PF y Arnone DD [72] en el que se midió

la glucosa en sangre in vitro a través de la espectroscopia infrarroja por transformada de Fourier (FT-IR), ha

reportado los mejores resultados en cuanto a medidas in vitro. Para muestras de sangre pura de 28 pacientes y

en un rango espectral de 950 – 1200 cm-1, obtuvieron un error estándar de la predicción (SEP) de 10.63 mg/dL,

y para muestras de sangre de un solo paciente se encontró que la concentración de glucosa era proporcional a

la diferencia entre los valores de la segunda derivada en el espectro 1082 cm-1 y en el 1093 cm-1 lo que

indicaba que la espectroscopia de estos números de onda específicos podría ser utilizada para determinar la

concentración de glucosa en el plasma sanguíneo en muestras de un único paciente, reportando un error de

predicción de 17.12 mg/dL.

En los estudios realizados en pacientes, se muestran como principales sitios de medición la piel del dedo y la

mucosa oral [73]. Shouhei Koyama, Yuki Miyauchi, Takuro Horiguchi y Hiroaki Ishizawa en 2010 [74]

usando FT-IR de la reflexión total atenuada (ATR) midieron la glucosa de 4 personas diabéticas, obteniendo

un 100% de los puntos en las zonas A y B de la cuadrícula de Clarke, y un punto en la línea que separa las

zonas A y D.

Posteriormente en 2013, Sabbir Liakat, Kevin A. Bors, Laura Xu, Callie M. Woods, Jessica Doyle y Claire F.

Gmachl [75] usaron un láser de cascada cuántica, cuyo precio ronda los 2000 $ y un espectrómetro Nicolet de

infrarrojos por transformada de Fourier, para predecir las concentraciones de glucosa en soluciones acuosas y

en suero que contenían de 50 mg/dL – 400 mg/dL de glucosa. Obteniendo como resultados casi un 100 % de

los puntos en la región A de la cuadrícula de Clarke, a excepción de un punto situado en la frontera de las

zonas A y D. En el año 2014 continuaron con su estudio [76], usando un láser de cascada cuántica en un rango

de 8µm - 10µm en la palma de pacientes humanos, cuyo nivel de glucosa en sangre variaba de los 75 mg/dL a

los 160 mg/dL, obteniendo como resultados un 84 % de los puntos en la región A y un 16% de los datos en la

zona B de la cuadrícula de Clarke, se puede ver un esquema del sistema que usaron en la Figura 3-13.

Figura 3-15 Sistema de adquisición del espectro humano

3.4.3 Tomografía de coherencia óptica

La tomografía de coherencia óptica (TCO) es una prueba de imagen no invasiva que utiliza ondas de luz para

tomar fotografías de la sección transversal del objetivo.

El sistema de la TCO emplea un interferómetro con una fuente de luz de baja coherencia, como la luz

superluminiscente, para conseguir dos haces de luz exactamente iguales que se dirigen hacia un brazo de

referencia y un brazo de muestra. El brazo de referencia está formado por un espejo móvil en el eje del haz de

la luz que devuelve éste sin ninguna modificación, a excepción de un retardo variable provocado al variar la

posición del espejo (el retardo se puede calcular con la velocidad de la luz en el medio en que esté inmerso el

brazo y el desplazamiento del mismo). En el brazo de la muestra, el haz de luz ilumina una zona de la muestra,

donde, al igual que en la rama de referencia, se produce el efecto de reflexión de una parte de la luz. Ambos

haces de luz reflejados se introducen de nuevo en el interferómetro, de forma que se combinan, observándose a

la salida un patrón de interferencia que contiene información sobre las características ópticas de la muestra y

más concretamente de los cambios en el índice de refracción.


26

En la Figura 3-14 se puede observar un diagrama de bloques de un sistema experimental proporcionado en

[77].

Figura 3-16 Diagrama de bloques experimental. SLD: Diodo superluminiscente

Moviendo el espejo del brazo de referencia del interferómetro, se permite la exploración de los tejidos hasta

una profundidad de 1mm. La introducción de un segundo espejo móvil en el brazo de muestra permite la

exploración del haz a lo largo de la superficie del tejido. Por lo tanto, esta técnica tiene la capacidad de, a

través de un escáner lateral y en profundidad, obtener imágenes en 2 dimensiones con una alta resolución.

Las propiedades de dispersión del tejido son altamente dependientes de la relación entre el índice de refracción

de los centros de la dispersión (componentes celulares, proteínas…) y el índice de refracción del líquido

intersticial.

Un incremento en la concentración de glucosa en el líquido intersticial causa un incremento en su índice de

refracción, lo cual determina un decremento en el índice de refracción y por tanto del coeficiente de dispersión

del tejido [77]. Estos cambios inducidos por la glucosa en el coeficiente de dispersión son detectados por el

sistema de la TCO. A partir de estos datos, generados por la luz retrodispersada, es posible obtener una

estimación del nivel de glucosa en el líquido intersticial.

En contraste con otras técnicas ópticas estándar, como la reflectancia difusa, que se integran a lo largo de todo

el recorrido que realizan los fotones y que por tanto recorren múltiples capas de la piel; la alta precisión,

sensibilidad y resolución de la luz en la TCO permite centrarse en una única capa, mejorando así la señal

obtenida y evitando las interferencias producidas por las otras capas del tejido.

En cuanto a las limitaciones, hay que señalar que la TCO es sensible al movimiento del dispositivo, la

heterogeneidad del tejido y las interferencias con otros analitos. Sin embargo, aunque los pequeños cambios en

la temperatura de la piel (±1ºC) tienen efectos insignificantes, los cambios de varios grados pueden tener

efectos significativos en la señal [78]. Tampoco hay una indicación clara de que esta técnica tenga ventajas en

comparación con otras técnicas basadas en la dispersión [79].

En cambio, sí hay estudios que demuestran que la TCO no se ve afectada por la presencia de urea, cloruro

sódico (NaCl), cloruro potásico (KCl), la presión sanguínea, frecuencia cardiaca o el hematocrito12. Aunque

esta tecnología necesita calibración, se reduciría considerablemente la cantidad de pinchazos al día que se

realizan para medir la glucosa con un SMBG.

El principal sitio de medición es el antebrazo, K.V. Larin, M.S. Eledrisi, M. Motamedi y R.O. Esenaliev en su

estudio [77] realizado a 13 personas sanas obteniendo un coeficiente de correlación de 0.8 – 0.95 y Ruoyu He,

12 Hematocrito: Porcentaje de volumen de glóbulos rojos con relación al total de la sangre.


Huajiang Wei, Huimin Gu et al. mostraron resultados similares [80] al medir la concentración de glucosa por

esta técnica en 12 personas sanas, obteniendo coeficientes de relación entre 0.848 – 0.908. También estudiaron

la influencia de los agentes de mejora óptica para mejorar la capacidad de obtener imágenes por la TCO. Por

ejemplo, la aplicación de Glicerol 50 % v/v13 mejoraba un 7.1% de media la correlación entre la glucosa en

sangre y la medida mediante la TCO, así como redujo en 8 minutos el retraso entre la medición y la glucosa en

sangre, frente a otros agentes estudiados.

Ambos estudios han sido realizados en personas sanas, por lo que sería necesario continuar con esos estudios

en personas con diabetes para poder validar estos resultados preliminares y ver la influencia de algunos

factores, como la vasodilatación o los cambios en las propiedades estructurales de la piel.

3.4.4 Kromoscopia

La kromoscopia es una técnica nueva para el análisis de la radiación electromagnética en el infrarrojo cercano

para la medida no invasiva de distintos analitos in vivo [81].

En un artículo publicado por Airat K. Amerov y Mark A. Arnold [82] se expone una configuración

experimental de esta tecnología, como se puede ver en la Figura 3-15. Se utilizó como fuente de luz una

lámpara halógena que proporciona luz blanca, y se usó además un controlador para mejorar la estabilidad. Se

usaron lentes de esfera de zafiro para colimar14 la luz antes de la muestra, y para enfocarla después de ésta.

Para las mediciones, se usó un módulo detector de cuatro canales, la luz suministrada al módulo detector se

dividió en cuatro canales de igual intensidad. Los cuatro detectores estaban situados de forma que

proporcionaban el mismo ángulo de visión a la misma distancia de la celda de muestra. Se colocaron filtros de

paso de banda antes de cada fotodiodo para definir una respuesta espectral única para cada señal, dicha

respuesta se determina por una combinación de la luminiscencia espectral de la fuente de luz, la respuesta

espectral del detector, la transmitancia del filtro y la absorbancia y las propiedades de dispersión de la muestra.

Figura 3-17 Configuración experimental [31]

Este experimento se usó con una muestra de óxido de deuterio para mostrar la dirección del vector del

desplazamiento del agua para un conjunto dado de cuatro filtros. Además, la diferencia entre las direcciones de

un vector de soluto y este vector de desplazamiento de agua corresponde a la dirección intrínseca del soluto.

En una primera aproximación, cada vector soluto corresponde a los efectos combinados de desplazamiento de

agua y absorción de solutos.

Este procedimiento se utilizó también para generar respuestas virtuales tridimensionales para la glucosa a

través de una muestra de sangre bovina, determinándose los ángulos y la magnitud del vector. Mediante un

13 Glicerol 50 % v/v: Por cada 100 ml de disolución, hay 50 ml de Glicerol. 14 Colimar: Obtener un haz de rayos paralelos a partir de un foco luminoso.


28

análisis vectorial de la respuesta de la glucosa, se pudo observar la existencia de un vector dependiente de la

glucosa que es ortogonal a desplazamiento de agua. A partir de los datos experimentales obtenidos, se propuso

una ecuación que proporciona un valor de la concentración de glucosa. En [83] se muestran como resultados

un error estándar de la predicción menor a 18.02 mg/dL, con una concentración de glucosa que varía de los

54.05 mg/dL a los 540.48 mg/dL.

Esta configuración óptica proporciona una respuesta de alta potencia radiante, lo proporciona altas relaciones

de señal – ruido que son ideales para las mediciones analíticas, este enfoque es aplicable porque los

componentes de la sangre tienen bandas de absorción anchas y relativamente lisas en el espectro del infrarrojo

cercano. Otra ventaja de este enfoque es que no se necesitan reactivos analíticos, lo que puede reducir el coste

de los análisis; no hay piezas móviles, lo que hace que se mejore la robustez de la medición; en comparación

con la espectroscopia, tiene una tasa de muestreo más rápida, una calibración más rápida del sistema,

proporciona flujos de datos no lineales transmitidos y analizados con algoritmos no lineales a través de una red

neuronal [84].

Las principales limitaciones de este enfoque es que requiere un montaje elaborado y aún no se han realizado

ni pruebas in vitro ni in vivo con humanos, por lo tanto, no se ha podido cuantificar la influencia que tienen

factores importantes a tener en cuenta, como la salud del paciente, la pigmentación de la piel, el hematocrito, la

heterogeneidad del tejido o las interferencias producidas por otros analitos, aunque hay referencias que indican

que se pueden hallar mediciones selectivas de glucosa en soluciones compuestas de glucosa triacetina, urea,

colesterol y hemoglobina [85].

También hay que señalar que se han encontrado pocas referencias, no recientes, y realizadas por el mismo

grupo de investigadores.

3.4.5 Polarimetría

La polarimetría es una técnica que se basa en la medición de la rotación óptica producida sobre un haz de luz

polarizada al pasar por una sustancia ópticamente activa. La actividad óptica rotatoria de una sustancia tiene su

origen en la asimetría estructural de las moléculas [86].

Es una técnica no invasiva que consiste en medir la rotación óptica de compuestos tanto orgánicos como

inorgánicos. Un compuesto es considerado ópticamente activo si la luz linealmente polarizada sufre una

rotación cuando pasa a través de una muestra de dicho compuesto. Cada sustancia activa tiene su propia

rotación específica.

Figura 3-18 Haces luminosos [87]

Un haz luminoso se propaga en diferentes ángulos o planos con respecto a la dirección de propagación, y si se

observara de forma frontal en el sentido de la propagación, este haz se vería como en la Figura 3-16 (A).

Cuando se eliminan todos los planos excepto uno de ellos, se obtiene entonces la luz polarizada en ese plano

como en la Figura 3-16 (B).


Figura 3-19 Polarímetro [88]

La rotación de la luz depende de muchos factores, como el pH, la temperatura, la longitud de onda de la luz, la

longitud de la trayectoria recorrida o la concentración de la molécula objetivo.

Debido a que el alto coeficiente de dispersión de la piel produce la despolarización del haz, no es posible

mantener la luz polarizada a través de la piel para la medida de la concentración de glucosa. Por tanto, la

mayoría de los investigadores centran su atención en el humor acuoso del ojo, que ofrece un medio óptico

transparente con una longitud de la trayectoria aceptable y con un lapso de tiempo de 5 minutos máximo en

relación a las concentraciones de glucosa en sangre [89]. La anchura media de la cámara anterior del ojo

humano es de 1 cm, lo que da una rotación de 4.562 miligrados para un nivel normal de glucosa de 100 mg/dL

a una longitud de onda de 633 nm [90].

Existen dos posibles trayectorias ópticas para las pruebas de polarimetría en el ojo [18], como se muestra en la

Figura 3-18. En la primera trayectoria, se utiliza una configuración de transmisión donde la luz polarizada pasa

lateralmente a través de la córnea [91]. En el segundo enfoque, el haz incide sobre la córnea, viaja a través del

globo ocular, se refleja en la retina y vuelve con información de la concentración de la glucosa en el humor

acuoso [92].

Figura 3-20 Trayectorias ópticas para la polarimetría

Aunque los métodos de polarimetría sufren una influencia insignificante de las fluctuaciones de temperatura y

pH, todavía es necesario abordar algunos de los problemas con el fin de cuantificar con éxito las

concentraciones in vivo [93]. Algunas limitaciones son los errores debido al movimiento de los ojos, a la

rotación intrínseca de la córnea que ha de tenerse en cuenta [94], el movimiento del dispositivo, los ruidos


30

ópticos de otras sustancias o el desarrollo de técnicas que permitan medir ángulos muy pequeños. Otro factor

que se debe tener muy en cuenta son las normas de seguridad en la exposición de los ojos a la luz para que no

se produzcan daños, cosa que limita el desarrollo del diseño, del tiempo de exposición y de la realización de

ensayos en pacientes humanos, sumando además la incomodidad que se produce al realizar las medidas en el

ojo.

Se han realizado medidas in vitro de la concentración de glucosa a través de la córnea extirpada de conejos,

mostrando una buena correlación r = 0.99 [95]. Otros estudios realizados in vivo en conejos blancos de Nueva

Zelanda dan como resultado un 93% de los puntos en la zona A de la cuadrícula de Clarke y un 7% en la zona

B en 41 medidas. Los errores en la predicción en este caso eran fruto del movimiento de los animales durante

el procedimiento, siendo estos errores posiblemente compensados con modificaciones adecuadas en el diseño

[96].

Otros estudios utilizan un rotador de Faraday para mejorar la sensibilidad óptica del sistema, mostraron

resultados de resolución de 9.91 mg/dL para la glucosa [97]. También se ha propuesto una lente intraocular

modificada y un modulador de polarización de cristal líquido impulsado por una señal sinusoidal para permitir

mediciones in vivo en el ojo humano [98] [99].

Se han realizado ya diseños preliminares (Figura 3-19) para ver la factibilidad de un dispositivo para medir la

concentración de glucosa con esta técnica en el ojo humano [100].

Figura 3-21 Diseño preliminar

3.4.6 Dispersión (Scattering)

Como se ha indicado anteriormente, las propiedades de dispersión óptica de un tejido dependen de los índices

de refracción relativos de cada partícula (membrana celular, fibras de colágeno…) y de su medio (sangre,

ISF…). Cuando aumenta el nivel de la glucosa, el índice de refracción de la sangre o del líquido intersticial

cae, cambiando el grado de dispersión de la luz infrarroja. La dispersión es, por tanto, otra forma alternativa de

medir la concentración de la glucosa.

Debe notarse que esta técnica es similar a la TCO porque ambas usan el fenómeno de la dispersión de la luz.

Sin embargo, en la scattering se estudia la intensidad de la luz recogida, mientras que en la TCO se considera

el retraso de la luz retrodispersada comparada con la luz reflejada por el espejo del brazo de referencia. Aun

así, algunos estudios han demostrado que el efecto de la glucosa en el valor del coeficiente de dispersión

medido por la TCO es similar al medido por la técnica de dispersión.

Algunos estudios in vivo han mostrado que la dispersión se reduce alrededor de un 1% por cada 99.09 mg/dL

de incremento en la concentración de la glucosa, obteniendo como relación de correlación un r > 0.75. Sin

embargo, se mostró que el sensor varió un 2% en sus mediciones al cabo de 4h, lo que indica que sería

necesaria una calibración relativamente frecuente del dispositivo. También se reportaron errores debidos al

movimiento del dispositivo, cambios en la temperatura y cambios en otros parámetros como la cantidad de

agua y proteínas en la piel. No obstante, no se mostró ninguna diferencia en la dispersión entre las medidas

realizadas a personas diabéticas y no diabéticas [101].


3.4.7 Espectroscopia infrarroja térmica

La espectroscopia infrarroja térmica mide la radiación térmica emitida por el cuerpo humano como resultado

de los cambios de concentración de glucosa. En esta tecnología se incluyen diferentes enfoques, en la

espectroscopia se considera que el efecto de absorción de la glucosa emite radiación infrarroja de forma

natural [102]. Este efecto de absorción de infrarrojos está relacionado con su concentración, en algunos

estudios, la piel se enfrió aproximadamente 10ºC para suprimir estos efectos de absorción [44].

Entre las principales fuentes de error, se encuentran entre ellas el movimiento del dispositivo de medición, la

temperatura ambiente y la variación de la temperatura corporal y del propio tejido. Debe tenerse en cuenta que

hay varios factores que pueden inducir cambios en la temperatura, tanto factores fisiológicos (como los ciclos

circadianos) como lo patológicos (por ejemplo, un estado de fiebre) [78].

Una aplicación prometedora de esta tecnología utiliza un concepto similar al de los termómetros clínicos de la

membrana del tímpano, con la adicción de longitudes de onda específicas para la huella digital de la glucosa

(9.8 µm – 10.9 µm). Esta información de la membrana es importante, porque comparte el suministro de sangre

con el centro de regulación de la temperatura del cuerpo, situado en el hipotálamo. Además, las señales de los

vasos sanguíneos en este órgano tienen que cruzar una trayectoria menor que en la piel o en la mucosa oral.

Estas mediciones se realizarían insertándose un sensor en el canal auditivo para medir la radiación IR emitida

por la membrana timpánica. En el estudio [103], se presenta un diagrama simplificado del medidor de glucosa,

que se puede observar en la Figura 3-20, se obtuvieron resultados prometedores, con un 90% de los puntos en

la zona A de la cuadrícula de Clarke y un 10% en la zona B, se halló también que presentaba una buena

correlación r = 0.94.

Figura 3-22 Diagrama simplificado de un monitor de glucosa de espectroscopia infrarroja térmica [103]

3.4.8 Espectroscopia Raman

La espectroscopia Raman se basa en el uso de una luz láser que induce la rotación y la oscilación de las

moléculas en una disolución [102] [39]. La consecuente emisión de la luz dispersada está influenciada por esta

vibración de las moléculas, que depende de la concentración de los solutos en la disolución. Por lo tanto, es

posible obtener una estimación de la concentración de glucosa en los fluidos humanos donde la glucosa esté

presente.

El espectro Raman se considera dentro del intervalo de 200 – 1800 cm-1. Como ventajas, encontramos que en

esta banda el espectro Raman de la glucosa es claramente diferenciable al de otros compuestos. De hecho, la

espectroscopia Raman proporciona, por lo general, espectros más nítidos y menos solapados, lo que facilita la

tarea de separar las señales, en contraste con la espectroscopia de absorción en el infrarrojo cercano y medio

[104]. Otra ventaja es que el agua, al tener un índice de dispersión débil, no produce interferencias en los

ensayos de Raman. Tampoco interfieren demasiado los fenómenos de luminiscencia y fluorescencia [105]. Y

los láseres de longitud de onda fija que pueden usarse tienen un coste relativamente bajo [106].

En cuanto a las limitaciones, la señal Raman es débil en comparación con las de otras tecnologías, lo que

requiere detectores de gran alcance para las concentraciones fisiológicas de la glucosa. Además, los fotones

medidos normalmente tienen una mayor longitud de onda y la intensidad más baja que la luz original, por lo

que se requieren largos tiempos de adquisición en comparación con otros métodos [107]. La señal Raman


32

también es susceptible a la turbidez, el hematocrito, el grosor de la piel o la melanina. Otro factor muy a tener

en cuenta es que el tejido biológico podría dañarse debido al potente láser del sistema Raman.

Recientemente, se ha propuesto una mejora en la espectroscopia Raman tradicional, llamada espectrometría

Raman de superficie mejorada (SERS), que tiene como principal ventaja mejorar la intensidad de la señal y

reducir el tiempo de adquisición [108]. El inconveniente es que necesita implantar nanopartículas metálicas, lo

que lo hace más complicado de realizar. Esta técnica mejorada ya se ha utilizado in vivo en ratas, obteniendo

unos tiempos de adquisición de 2 min [109].

En cuanto a la espectroscopia Raman tradicional, el sitio de medida más común es el humor acuoso del ojo,

donde el láser pasa tangencialmente a través de la parte frontal del ojo. Un estudio reciente informa de las

mediciones de glucosa en el humor acuoso realizadas en ojos de cerdo ex vivo con una fuente láser de 785 nm.

Se usó una fibra óptica para enfocar el haz en la cámara anterior de los ojos porcinos y también para recibir el

espectro resultante. Los resultados sugieren que las señales Raman de la glucosa en el rango MIR se pueden

detectar con este sistema. Sin embargo, como se ha indicado anteriormente, aún es necesario analizar el

peligro de los daños fototérmicos en mediciones oculares no invasivas antes de realizar las pruebas en

humanos [110].

En ensayos in vitro del humor acuoso se ha demostrado una detección clínicamente aceptable de la glucosa en

presencia de urea, ascorbato y lactato, con un 88.6% de los puntos en la zona A de la cuadrícula de Clarke, 9%

en la zona B y un 2.4% en la zona D [111].

Otro sitio posible de medida es la piel humana, en concreto la del antebrazo, aunque están presentes

componentes que pueden crear confusión, como los lípidos [112].

3.4.9 Espectroscopia de oclusión

La espectroscopia de oclusión utiliza la técnica de dispersión para explorar el flujo arterial pursátil. Al igual

que las técnicas de dispersión y la TCO, es una medida alternativa para medir la glucosa. La agregación

eritrocitaria15 resulta en una mejora de la trasmisión de la luz y puede ser reproducida in vivo por una presión

superior a la sistólica aplicada en la punta del dedo durante 2 o 3 segundos. La medición del patrón de

dispersión en el sitio de agregación eritrocitaria permite el cálculo de la concentración de glucosa [113].

La ventaja de esta técnica es que mide la glucosa arterial, pero influyen muchas variables intravasculares como

el tratamiento con fármacos, la agregación eritrocitaria intrínseca (coágulos), la concentración de ácido graso

libre o los quilomicrones.

Amir O, Weinstein D, Zilberman S, Less M, Perl-Treves D y Primack H están utilizando un dispositivo creado

por la compañía OrSense Ltd., el OrSense NBM 200 [114] que fue desarrollado usando esta tecnología para

proporcionar una medición rápida, exacta y sin dolor de los componentes de la sangre de los donantes, al

tiempo que mejoraba la comodidad del donante, se reducía el riesgo de infección, y proporcionaba al personal

médico lecturas exactas y resultados inmediatos. Este dispositivo ya ha recibido la aprobación CE y ha sido

probado en más de 8000 pacientes y donantes con resultados satisfactorios.

Figura 3-23 Esquemático del OrSense NBM 200

15 Agregación eritrocitaria: agregación de glóbulos rojos.


En su estudio [115] muestran como datos obtenidos un 69.7 % de los puntos situados en la zona A de la

cuadrícula de Clarke, un 25.7 % en la zona B y un 4.6 % entre las zonas C y D y una media de la diferencia

absoluta relativa RAD = 17.2 %.

En otro estudio realizado en 2003 [116] se muestran también buenos resultados, como un coeficiente de

correlación r = 0.836 y un 94.3 % de los puntos situados en las zonas A y B de la cuadrícula de Clarke.

3.4.10 Espectroscopia fotoacústica

La tecnología más usada basada en ultrasonidos es la espectroscopia fotoacústica, la cual se basa en el uso de

una luz láser para excitar un fluido y generar consecuentemente una respuesta acústica [39]. El fluido es

excitado por un láser de pulso corto (pico de nanosegundos), con una longitud de onda que es absorbida por

una molécula en particular en el fluido. Las longitudes de onda de luz láser que se pueden utilizar varían en un

amplio intervalo, desde ultravioleta hasta el infrarrojo cercano.

La absorción de la luz causa un calentamiento microscópico localizado, el cual genera una onda de presión de

ultrasonido que es detectada por un micrófono. En un medio claro, es decir, ópticamente delgado, la señal

fotoacústica es función de la energía del láser, el coeficiente de expansión térmica del volumen, la velocidad

del sonido en el fluido, el calor específico y el coeficiente de absorción de la luz [102]. El aumento de la

concentración de glucosa en el tejido reduce la capacidad de calor específico del tejido y por lo tanto aumenta

la velocidad del pulso generado, por lo que esta técnica puede usarse para la medición no invasiva de la

glucosa.

Esta técnica proporciona una mayor sensibilidad que la espectroscopia tradicional para determinar la glucosa,

esto es debido a que el agua tiene una respuesta fotoacústica pobre, que hace más fácil la determinación de

compuestos como hidrocarburos o glucosa [117].

Una variación de la espectroscopia fotoacústica se basa en la combinación con emisión y detección de

ultrasonidos [102]. Un posible enfoque es el uso de un transductor de ultrasonido para localizar un bolo de

sangre en un vaso para luego iluminarlo con el pulso láser a una longitud de onda de absorción de la glucosa.

El transductor de ultrasonido también detecta la señal fotoacústica generada. Otro enfoque es la detección de la

señal de ultrasonido reflejado desde un vaso sanguíneo antes y después de la excitación fotoacústica. La

glucosa se determina entonces a partir de la diferencia en la intensidad del ultrasonido reflejado. Un tercer

enfoque es excitar un bolo de sangre a través del efecto fotoacústico: el cambio en las dimensiones y la

velocidad del bolo excitado provoca un desplazamiento Doppler del ultrasonido dirigido a un vaso sanguíneo;

la glucosa se determina a partir de la magnitud y el retraso del pico de ultrasonido Doppler desplazado.

Esta técnica es sensible a interferencias químicas de algunos compuestos biológicos y a interferencias físicas

que vienen de cambios de temperatura y presión. Por otra parte, cuando la luz láser atraviesa un medio denso,

su contribución a la señal fotoacústica se debe no solo al coeficiente de absorción, sino también al de

dispersión, por tanto, es posible que se introduzcan errores si no se tiene en cuenta. De hecho, el espectro

fotoacústico de un medio denso es similar al espectro de reflectancia en lugar de al espectro de absorción. Por

otro lado, la dispersión puede mejorar la señal, y por lo tanto puede proporcionar una ventaja si se considera

correctamente.

Figura 3-24 Esquemático de la celda fotoacústica para ensayos con tejido simulado [118]


34

Otra limitación de esta tecnología es que la instrumentación todavía necesita estar hecha a medida, es costosa y

sensible a parámetros ambientales.

Esta tecnología ha sido probada en una solución acuosa, en tejido simulado a base de gelatina, sangre pura y

tejidos in vivo [119] [120], donde no se vieron interferencias causadas por NaCl, colesterol o albúmina.

Un sitio donde es posible la medición de la glucosa con esta tecnología es en el ojo, en concreto en la

esclerótica16. Otros sitios son los dedos y el antebrazo, teniendo como contribución en la determinación de la

glucosa a los vasos sanguíneos, la piel y los tejidos o ambos [121].

Figura 3-25 Dispositivo APRISE de Glucon [122]

Durante algunos años estuvo en el mercado un dispositivo con esta tecnología, el APRISE de la compañía

Glucon [123], que mostraba unos resultados de RAD = 19.9%, 66.5% de los puntos en la zona A de la

cuadrícula de Clarke, 28.1 % en la zona B, 1 % en la C y un 4.4 % en la zona D en un estudio realizado a 62

personas. En este enlace [122] mostraban el funcionamiento del dispositivo.

Aunque este método muestra correlación con los valores de la glucosa hallados en la sangre, es necesario

mejorar la reproducibilidad y la sensibilidad con el fin de disminuir las interferencias con otras sustancias.

3.4.11 Fluorescencia

Un nuevo enfoque para la detección no invasiva de glucosa se basa en la determinación del nivel de glucosa

que hay en una lágrima a través de la fluorescencia. La fluorescencia es un tipo particular de luminiscencia que

caracteriza a las sustancias que son capaces de absorber energía en forma de radiación electromagnética y

luego emitir parte de esa energía en forma de radiación electromagnética de longitud de onda distinta. La

energía total emitida siempre es menor a la energía total absorbida, siendo la diferencia entre ambas disipada

en forma de calor.

Se sabe que las lágrimas presentan concentraciones de glucosa similares a las de la sangre y en el tejido a

través del líquido intersticial, se demostró que la intensidad de fluorescencia dependía de la concentración de

glucosa en la solución, por lo tanto, esta tecnología es potencialmente adecuada para medir el nivel de glucosa

de forma no invasiva, tal como nos indican artículos realizados en 2005 por John C. Pickupa et al., [124, 19] y

por Ramachandram Badugu et al. [125] en los que exponen las principales ventajas que presenta. Es una

tecnología extremadamente sensible, en la que cada vez hay más ejemplos para detectar moléculas

individuales mediante la fluorescencia; además, la adicción de insulina no tuvo efectos sobre la fluorescencia,

lo que indica que la señal no se vería alterada por el tratamiento.

16 La esclerótica es una membrana de color blanco, gruesa, resistente y rica en fibras de colágeno que constituye la capa más externa del globo ocular.


En cuanto a los sitios de medición, puede ser el tejido, que presenta algunas limitaciones como que el uso de la

luz ultravioleta podría dar lugar a fuertes fenómenos de dispersión. Por otra parte, el fenómeno de

fluorescencia puede depender no sólo de la glucosa, sino de varios parámetros, tales como la pigmentación de

la piel, enrojecimiento o el grosor epidérmico [126].

No obstante, el lugar de medición más estudiado es el ojo a través de las lágrimas. Varios autores han

propuesto el uso de una doble lentilla, estando entre ambas situado el sensor que proporcionaría el nivel de

glucosa a través de las lágrimas mediante la fluorescencia. Debido al gran desarrollo de las nuevas tecnologías,

se puede aumentar la probabilidad de aceptación de los usuarios de este tipo de dispositivos al proporcionar

beneficios adicionales. Materiales como el grafeno y otras nanoestructuras permiten la creación de circuitos

miniaturizados y delgados, abriendo además la posibilidad a componentes con un menor consumo de energía.

La compañía Google junto a Novartis están desarrollando unas lentillas usando un sensor electroquímico

miniaturizado embebido en una matriz de hidrogel. En la Figura 3-24 proporcionada en el artículo de Farandos

et al. “Contact lens sensors in ocular diagnostics” [127] muestran en (a) un diagrama esquemático del sensor

en la lente de contacto, en (b) el prototipo de sensor ya realizado y en (c) el chip inalámbrico, que está

montado con el sensor en un anillo electrónico y luego incrustado en la lente de contacto.

Figura 3-26 Prototipo de lentillas desarrolladas por Google y Novartis

Algunos obstáculos a superar son por ejemplo la fuente de energía necesaria para el funcionamiento del

sensor, la alternativa más razonable parecen ser las pilas de combustible biológico, que evitaría el uso de un

dispositivo externo para la alimentación in situ del sensor. A la hora de mostrar los resultados, algunos

investigadores proponen el uso de lentes de contacto coloreadas. Al cambiar el color de las lentillas en

respuesta a la concentración de la glucosa en las lágrimas, los pacientes podrían mirar en un espejo y comparar

el color del sensor con una tira de color precalibrada [128].

Otras limitaciones vendrían dadas a la hora de detectar los cambios rápidos de glucemia, dado que se han

reportado tiempos de retraso que van desde los 10 a los 30 minutos. Tampoco se han realizado pruebas en

pacientes humanos, por lo que es necesario y fundamental desarrollar estudios de toxicidad, confort y

biocompatibilidad [129], así como ver si los resultados se pueden considerar exactos y precisos a través de

algún criterio mencionado anteriormente. Aunque aún no se han dado datos sobre un coste, presumiblemente

será alto debido fundamentalmente a las técnicas empleadas y a la dificultad para fabricar un dispositivo de

estas características.

Es necesario también tener en cuenta los daños que pueden ser causados por el uso prolongado de las lentes de

contacto y por un mal uso o mala limpieza de las mismas, como son las abrasiones en la córnea, la

conjuntivitis papilar gigante, la sequedad ocular o la irritación química.

A pesar de que este dispositivo está diseñado para beneficio de la mayor parte de la población, hay un

determinado sector, como son los niños, los ancianos y las personas que padezcan alguna enfermedad o

dolencia que les impida el uso de lentes de contacto, que no van a poder usar este dispositivo.


36

3.4.12 Espectroscopia de impedancia

La impedancia de un tejido puede medirse por un flujo de corriente de intensidad conocida a través de él. Si el

experimento se repite con las corrientes en diferentes longitudes de onda alterna, se puede determinar la

impedancia del espectro dieléctrico. El espectro dieléctrico se mide en el rango de la frecuencia de 100 Hz a

100 MHz. Las variaciones en la concentración de glucosa en plasma inducen en los glóbulos rojos de la sangre

una disminución en la concentración de iones de sodio, y un aumento en la concentración de iones de potasio

[130]. Estas variaciones causan cambios en el potencial de la membrana de los glóbulos rojo, que se puede

estimar mediante la determinación de la permitividad y la conductividad de la membrana celular a través del

espectro dieléctrico [131] [132].

Esta técnica tiene como ventaja que se proporciona información sobre la glucosa del compartimento vascular.

Sin embargo, la variación de la temperatura, la sudoración y el movimiento son fuentes de error, además de

que esta técnica requiere calibración [133].

Algunos problemas aún no han sido estudiados en profundidad, como el efecto del contenido de agua corporal

y la deshidratación [130]. Además, algunas enfermedades que afectan a las membranas celulares también

pueden tener alguna influencia que aún no ha sido evaluada [102].

El primer estudio del sistema de monitorización continua de glucosa no invasivo con espectroscopia de

impedancia fue publicado por el grupo de Caduff en 2003. Como resultado de dicha investigación, la empresa

Pendragon desarrolló un monitor de glucosa situado en la muñeca, llamado Pendra. El equipo trabajó en un

circuito de resonancia LC de 1 MHz hasta 200 MHz, con la piel trabajando como dieléctrico del condensador.

Una limitación de esta investigación es que requería un proceso de calibrado que implicaba que el paciente

debía descansar durante 60 min antes de las mediciones de partida [134].

Figura 3-27 Dispositivo Pendra [135]

Pendra fue aprobado en mayo de 2003 en la Conformidad Europea (CE) y por un periodo de un año

aproximadamente estuvo en el mercado por un valor en torno a los 2500 €. Un estudio de fiabilidad

postcomercialización mostró un error relativo del 52 %, un 78.4 % de los resultados situados en las áreas A y

B de la cuadrícula de Clarke, un 4.3% en el área potencialmente peligrosa, E, y un coeficiente de correlación

de r= 0.59 en comparación con las medidas proporcionadas por un dispositivo de lanceta [136]. Por lo tanto, se

llegó a la conclusión de que este equipo era adecuado solo para un pequeño grupo de personas, cuyas

características dieléctricas cutáneas locales mostraran una frecuencia de resonancia mínima [137]. En 2005 la

empresa Pendragon cerró, pero el trabajo de Carduff sobre la impedancia se continuó investigando a través de

la empresa Solianis Monitoring [138], la cual está realizando ensayos clínicos para medir la glucosa de forma

continua y no invasiva a través de un dispositivo multi – sensorial.


3.4.13 Detección electromagnética

Esta técnica detecta los parámetros dieléctricos de la sangre de una forma similar a la espectroscopia de

impedancia. Sin embargo, mientras que en la espectroscopia de impedancia se utiliza una corriente eléctrica,

en este caso se mide el acoplamiento electromagnético entre dos inductores.

Por el momento, solo se ha encontrado un estudio realizado en humanos, probablemente debido a la reciente

introducción de esta técnica. En dicho artículo [139] describen el diseño del sensor, que utiliza un par de

anillos resonadores, un anillo de detección y un anillo de referencia, que usan microondas y operan en torno a

una frecuencia de 1.4 GHz, ambos anillos están hechos de alambre de cobre recubierto por plata. El anillo de

referencia opera a una frecuencia más alta y se utiliza para calibrar y tener en cuenta los efectos debidos al

cambio en la temperatura y el anillo de detección es el que se encuentra más cercano a la piel.

El sensor se encuentra formado por el par de anillos, que se unen directamente sobre la piel de la zona

abdominal por un parche adhesivo y están dentro de una carcasa de aluminio que permite reducir las pérdidas

de radiación.

Realizaron mediciones en un único sujeto no diabético, obteniendo como resultados todos los datos en las

zonas A y B de la cuadrícula de errores consensuada.

Figura 3-28 Prototipo de sensor de detección magnética

La limitación más señalada es que la temperatura tiene un fuerte impacto en la medición, ya que también

influye en la frecuencia óptima de trabajo, por tanto, es imprescindible una medición exacta de ésta, así como

considerarla correctamente en los cálculos. Además de esto, los parámetros dieléctricos de la sangre dependen

de varios componentes que son distintos de la glucosa [140] y que habría que tener en cuenta de cara a las

interferencias que podrían producirse.

38

4 MATERIALES Y MÉTODOS

n este capítulo se presentan las primeras conclusiones después de haber realizado una revisión

bibliográfica. Posteriormente, se describe la metodología seguida junto con el sensor que se va a tomar

como punto de partida en este proyecto, además de los instrumentos, programas y materiales usados

para la fabricación e implementación de los prototipos desarrollados.

4.1 Selección de la tecnología a desarrollar

En el capítulo 3 se ha realizado una revisión bibliográfica profunda con el objetivo de elegir la tecnología más

adecuada para la mejora de un sensor previamente desarrollado en el Grupo de Ingeniería Biomédica de la

Universidad de Sevilla.

Una vez que se han descrito todas las tecnologías que actualmente se están desarrollando se va a proceder a

hacer un resumen de las mismas y a compararlas. Se van a omitir las tecnologías invasivas y las mínimamente

invasivas ya que el objetivo principal es la realización de un dispositivo de monitorización de glucosa de forma

no invasiva.

Tecnología Ventajas Inconvenientes

Espectroscopia del infrarrojo cercano

Penetración en la piel de 1 a 100 mm

Señal enérgica

No requiere tiempo de calentamiento

Bajo coste y alta variedad en los componentes empleados

Montaje sencillo

Buenos resultados y numerosas referencias

Bandas solapadas de glucosa, agua, lípidos, proteínas y hemoglobina

Medidas influenciadas por los cambios en las

condiciones ambientales: presión, temperatura, humedad…

Errores producidos por la influencia de la

hiperglucemia y por los cambios en los componentes del tejido

Mediciones de varios compartimentos del cuerpo

Espectroscopia del infrarrojo medio

Bandas más nítidas

No requiere tiempo de calentamiento

Escasa penetración (~µm)

Coste alto para conseguir señales enérgicas, menor variedad de los componentes

Medidas influenciadas por los cambios en las condiciones ambientales: presión, temperatura,

humedad…

Errores producidos por la influencia de la hiperglucemia y por los cambios en los

componentes del tejido

Mediciones de varios compartimentos del cuerpo

Tomografía de coherencia óptica

Medidas no se ven afectadas por la presencia de urea, cloruro sódico, cloruro potásico, la presión

sanguínea, frecuencia cardiaca o el hematocrito

No hay influencia por cambios pequeños de temperatura (±1ºC)

Medidas sensibles a la heterogeneidad del tejido, otros analitos y al movimiento del dispositivo

E


Kromoscopia

Altas relaciones señal – ruido

Tasa de muestreo más rápida que la

espectroscopia

Montaje complejo

Análisis complejo de los datos

No existen estudios realizados con pacientes humanos

Polarimetría

Bajo coste

Incomodidad al realizar las mediciones en el ojo

Tiempo de exposición limitado por las normas de seguridad

Errores debidos al movimiento del dispositivo y

de los ojos

Dispersión (Scattering)

No influencia entre las medidas a personas diabéticas y no diabéticas

Necesaria recalibración frecuente

Errores debidos al movimiento del dispositivo

Medidas influenciadas por los cambios de

temperatura, agua y proteínas del tejido

Espectroscopia infrarroja térmica

Temperatura tomada en la membrana del tímpano

que comparte el suministro de sangre con el centro

de regulación de la temperatura corporal

Errores debidos al movimiento del aparato,

cambios en la temperatura ambiente y la

temperatura corporal

Errores por el cambio de la temperatura debido a

factores fisiológicos y patológicos

Espectroscopia Raman

Espectro Raman de la glucosa es nítido y poco

solapado

No hay interferencias producidas por el agua ni

por los fenómenos de luminiscencia ni

fluorescencia

Láser de coste relativamente bajo

La señal producida es muy débil

Largos tiempos de adquisición

Mediciones influenciadas por el hematocrito, el

grosor de la piel, la melanina y los lípidos

El tejido biológico puede dañarse debido al potente láser

Incomodidad si la medida se realiza en el ojo

Espectroscopia de oclusión

Proporciona medidas de la glucosa arterial Influyen variables intravasculares como el tratamiento con fármacos, los coágulos, la

concentración de ácido graso libre o los

quilomicrones

Espectroscopia fotoacústica

Poca interferencia producida por la presencia de

agua

Errores si no se tiene en cuenta el coeficiente de

dispersión

Los componentes necesitan estar hechos a medida, son costosos y son susceptibles a parámetros

ambientales

Fluorescencia

Extremadamente sensible

No se ve afectada por el tratamiento con insulina

No existen estudios realizados con pacientes

humanos

No hay estudios de confort y de toxicidad

Posibles daños o molestias por un uso continuado

Probable coste elevado

Técnicas de fabricación complicadas y poco

desarrolladas

Espectroscopia de impedancia

Información sobre la glucosa del compartimento vascular

Medidas influenciadas por la variación de la temperatura, la sudoración y el movimiento

Requiere tiempos elevados para la calibración

Resultados no satisfactorios en los dispositivos ya realizados

Detección electromagnética Buenos resultados Fuerte impacto de la temperatura

Interferencias con otros analitos

Tabla 4-1 Resumen de las tecnologías

Materiales y métodos

40

La tecnología que muestra un mayor potencial es la espectroscopia de infrarrojo cercano debido a las ventajas

descritas anteriormente, una buena profundidad de penetración (1 – 100 mm) que da la posibilidad de realizar

medidas en distintos sitios del cuerpo (dedos, cutícula, muñeca, antebrazo, abdomen…); la existencia de

numerosos estudios sobre esta tecnología, lo que permite conocer más factores y su influencia en la medición,

contribuyendo a una mejora a la hora de su implementación y gran variedad en los componentes utilizados,

por lo que el diseño no se ve limitado en este aspecto. El bajo coste de los componentes y el montaje sencillo

que necesita, hacen de ésta una tecnología versátil y puesto que no requiere un tiempo de calentamiento,

permite probar múltiples configuraciones hasta encontrar la que más se adecúe. Por estas características y por

los buenos resultados encontrados en las referencias, se ha escogido la espectroscopia de infrarrojo cercano

como la tecnología a desarrollar en este proyecto.

4.2 Descripción del prototipo de partida

Se ha tomado como base el prototipo de sensor desarrollado en el Grupo de Ingeniería Biomédica de la

Universidad de Sevilla, por Ángel María Fernández Barahona en su TFG “Análisis e implementación de un

sensor para la detección no invasiva de glucosa” [141], debido a que emplea la espectroscopia de infrarrojo

cercano, que tal como se ha visto, es la que se ha considerado con mayor potencial para su desarrollo. Además,

este dispositivo aporta el uso de los ultrasonidos.

Las moléculas presentes en la sangre se ven afectadas por la presión acústica generada por las ondas de

ultrasonidos. En concreto, cuando se aplica una onda continua de amplitud modulada se consigue que las

moléculas se reorganicen, agrupándose en las regiones nodales. Aprovechando este fenómeno físico se pueden

acumular previamente las moléculas de glucosa a la hora de realizar las medidas. Esto se ha realizado

mediante un altavoz que emite los ultrasonidos, los cuales pasan a través del dedo, rebotan en una placa de

cobre para obtener la onda estacionaria y vuelven a pasar por el dedo.

Para la realización del sistema de adquisición de la medida de glucosa se utilizó un emisor LED el cual, en vez

de aplicar una onda continua a través del dedo, aplica una onda cuadrada a fin de reducir el ruido de la luz

ambiente. De esta forma un fotodiodo mide el voltaje pico a pico que se recoge, el cual proviene únicamente

de la intensidad de la luz del LED. Se trabajó en una longitud de onda de 950 nm, ambos dispositivos debían

operar en dicha longitud. La señal recogida por el fotodiodo era débil, por lo que se optó por incluir una etapa

de amplificación a continuación de éste.

Por último, se empleó una placa tipo arduino que permitía programar las señales (onda cuadrada del infrarrojo,

onda AM para los ultrasonidos y la alimentación del amplificador operacional) y analizar la salida de la etapa

de amplificación sin usar osciloscopio o generador de funciones.

Figura 4-1 Dispositivo de partida


Posteriormente, el prototipo fue probado en dos varones, uno diabético de tipo 1 y otro sano, realizando dos

mediciones en cada uno de ellos.

En la Figura 4-2 mostrada en [141] se puede observar que los valores reales de glucosa en sangre medidos con

un glucómetro invasivo siguen una tendencia relativamente lineal con los valores digitalizados que

proporciona el sensor.

Figura 4-2 Medidas de glucosa del glucómetro frente al valor que da el prototipo [141]

4.3 Metodología

Para abordar el problema de la investigación, el diseño y el desarrollo del sensor no invasivo para la medición

de la glucosa en sangre se ha hecho uso de la filosofía Harmony. De acuerdo con este método, el diseño y el

desarrollo del dispositivo se ha realizado de forma iterativa, comprobando todas las modificaciones

desarrolladas antes de ser implementadas en el dispositivo final. De esta forma, el coste de corrección del

diseño es menor debido a que los problemas son detectados al principio del proceso de desarrollo y no al final

como ocurre con los tradicionales ciclos de vida en cascada.

Identificar y corregir los problemas con antelación, además de reducir los costes, facilita la fiabilidad del

sensor, puesto que cada componente del hardware y del software del dispositivo ha sido evaluado

independientemente y previamente antes de su integración. Además, mejora la eficacia del desarrollo y la

robustez, ya que se adquiere conocimiento y experiencia sobre los posibles fallos y sobre cómo solucionarlos,

lo que permite una atención especial y una previsión de alternativas adecuadas cuando los fallos puedan tener

consecuencias sobre la asistencia al paciente.

Bajo este marco, en este proyecto se ha desarrollado un primer prototipo que mejora el sensor que se ha

tomado como punto de partida. Después de una evaluación de éste, se han propuesto medidas correctoras que

han sido implementadas y que han dado lugar a la creación de un segundo prototipo, el cual también se ha

validado y del cual se han propuesto también mejoras a desarrollar en un futuro.

Materiales y métodos

42

El ciclo de trabajo se basa en cinco etapas, diseño, realización, comprobación del funcionamiento,

implementación y validación experimental. Se van a describir brevemente estas etapas, que serán desarrolladas

en profundidad en el capítulo 5.

1. El propósito de la primera etapa es la mejora del diseño previo. En ambos prototipos se han empleado los

programas OrCAD Capture (diseño de los circuitos), OrCAD Layout (diseño de los circuitos impresos a

partir del diseño en OrCAD Capture), OrCAD Layout (library manager: diseño de footprints de

componentes), Mpide (plataforma para la programación del microcontrolador) y Matlab (programa para el

análisis y la representación de los datos).

2. La etapa de realización tiene como objetivo el desarrollo material de los prototipos, fabricando la placa de

circuito impreso mediante los programas CircuitCam y BoardMaster de LPKF y la fresadora ProtoMat

S62 de LPKF. Se han soldado los componentes a mano con un soldador. Los componentes empleados en

los dos prototipos son:

Resistencia y condensadores

Altavoz Multicomp MCUST10P40B07RO

Fotodiodo Osram BP104FS-Z

Fotodiodo de amplio espectro Osram BP104S

Emisor infrarrojo Vishay VSMS3700-GS08 950 nm

LED Rojo KA- 3528SRC 660nm

Amplificador operacional LM 1458

Amplificador operacional RC 4558

PIC32 Pingüino Micro

Figura 4-3 Fresadora ProtoMat S62 de LPKF


3. Posteriormente, con el osciloscopio MSO6032A de Agilent Technologies se verifica que cada

componente funciona correctamente antes de su implementación en el sensor.

Figura 4-4 Osciloscopio MSO6032A de Agilent Technologies

4. En la etapa de implementación se integra cada circuito realizado

en el anterior paso en el sensor.

5. Para la etapa de validación experimental del primer prototipo, se

ha utilizado un generador de señales y un osciloscopio

MSO6032A de Agilent Technologies para la mejora del

hardware.

Para el segundo prototipo, se realizaron una serie de mediciones

de prueba con el osciloscopio para validar el correcto

funcionamiento del sensor. Posteriormente se ha realizado un

conjunto de experimentos sobre una amplia muestra de

voluntarios, utilizando el glucómetro comercial Contour XT de

Bayer como método de referencia.

Figura 4-5 Contour XT de Bayer

45

5 RESULTADOS DE DESARROLLO

n este capítulo se muestra el proceso seguido en la construcción y el desarrollo del sensor. En primer

lugar, se va a hablar sobre los principios físicos que emplean las tecnologías usadas, seguido de la

descripción de las etapas del primer prototipo y los resultados obtenidos. Evaluando éstos, se han

propuesto una serie de modificaciones que dan paso al desarrollo del prototipo dos, del que se describen las

etapas, y la programación de los algoritmos que emplea.

5.1 Tecnologías utilizadas

Como se ha visto anteriormente, se va a usar la espectroscopia de infrarrojo cercano para la captación de los

datos, ya que se ha visto que es la que más se ajusta a las necesidades tecnológicas; y los ultrasonidos, con el

fin de acumular un mayor número de moléculas para facilitar la medición y de tener otra medida con la que

poder normalizar.

A continuación, se va a ahondar en los principios físicos que emplean dichas tecnologías con el fin de entender

su funcionamiento.

5.1.1 Principio físico de la Espectroscopia de infrarrojo cercano

El principio físico en el que se basa el sensor es en la teoría del transporte de luz, en la Ley de Beer – Lambert,

es una relación empírica según la cual la intensidad que va a ser recibida por el fotodiodo va a depender de la

intensidad de la luz incidente que emana del LED, 𝐼0, la longitud del camino óptico a través del tejido, 𝑙, y el

coeficiente de atenuación efectivo, 𝜇𝑒𝑓𝑓:

𝐼 = 𝐼0𝑒−𝑙 𝜇𝑒𝑓𝑓

Si se toma como volumen de estudio una sección de un tejido

biológico, de longitud 𝑙 y sección trasversal 𝑆, el cual recibe una

luz incidente de intensidad 𝐼0, cuando el haz de luz pasa

perpendicularmente a través de un bloque de materia, capaz de

absorber radiación, después de que el haz ha recorrido una

distancia 𝑙 su intensidad disminuye a un valor 𝐼.

La fracción de disminución de luz al atravesar una sección

infinitesimal del material se puede representar en forma

diferencial como −𝑑𝐼𝑥

𝐼𝑥. Esta disminución es proporcional a un

coeficiente que depende de la cantidad de partículas absorbentes

que hay en cada sección 𝑆, de la absortividad molar 𝜀, y de la

probabilidad de una partícula de ser dispersada.

E

Resultados de desarrollo

46

−𝑑𝐼𝑥

𝐼𝑥=

ᴄ(𝑛º 𝑝𝑎𝑟𝑡í𝑐𝑢𝑙𝑎𝑠, 𝜀, 𝜎) · 𝑆

𝑆 𝑑𝑥

Si integramos a lo largo de toda la longitud, se tiene:

∫ −𝑑𝐼𝑥

𝐼𝑥

𝐼

𝐼0

= ∫ᴄ(𝑛º 𝑝𝑎𝑟𝑡í𝑐𝑢𝑙𝑎𝑠, 𝜀, 𝜎) · 𝑆

𝑆 𝑑𝑥

𝑙

0

Resolviendo la integral y sabiendo que para un tejido biológico la atenuación de la luz depende de un

coeficiente llamado coeficiente de atenuación efectivo:

ln𝐼

𝐼0= − 𝜇𝑒𝑓𝑓 · 𝑙 → 𝐼 = 𝐼0𝑒−𝑙 𝜇𝑒𝑓𝑓

A su vez, 𝜇𝑒𝑓𝑓 puede ser definido como:

𝜇𝑒𝑓𝑓 = √3𝜇𝑎(𝜇𝑎 + 𝜇𝑠′) 𝑐𝑚−1

Donde 𝜇𝑠′ = 𝜇𝑠(1 − 𝑔) 𝑐𝑚−1 es el coeficiente de dispersión reducido, que depende del factor anisótropo 𝑔

y del coeficiente de dispersión 𝜇𝑠 = 𝜌𝜎 𝑐𝑚−1, siendo 𝜎 la sección a través de la cual hay dispersión y 𝜌 la

densidad numérica de las partículas que atraviesan 𝜎. Por otro lado, 𝜇𝑎 es el coeficiente de absorción lineal,

donde 𝜇𝑎 = 2.303𝜀Ϲ 𝑐𝑚−1 siendo Ϲ (𝑚𝑜𝑙

𝑙𝑖𝑡𝑟𝑜𝑠) la concentración de partículas absorbentes, 2.303 una constante

dada por el cambio de logaritmo decimal a logaritmo neperiano y 𝜀 (𝑙

𝑐𝑚 · 𝑚𝑜𝑙) la absortividad molar, que es

una medida de la fuerza con la que un componente absorbe luz a una determinada longitud de onda, propiedad

intrínseca de cada compuesto.

Por tanto, se puede ver que la atenuación que sufre un haz de luz va a depender de la concentración de las

sustancias absorbentes que se encuentren en el tejido biológico que atraviese, de la absortividad molar, de la

cantidad de partículas dispersadas y de la longitud del camino óptico a través del tejido. Analizando estos

factores:

Los cambios en la concentración de glucosa influyen al 𝜇𝑎 del tejido a través de los cambios en la

absorción correspondientes al desplazamiento de las moléculas de agua, donde la absorción decrece

cuando la concentración aumenta; y a través de los cambios en la absorción intrínseca de las

moléculas de glucosa, donde la absorción crece cuando lo hace la concentración.

Un aumento en la concentración de glucosa implica una reducción de las propiedades dispersoras del

tejido, lo que reduce el coeficiente. Además, provoca una disminución de la longitud del camino

óptico, lo que hace que aumente la intensidad lumínica que recibe el fotodetector.


Figura 5-1 Influencia de la concentración de glucosa

La dificultad a la hora de resolver la Ley de Beer - Lambert radica en que no se conocen con certeza los

coeficientes de dispersión y de absorción, ya que dependen en gran medida de la concentración de las

partículas que haya en el tejido, variables desconocidas, así como sus respectivas absortividades molares, de

las cuáles no hay datos para todas las sustancias ni todas las longitudes de onda. No obstante, la simulación de

Monte Carlo se utiliza generalmente para analizar el transporte de la luz a través de la piel, ayudando este

método a la estimación y a la corrección de parámetros no invasivos como los coeficientes de absorción o de

dispersión.

A la hora de la realización de los ensayos, existen dos configuraciones posibles:

Utilizar la luz reflejada, la luz no atraviesa el dedo, por lo que se mide la glucosa contenida en el

líquido intersticial. Permite usar el dispositivo en diversos lugares del cuerpo debido a su esquema en

paralelo, pero es necesario desarrollar algoritmos más complejos para su calibración y hay que

determinar la distancia a la cual están los dos diodos, ya que las medidas pueden variar en función de

este parámetro; además, es una medición altamente localizada.

Utilizar la luz transmitida para la medición de glucosa, la cantidad de luz que atraviesa el tejido es

mayor que la reflejada, por lo que la intensidad de luz detectada es mayor en esta configuración. La

luz atraviesa todo el dedo, por lo que los fotones suelen encontrar muchas más moléculas de glucosa a

lo largo de la trayectoria que en el modo de reflexión. Esto mejora la medida, puesto que refiere a un

promedio de más de un tejido en lugar de una única zona. Además, se reduce considerablemente los

factores locales como la pigmentación o la morfología de la piel. Como inconveniente, hay que

mencionar que se aplica exclusivamente en zonas como los dedos o las orejas.

En este proyecto se usará la configuración de luz transmitida debido a que la intensidad de luz recibida es

mayor, además de reducir la influencia de factores locales.


48

Figura 5-2 Tipos de configuración [142]

5.1.2 Principio físico del uso de ultrasonidos

Se pueden acumular las moléculas de glucosa antes de realizar las mediciones creando una distribución de

presiones para reordenar las moléculas en el flujo sanguíneo a través de ultrasonidos.

Las moléculas presentes en la sangre se ven afectadas por la presión acústica generada por las ondas de

ultrasonidos. En concreto, cuando se aplica una onda estacionaria se consigue que las moléculas se acumulen y

se reorganicen en las regiones nodales y en las anti-nodales.

Figura 5-3 Onda estacionaria [143]

La dirección y la magnitud de la fuerza vendrán dadas por la teoría de las fuerzas acústicas:

𝐹𝑟 = − (𝜋𝜌0

2𝑉𝑐𝛽𝑤

2𝜆) ɸ(𝛽, 𝜌) sin(2𝑘𝑥)

ɸ =5𝜌𝑐 − 2𝜌𝑤

2𝜌𝑐−𝜌𝑤−

𝛽𝑐

𝛽𝑤


La dirección de la fuerza está determinada por el signo del factor ɸ; si éste es positivo, las moléculas se

desplazarán hacia los nodos, en cambio, si el factor es negativo, se desplazarán hacia los antinodos. Este factor

depende de la densidad del medio y de la partícula (𝜌𝑤 y 𝜌𝑐 ) y de sus correspondientes compresibilidades

(𝛽𝑤 y 𝛽𝑐 ).

Figura 5-4 Esquemático [144]

Por ejemplo, si las partículas son eritrocitos y lípidos (triglicéridos) en plasma sanguíneo, ɸ𝑒 ≈ 0.3 y ɸ𝑙 ≈− 0.3, los eritrocitos se desplazarán hacia los nodos (parte central del conducto en la Figura 5-5) y los lípidos

hacia los anti-nodos (los lados del conducto) [145].

Figura 5-5 Separación de dos partículas mediante ultrasonidos [145]

Utilizando los ultrasonidos, se consigue acumular las moléculas de glucosa en los nodos de la onda

estacionaria, lo que facilitaría la medición obteniendo, teóricamente, una mejora en la misma. De esta forma,

se consigue otra medida para normalizar y eliminar la dependencia de variables como el diámetro del dedo, la

pigmentación de la piel y otras características locales.

5.2 Descripción de las etapas del primer prototipo

Se ha fabricado un soporte para albergar al sensor y que emula a un pulsioxímetro, de forma que la presión a la

que esté sometido el dedo durante la medición sea lo más constante y uniforme posible, asegurando así que no

hay modificaciones en la medición debido a la variación de presión durante la misma.

Se han mantenido los mismos componentes y las mismas conexiones que en el primer prototipo, pero se ha

modificado su diseño y distribución adaptándolo al nuevo soporte. En la parte superior del soporte se

encuentra situado el circuito emisor, y en la parte inferior, el circuito receptor y de ultrasonidos.


50

Figura 5-6 Soporte para el sensor

Se va a hacer una breve descripción de las etapas de las que consta el circuito, mostrando el esquemático

realizado con el programa OrCAD Capture, y el layout del circuito realizado con el programa OrCAD Layout.

Después de cortar la placa para cada etapa con la Fresadora PCB ProtoMat S62 de LPKF, se han soldado

manualmente los componentes de cada circuito.

5.2.1 Circuito emisor

El circuito emisor (Figura 5-7) consta de un LED emisor infrarrojo Vishay VSMS3700-GS08, que opera a una

longitud de onda de 950 nm y una resistencia que hace que el LED se mantenga en su tensión de operación.

Para hallar el valor de dicha resistencia, se consulta el datasheet del LED, en el que se ve que tiene una tensión

de operación típica de 1.3 V y una intensidad de operación típica de 100 mA.

El circuito emisor, al igual que todos los demás, recibe la alimentación del PIC32 Pingüino Micro cuando se

conecta al ordenador mediante USB. Éste sólo proporciona una intensidad de salida de 20 mA, por lo que esa

será la intensidad que circula por el circuito, proporciona además una tensión de 3.3 V. Por lo tanto, si se resta

a la tensión de alimentación la tensión de operación típica del LED, conociendo la intensidad que circula por el

circuito, puede hallarse la resistencia necesaria.

𝑉𝑅 = 𝑉𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 − 𝑉𝑡𝑖𝑝−𝑜𝑝 = 3.3 − 1.3 = 2 𝑉

𝑅 =𝑉𝑅

𝐼=

2

20 · 10−3= 100 𝛺


Figura 5-7 Circuito emisor

La luz infrarroja que proviene del LED atravesará al dedo y será recibida por un fotodiodo. La variación de

glucosa en sangre, además de la de otros componentes, influirá en la intensidad de luz recibida por el circuito

receptor. A continuación, se muestra de Layout del circuito.

Figura 5-8 Layout del circuito emisor

5.2.2 Circuito receptor y de ultrasonidos

El circuito receptor consta de un fotodiodo que capta la luz emitida por el LED infrarrojo y que pasa por el

dedo. Puesto que la señal recibida es débil, se ha añadido además una etapa de amplificación.

La señal recibida va a depender fuertemente del grosor del dedo, la pigmentación de la piel, temperatura… por

esto es necesario otra medida con la que normalizar y eliminar la dependencia de esas características.

En esta ocasión, se van a utilizar los ultrasonidos como medida para normalizar. Este circuito consta de un

altavoz que emite a una frecuencia de 40 KHz, una resistencia de 3.9 k𝛺 y una placa de cobre usada para

realizar el rebote y conseguir una onda estacionaria.


52

Figura 5-9 Circuito foto-receptor y de ultrasonidos

En la Figura 5-11 se puede observar el layout del circuito, que está

situado en la parte inferior del soporte. En él se puede ver cómo están

situados los componentes. Por un lado, el circuito de ultrasonidos se

encuentra situado junto al borde del soporte para facilitar la medida

con el sensor. El espacio dejado entre el altavoz y la placa para

realizar el rebote debe ser el suficiente para que pueda colocarse un

dedo de cualquier grosor.

Entre estos dos elementos anteriores, se encuentra situado el

fotodiodo, de esta forma se asegura que los ultrasonidos pasan

exactamente por la zona en la que se reciben la luz procedente del

LED.

Figura 5-10 Esquemático


Figura 5-11 Layout del circuito receptor y de ultrasonidos

5.2.3 Placa para la conexión con el PIC32

Por último, se hizo una placa para conectar los pines del PIC32 Pingüino Micro con los cables del sensor para

transmitir las señales que deben llegar al LED IR y al altavoz, y para transmitir la señal recibida por el

fotodiodo al PIC32 y, a través de USB, llevar la información al ordenador para que sea procesada y

representada con el programa Matlab.

Figura 5-12 Conexión con el PIC32


54

El PIC32 se ha programado mediante la plataforma Mpide. Dicho código genera una onda cuadrada que

cambia el estado del LED de encendido a apagado (y viceversa) cada 500 ms para conseguir una frecuencia de

1Hz. En cuanto a los ultrasonidos, la onda de amplitud modulada también será una onda cuadrada que se hará

con una portadora de 40 kHz mediante un temporizador, y una moduladora a 250 Hz. Ambas frecuencias para

realizar la onda AM se han escogido de acorde a [141] y a [146].

Para analizar la salida proporcionada por el fotodetector, se lee el pin de salida en cada ciclo del programa y se

van almacenando los valores máximos y mínimos que se vayan obteniendo. Cada 3 ciclos del LED (cada 3

segundos) se calcula la diferencia entre estos dos valores, se imprimirá por pantalla y se resetearan para el

siguiente ciclo. Este valor será un número entre 0 y 1023, puesto que el PIC32 proporciona 10 bits en la salida

del convertidor analógico-digital, este valor puede ser reescalado entre 0 y 3.3 V si se quiere saber el voltaje de

salida.

Puede consultarse el código completo de este programa y de todos los realizados en el Anexo A.

5.2.4 Resultados con el sensor inicial

Se han realizado una serie de ensayos para ver el comportamiento del sensor con y sin la influencia de los

ultrasonidos. Estos ensayos se realizaron durante varios días en un hombre y una mujer no diabéticos. Se

utilizó un osciloscopio y el programa Matlab para la visualización y representación de los datos.

En la Figura 5-13 pueden verse las medidas tomadas con el sensor.

Figura 5-13 Voltaje de salida del sensor

Sin embargo, el uso de los ultrasonidos no mostró los resultados esperados, puesto que la diferencia en la señal

con el uso de ultrasonidos y sin ellos era prácticamente imperceptible. Esto puede deberse a que la frecuencia

utilizada podría no ser lo suficientemente alta como para que se produzca una separación de las partículas en

los vasos sanguíneos, por tanto, no se produciría la acumulación de glucosa necesaria para que se vea una

mejora significativa de la señal.

-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 11.75

1.8

1.85

1.9

1.95

2

2.05Voltaje de salida obtenido

Voltaje


En algunos artículos se ha conseguido separar moléculas en vasos sanguíneos artificiales usando frecuencias

en torno a los 2 MHz [145]. El principal inconveniente del aumento de la frecuencia de los ultrasonidos radica

en el coste que supone un altavoz que emita en dichas frecuencias.

Aumentando la duración del encendido del LED, se captó una señal con una forma y frecuencia parecida al

pulso cardíaco, tal como se muestra en la Figura 5-14.

Figura 5-14 Salida del sensor

Por lo tanto, se van a proponer 3 mejoras para ser diseñadas e implementadas en la siguiente iteración del ciclo

de trabajo. Se va a proceder a la inclusión de un LED a una longitud de onda que no detecte los cambios de

glucosa en la sangre, con el propósito de normalizar la medida respecto de la cantidad de luz recibida y aislar

las componentes relacionadas con la glucosa y que, además, permita obtener la señal pulsante captada

anteriormente, la cual está relacionada con la componente arterial de la sangre. Además, se va a incluir un

circuito de filtrado y amplificación que permita aislar la componente alterna de la señal pulsátil y, por último,

se va a proceder al normalizado respecto del nivel de continua de la señal, para evitar la influencia del

movimiento y de las dimensiones de la región corporal en la que se mide.

5.3 Descripción de las etapas del segundo prototipo

Como se ha expuesto en el apartado anterior, se va a sustituir la etapa de los ultrasonidos por un LED (a una

longitud de onda distinta de 950 nm) y un circuito de filtrado y amplificación para la señal pulsátil.

5.3.1 Circuito de filtrado y amplificación

En la Figura 5-15 se muestra el esquemático del circuito de filtrado y amplificación realizado con el programa

OrCAD. Este circuito consta de varias etapas que se van a describir a continuación.

50 100 150 200 250 300 350 400 450 500

550

600

650

700


56

Figura 5-15 Circuito de filtrado y amplificación

5.3.1.1 Divisor de tensión

Para que el operacional funcione de forma óptima, las señales con las que opera tienen que estar dentro de su

rango de funcionamiento, evitando tensiones cercanas a la tierra y a la alimentación. Esto se consigue

estableciendo como referencia del circuito una tensión intermedia que esté entre tierra y alimentación. En este

caso se tomará una tensión de 1.65 V, para ello, se ha utilizado un divisor de tensión seguido de un operacional

en la configuración de un seguidor de tensión. Esta señal de referencia permitirá centrar las señales

involucradas en la electrónica de detección alrededor de su valor, favoreciendo la linealidad en los diferentes

filtros empleados.

Figura 5-16 Esquemático del divisor de tensión


5.3.1.2 Filtro paso banda

La señal pulsátil cuenta con una componente de continua mucho mayor que la alterna, esto hace que en

algunas condiciones sea muy difícil su detección. Debido a esto, es necesaria su amplificación para que tenga

una amplitud lo suficientemente grande como para diferenciarla del ruido. Éste puede venir de muchas fuentes,

como el ruido por el movimiento del dedo del usuario o el ruido debido a cualquier fuente de luz del entorno.

Por tanto, se debe eliminar antes de la amplificación de la señal y de su transmisión al PIC32.

Se ha diseñado un circuito que elimine el ruido y la componente continua de la señal. Para ello se utiliza el

filtro paso banda mostrado en la Figura 5-17:

Figura 5-17 Esquemático del filtro paso banda

El filtro tiene como objetivo mantener las frecuencias entre 0.6 y 5 Hz, eliminando las frecuencias que se

encuentran fuera de ese rango.

En primer lugar, se utiliza un filtro paso baja, con una frecuencia de corte de 5Hz. Esto se logra con una

resistencia de 330 k𝛺 y un condensador de 100 nF (Figura 5-17 A). Con esto se consigue eliminar el ruido de

alta frecuencia de la señal.

𝑓𝑐𝑜𝑟𝑡𝑒 𝑓𝑖𝑙𝑡𝑟𝑜 = 1

2𝜋𝑅𝐶

Se ha introducido un seguidor de tensión entre el filtro paso baja y el filtro paso alta para eliminar los efectos

de carga. La tensión a la salida del seguidor es la misma que a su entrada.

Con la fórmula anterior, también se pueden obtener los parámetros necesarios para realizar el filtro paso alta

(Figura 5-17 B), combinando una resistencia de 25 k𝛺 con un condensador de 10µF. Este filtro elimina la

componente de continua, consiguiendo que se pueda amplificar la señal a posteriori sin saturar el amplificador,

además, elimina el ruido de baja frecuencia.

5.3.1.3 Amplificador

En este punto, se tiene la señal filtrada, sin ruido, y centrada en torno a la tensión de referencia, 1.65 V; todo

esto nos permite amplificar sólo la parte alterna de la señal.

Para la etapa amplificadora, se utilizará el circuito mostrado en la Figura 5-18. Se trata de una configuración de

amplificador no inversor. La tensión de entrada se aplica al pin positivo del amplificador, esta tensión será la

misma que la del pin negativo, por lo tanto:


58

𝑉𝑠𝑎𝑙𝑖𝑑𝑎 = 𝑉𝑒𝑛𝑡𝑟𝑎𝑑𝑎 + 𝐼 · 100 𝑘 = 𝑉𝑒𝑛𝑡𝑟𝑎𝑑𝑎 (1 +100 𝑘

1 𝑘) = 101 𝑉𝑒𝑛𝑡𝑟𝑎𝑑𝑎

𝐼 =𝑉𝑒𝑛𝑡𝑟𝑎𝑑𝑎

1 𝑘

Figura 5-18 Esquemático del amplificador

En las siguientes imágenes se puede ver el Layout del circuito, su fabricación en la fresadora y después de

colocar las vías y de soldar los componentes manualmente.

Figura 5-19 Layout del circuito de filtrado y amplificación


Figura 5-20 Realización del circuito impreso

Figura 5-21 Parte superior e inferior del circuito impreso

Figura 5-22 Circuito de filtrado y amplificación


60

5.3.1.4 Resultados con el LED infrarrojo

Para ver el correcto funcionamiento del circuito, se fueron comprobando las salidas de todas las etapas con el

osciloscopio. Desde la salida sin filtrar proveniente directamente del convertidor analógico-digital hasta la

salida del filtro paso alta.

Figura 5-23 Salida del convertidor analógico – digital

Figura 5-24 Salida del filtro paso baja

-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.51.9

1.91

1.92

1.93

1.94

1.95

Salida del ADC

Voltaje

-10 -8 -6 -4 -2 0 2 4 6 8 101.75

1.8

1.85

1.9

1.95

2

2.05Salida del filtro paso baja

Voltaje


Figura 5-25 Salida del filtro paso baja

Figura 5-26 Salida del filtro paso alta

-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.51.98

1.982

1.984

1.986

1.988

1.99

1.992

1.994Salida del filtro paso baja

Voltaje

-1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5 41.62

1.625

1.63

1.635

1.64

1.645

1.65

1.655

1.66

1.665

Salida del filtro paso alta

Voltaje


62

5.3.2 Incorporación de un LED de luz visible

Como se ha mencionado anteriormente, se va a introducir otro LED para realizar la normalización. Se ha

optado por escoger un LED a una longitud de onda que sea poco sensible a los cambios de glucosa en sangre

para facilitar la eliminación de la dependencia de las características locales y de la luz exterior.

Tal y como se indica en las referencias bibliográficas, los estudios realizados con longitudes de ondas menores

a 900 nm han mostrado malos resultados, por lo tanto, se va a escoger un fotoemisor de una longitud de onda

visible de los que se disponen en el laboratorio. Por ejemplo, se va a tomar el LED KA- 3528SRC rojo con

una 𝜆= 660 nm.

LED Ref. Color Longitud de onda

KA- 3528SRC 131-8235 Rojo 660 nm

SSL-LXA228SRC-TR11 206-2571 Rojo 660 nm

SML-210LTT86N 152-5567 Rojo 660 nm

5988110107F 104-5992 Rojo 642 nm

KA-3022SRC-4.5SF 114-2617 Rojo 640 nm

KPT-1608SURCK 209-9224 Rojo 630 nm

KPT-1608SGC 209-9223 Verde 568 nm

Tabla 5-1 LEDs rojos y verdes disponibles

Por tanto, este circuito consta de un LED emisor rojo KA- 3528SRC,

que opera a una longitud de onda de 660 nm y una resistencia que

permite fijar la corriente que circula por el LED para un

funcionamiento óptimo. Para hallar el valor de dicha resistencia, se

consulta la hoja de datos del fabricante del LED, en la que se

muestra que tiene una tensión de operación típica de 1.85V y una

intensidad de operación típica de 20 mA.

El circuito recibe de la alimentación del PIC32 una tensión de 3.3 V.

Por lo tanto, si se desea alimentar al diodo con una corriente de

20mA, puede calcularse el valor de la resistencia necesaria a partir

de la caída de tensión producida en la resistencia 𝑉𝑅.

𝑉𝑅 = 𝑉𝑎𝑙𝑖𝑚𝑒𝑛𝑡𝑎𝑐𝑖ó𝑛 − 𝑉𝑡𝑖𝑝−𝑜𝑝 = 3.3 − 1.85 = 1.45 𝑉

𝑅 =𝑉𝑅

𝐼=

1.45

20 · 10−3= 72.5 𝛺

Figura 5-27 Soporte del segundo

prototipo


5.3.3 Cambio del fotodiodo

El fotodiodo Osram BP104FS-Z se escogió por tener el pico de sensibilidad en la longitud de onda de 950 nm,

no presentando sensibilidad en longitudes menores a 750 nm como se puede vez en la Figura 5-28 (izquierda).

Al incorporar el LED rojo, es necesario cambiar a uno de amplio espectro. Se ha escogido el Osram BP104S,

que cuenta con un rango de 400 a 1100 nm (Figura 5-28 derecha) para incluir una mejor captación de la luz

procedente del LED rojo.

Figura 5-28 Sensibilidad espectral del BP104FS-Z (izquierda) y del BP104S (derecha)

5.4 Programación del PIC32 y protocolo de comunicación para el envío de datos

Al igual que en el primer prototipo, se ha programado el PIC32 a través de la plataforma Mpide para la

realización del segundo prototipo. Antes de pasar a la programación del PIC32, se va a explicar el

funcionamiento del sensor, los datos que proporciona y cómo los transmite.

El sensor ejecuta el mismo ciclo constantemente, éste se ha dividido en 4 etapas:

A: El LED IR se encuentra encendido y el LED rojo apagado. Esta etapa dura 6 segundos.

B: Los dos LED se encuentran apagados. Este periodo dura 500 ms.

C: El LED rojo se encuentra encendido y el LED IR apagado. Esta etapa dura 6 segundos.

D: Los dos LED se encuentran apagados. Este periodo dura 500 ms.


64

Figura 5-29 Etapas del sensor

En cada una de estas etapas se transmiten dos señales analógicas, por dos pines distintos, desde el sensor hacia

el PIC32. Una procede de la salida del fotodiodo después de amplificar la señal, lo que nos proporciona la

señal completa; la otra es la salida del circuito de filtrado y amplificación, proporciona la componente de

alterna amplificada de la señal recogida en primer lugar.

El código del PIC32 se ha programado para que realice el ciclo anterior mientras tenga alimentación, es decir,

mientras se encuentre conectado al ordenador recibe alimentación a través del puerto USB. Muestrea la señal

cada 10 ms y la transmite, en este caso, mediante el puerto serie al ordenador para la captura y procesado de

datos utilizando el programa Matlab.

Como se ha comentado anteriormente, el PIC32 cuenta con 10 bits de salida del convertidor analógico-digital,

por lo que para transmitir un dato del PIC32 al programa Matlab, se usan 2 bytes, uno completo y otro con 2

bits llenos y 6 vacíos. Esto significa que en cada etapa del ciclo se transmiten 4 bytes cada 10 ms, 2 bytes por

la señal de datos completa y otros 2 para la señal alterna.

La problemática de esto reside en la poca eficiencia que presenta debido a que, por cada señal que se transmite,

hay un byte que solo contiene 2 bits. Además, sería necesaria una sincronización para saber en qué periodo se

está transmitiendo y una etiqueta para indicar si el byte que se recibe es el primero (byte completo) o el

segundo (byte parcial). Por todo esto, se ha optado por

crear un protocolo de comunicación para el envío de

datos, codificando la señal antes de transmitirla y

proceder a su decodificación con el programa Matlab

para su posterior postprocesado.

La codificación se realizará en cada una de las 4 etapas

anteriores, justo antes de que se vaya a transmitir la

señal, esto es, cada 10 ms.

El PIC32 leerá el valor analógico del pin y lo almacenará

como una variable auxiliar. En la variable inicial b00, se

almacenará el cociente de dividir el valor analógico entre

256 (número de valores que se puede transmitir en un

byte) y en b10 el resto de dicha división.

El mayor cociente que se puede obtener al hacer la

división es el número 3, por lo tanto, se tendrán 2 bits

para el cociente, llamado b00, y 8 para el resto, b10, que

suman los diez bits disponibles.

Desplazando los bits y utilizando máscaras, pueden

codificarse ambos bytes, de tal forma que se dividan los

10 bits en 2 bytes completos, teniendo éstos 3 bits de

cabecera (en los que se informará tanto la etapa en la que

se encuentra como si se trata de la componente continua

o alterna), y 5 bits con los datos anteriores. Se puede ver

un esquemático de cómo se ha realizado la codificación

en la Figura 5-31.

Figura 5-30 Codificación de la señal en el PIC32


Figura 5-31 Esquema de la codificación

5.5 Programación en Matlab

Mediante el código implementado en Matlab, el ordenador recibe los datos procedentes del sensor. Éstos son

decodificados y, de acuerdo a su cabecera, se almacenan en 5 vectores distintos para operar con ellos más

adelante. Cuando el número de componentes recibidas y almacenadas llega a 5100, se dejan de captar datos y

se pasa a su procesado.

El programa proporciona tres vectores con las componentes de continua: cuando el LED IR está encendido,

cuando el rojo está encendido y cuando los dos están apagados. Ésta última medida proporciona datos acerca

de la influencia de la luz ambiente en las medidas con los LEDs encendidos. El código analiza cada uno de los

tres vectores y haya el valor medio de todas las componentes.

Figura 5-32 Segundo prototipo completo


66

También proporciona otros dos vectores con las componentes alternas cuando el LED IR está encendido y

cuando lo está el rojo. En este caso, es necesario analizar las señales con más detenimiento. En primer lugar, se

toman las componentes que muestran la señal estabilizada del sensor, mientras que se eliminan las

correspondientes a la transición del apagado al encendido de los LEDs. Y, en segundo lugar, se halla el valor

medio de la amplitud de cada periodo.

Por tanto, el algoritmo de Matlab proporciona 5 valores de salida: valor medio de la tensión captada cuando el

LED IR está encendido, cuando lo está el rojo, cuando los dos LEDs están apagados y la amplitud media de la

componente alterna cuando el LED IR está encendido y cuando lo está el rojo.

Posteriormente, se guardan tanto estos datos de salida como los de la medición al completo en un archivo

Excel, que tiene por título el nombre y apellido de la persona voluntaria, la fecha y la hora a la que se ha

realizado la medición. Además, también se introduce manualmente el nivel real de glucosa en sangre que

presenta el voluntario en ese momento.

Por último, se muestra una gráfica de la medición completa. Por ejemplo, en la Figura 5-33 puede verse en

azul la componente continua de la tensión que proporciona el sensor, y en rojo la componente alterna, en la

que se puede ver claramente como la señal captada procede del pulso cardíaco.

Figura 5-33 Medición proporcionadas por el sensor

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000

550

600

650

700

0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000400

500

600

700

800

67

6 RESULTADOS DE VALIDACIÓN

al y como se ha visto anteriormente, se ha propuesto un enfoque empírico para obtener una estimación

del nivel de glucosa en sangre de forma no invasiva a través del sensor que se ha desarrollado. El

objetivo de este capítulo es la realización de una serie de ensayos para establecer relaciones entre los

parámetros que proporciona el prototipo, la proposición de dos modelos y, por último, una validación de estos

a través de métodos comentados en capítulos anteriores, como son la cuadrícula de errores de Clarke o la

consensuada.

6.1 Realización de los ensayos

El objetivo de la realización de los ensayos es establecer una relación entre los parámetros proporcionados por

el sensor y el nivel real de glucosa en sangre. Para ello, se han realizado 146 ensayos en 23 voluntarios de

edades comprendidas entre los 22 y los 78 años, de los cuales 15 son personas sanas, 1 presenta pre-diabetes, 1

es paciente con diabetes de tipo 1 y 6 son pacientes con diabetes tipo 2.

En cada ensayo, en primer lugar, se han medido los parámetros provenientes del sensor, se han guardado en un

archivo Excel y, justo a continuación, se ha medido el nivel de glucosa real con un glucómetro tradicional.

Además, se han tomado otros datos adicionales de cada voluntario que se tendrán en cuenta posteriormente

como son: edad, sexo, tipo de diabetes (si corresponde), altura, peso y diámetro del dedo con el que se realiza

la medición con el prototipo de sensor no invasivo.

Celdilla nº Número de muestras Concentración de glucosa

(mg/dL)

1 0 ≤ 50

2 5 > 50 - 80

3 94 > 80 - 120

4 39 > 120 - 200

5 4 > 200 - 300

6 2 > 300 - 400

7 2 > 400

Tabla 6-1 Concentraciones de glucosa en sangre de muestras para la evaluación de la exactitud de un sistema

T

Resultados de validación

68

La medida con el sensor prototipo se realiza introduciendo el dedo índice de la mano izquierda en él, de forma

que quede como se indica en la Figura 6-1. Para dar uniformidad al ensayo, no se han colocado los LEDs

encima de la uña, puesto que los valores que se obtienen en la misma persona, distan de los captados si la

medida se realiza en el dedo. Además, no se realiza ningún tipo de presión ni movimiento del dedo una vez

han comenzado las mediciones, puesto que esto puede provocar perturbaciones no deseadas.

Figura 6-1 Medición con el sensor no invasivo desarrollado

La medida de la glucosa en sangre a través de una muestra de sangre capilar se ha realizado tal y como se

describe en el apartado 3.1.1 Uso de un SMBG de este proyecto usando para ello el glucómetro comercial

Contour XT de Bayer, teniendo en cuentas las recomendaciones de la norma, en las que se indica que la

temperatura ambiente debe mantenerse entre 23 ± 5 ºC. Para cada medida, se han proporcionado lancetas

nuevas y estériles para evitar la transferencia de los patógenos que puedan existir en la sangre de un voluntario

a otro.

Los porcentajes de las concentraciones de glucosa en sangre de muestras para el ensayo se muestran en la

Tabla 6-1.

6.1.1 Resultados

Para establecer las relaciones entre los parámetros, se han ido realizando representaciones gráficas de distintos

coeficientes. En primer lugar, se va a nombrar las variables y a qué hacen referencia:

IRDC: Tensión media cuando el LED IR está encendido.

RDC: Tensión media cuando el LED rojo está encendido.

IRAC: Amplitud media de la componente alterna cuando el LED IR está encendido.

RAC: Amplitud media de la componente alterna cuando el LED rojo está encendido.

ZDC: Tensión media cuando los LEDs están apagados.

A continuación, se muestran diferentes coeficientes utilizados para hallar en primera aproximación si existe

alguna relación entre los parámetros proporcionados por el sensor y la glucosa real en sangre.


𝑥2 =𝐼𝑅𝐷𝐶

𝑅𝐷𝐶 𝑥3 =

𝐼𝑅𝐷𝐶

𝐼𝑅𝐴𝐶

𝑥4 =

𝐼𝑅𝐷𝐶𝐼𝑅𝐴𝐶

⁄

𝑅𝐷𝐶𝑅𝐴𝐶

⁄ 𝑥5 =

𝐼𝑅𝐷𝐶

𝑍𝐷𝐶

Figura 6-2 Glucosa real frente a IRDC

540 560 580 600 620 640 660 680 700 72050

100

150

200

250

300

350

400

450

500

IRDC

Glu

cosa r

eal


70

Figura 6-3 Glucosa real frente a x2


1 1.02 1.04 1.06 1.08 1.1 1.12 1.14 1.16 1.1850

100

150

200

250

300

350

400

450

500

x2

Glu

cosa r

eal

0 50 100 150 200 25050

100

150

200

250

300

350

400

450

500

x3

Glu

cosa r

eal




0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 150

100

150

200

250

300

350

400

450

500

x4

Glu

cosa r

eal

1 1.05 1.1 1.15 1.2 1.25 1.3 1.3550

100

150

200

250

300

350

400

450

500

x5

Glu

cosa r

eal


72

Como se puede observar, no existe ninguna relación aparente entre los parámetros, por este motivo, se va a

optar por la utilización de redes neuronales debido a que son potentes instrumentos con capacidad para

establecer y aprender relaciones entre variables sin necesidad de imponer restricciones a los datos de partida.

6.2 Redes neuronales

Las redes neuronales artificiales se basan en el funcionamiento de un sistema nervioso biológico. La unidad

fundamental del sistema nervioso es la neurona, que se une junto a otras formando redes. En el cuerpo humano

se encuentran tres elementos fundamentales de este sistema: los órganos receptores que recogen información

del exterior; un sistema que transmite la información, la analiza, la almacena y la envía; y los órganos

receptores que reciben la información de parte del sistema nervioso y realizan en consecuencia alguna acción.

Análogamente, las redes neuronales artificiales son una técnica de aprendizaje y procesamiento automático. Se

pueden definir como una estructura de procesamiento paralelo masivo constituida por unas unidades sencillas,

que se denominan neuronas, y que tienen la capacidad de almacenar conocimiento experimental y ponerla a

disposición para su uso [147].

Ambas redes artificiales y biológicas se asemejan en diversos aspectos:

Las neuronas son las unidades fundamentales, son elementos simples y altamente interconectados.

Las conexiones entre las neuronas determinan la función de la red. Estas conexiones, conocidas como

pesos sinápticos, se utilizan para almacenar el conocimiento adquirido.

El conocimiento es adquirido a partir del entorno mediante un proceso de aprendizaje.

La arquitectura de la red hace referencia a la disposición de las neuronas en la red. Éstas se organizan

formando capas, de modo que en cada red neuronal pueden existir una o más capas de neuronas. Cada neurona

recibe un conjunto de entradas multiplicadas por su peso, y son sumadas y operadas por una función de

trasferencia, también llamada función de activación, antes de transmitirse a la siguiente capa o como la salida

de la red. Es habitual clasificar las redes por su arquitectura en:

Redes con propagación hacia adelante.

Redes con retropropagación.

En otras ocasiones, se suelen clasificar también en función del tipo de aprendizaje que realizan. Se distinguen

entre:

Aprendizaje supervisado, donde el conjunto de datos conocidos de entradas y salidas se utilizan para

ajustar los pesos de la red de forma iterativa.

Aprendizaje no supervisado, donde únicamente se disponen de los datos de entrada y de una función

de coste que hay que minimizar.

Aprendizaje reforzado, situado a medio camino entre el aprendizaje supervisado y no supervisado. En

este tipo, la información proporcionada a la red es mínima, limitándose sólo a indicar si la respuesta

de la red es correcta o incorrecta.


Figura 6-7 Red neuronal

Por ejemplo, la red neuronal de la Figura 6-7 consta de 4 entradas, una capa, llamada capa oculta, con 5

neuronas y una capa de salida.

6.2.1 Aplicación al sensor

En primer lugar, se va a crear la base de datos la cual va a ser utilizada por la red para establecer las relaciones.

Esta base se creará a partir de un archivo Excel en el cual se han introducido todos los datos recogidos con

anterioridad.

Figura 6-8 Base de datos de la red neuronal


74

En cada columna, es decir, para cada ensayo, se va incluyendo el sexo (0 si es hombre, 1 si es mujer), el tipo

de diabetes (0 si es una persona sin diabetes, 1 si tiene diabetes de tipo 1 y 2 si tiene diabetes de tipo 2), edad,

peso, altura, índice de masa corporal (IMC), radio del dedo, los parámetros proporcionados por el sensor, si la

persona ha pasado más de 2 horas sin comer se incluye un 0 y en caso contrario, un 1; y en último lugar, el

valor de la glucosa en sangre medida con el glucómetro.

A través del programa Matlab, se puede crear la red neuronal a través del comando “nnstart”, que ofrece

diferentes opciones para la creación de la red.

Figura 6-9 Selección del tipo de red neuronal

En este caso, se va a usar “nftool”, dado que se trata un problema de ajuste en el que se quiere una red

neuronal para relacionar un conjunto de datos de entrada con un valor de salida también proporcionado. La red

tendrá un aprendizaje supervisado y constará de dos capas, una capa oculta con una sigmoide como función de

activación y otra capa de salida lineal. La red será entrenada con un algoritmo de retropropagación de

Levenberg-Marquardt (“trainlm”).

El número de neuronas en la capa oculta será variable en primera aproximación. La cantidad de neuronas

utilizadas varía significativamente la correlación y el error de la estimación en referencia a, en este caso, la

glucosa real. Empleando pocas neuronas no se abarca la influencia de todos los parámetros dados en la base de

datos; sin embargo, usando muchas neuronas se obtiene una red sobreajustada.

Para elegir el número adecuado de neuronas a utilizar, se ha creado un algoritmo que utiliza un bucle para

ejecutar 2000 veces la red neuronal para una cantidad de neuronas, que varía de 5 a 22. Se guardarán los pesos

de aquellas redes que muestren el mayor coeficiente de correlación y el menor error.

Se van a crear dos modelos, es decir, dos redes neuronales distintas, una usando como base de datos todos los

ensayos realizados (modelo general) y otra usando un modelo personalizado para una voluntaria en concreto,

utilizando sólo los ensayos que se le han realizado a esa persona.


6.2.1.1 Modelo general

Para el modelo general, se han tomado como datos los 146 ensayos realizados. Se ha ejecutado el algoritmo

bucle que guarda la mejor red neuronal en base a unos requisitos mínimos que debe cumplir, en este caso,

tener un coeficiente de correlación mayor a 0.91 y un error absoluto máximo menor que 25.1. Debido a la

heterogeneidad de los valores recogidos en los 146 ensayos y debido a que, en primera instancia, los valores de

la red neuronal son escogidos de forma aleatoria, ha sido necesario ejecutar el algoritmo bucle un número

significativo de veces para obtener al menos 2 redes neuronales distintas.

Las redes neuronales halladas muestran un coeficiente de correlación de 0.99403 con un error absoluto

máximo de 22.8839 y un coeficiente de correlación de 0.9924 con un error absoluto máximo de 25.051. Se ha

escogido la red con mayor coeficiente de correlación, puesto que es posible aislar en qué ensayo se ha

producido el error absoluto máximo para hallar qué lo ha causado.

Por lo tanto, la red escogida tiene 7 neuronas, un r = 0.99403 entre los datos objetivo (glucosa real) y las

salidas proporcionadas por la red (glucosa estimada) con los datos de partida, además tiene un error absoluto

máximo de 22.8839.

Figura 6-10 Red neuronal general utilizada

El programa Matlab permite representar ciertas variables para mostrar la calidad de la red hallada. Por

ejemplo, en la Figura 6-11 se muestra la recta de regresión de los valores reales de glucosa que se han

proporcionado (target) con los valores de glucosa estimados a partir de los datos proporcionados en la base de

datos de la red, donde se puede observar la alta correlación que se ha encontrado. De la misma manera, se

pueden observar en la Figura 6-12 los errores obtenidos entre los dos valores mencionados antes.


76

Figura 6-11 Coeficiente de correlación entre los datos objetivo y la salida

Figura 6-12 Error entre los datos objetivo y la salida

100 150 200 250 300 350 400 450

100

150

200

250

300

350

400

450

Target

Ou

tpu

t ~

= 0

.99

*Ta

rge

t +

1.2

: R=0.99403

Data

Fit

Y = T

0

5

10

15

20

25

30

Error Histogram with 20 Bins

Ins

tan

ce

s

Errors

-19.7

1

-17.5

3

-15.3

4

-13.1

6

-10.9

8

-8.7

91

-6.6

06

-4.4

22

-2.2

37

-0.0

5293

2.1

32

4.3

16

6.5

8.6

85

10.8

7

13.0

5

15.2

4

17.4

2

19.6

1

21.7

9

Zero Error


6.2.1.2 Modelo personalizado

Se va a realizar un modelo personalizado para una mujer no diabética de 25 años, para ello, se han tomado

como base de datos para la realización de la red neuronal únicamente los ensayos realizados a dicha voluntaria,

que forman un total de 26 ensayos. Se ha ejecutado el algoritmo bucle que guarda la mejor red neuronal en

base a unos requisitos mínimos que debe cumplir, en este caso, tener un coeficiente de correlación mayor a

0.95 y un error absoluto máximo menor que 10. Debido a la homogeneidad de los datos en este caso, se han

obtenido 14 redes que cumplen con los requisitos pedidos, a diferencia de las 2 encontradas usando todos los

ensayos.

Nº de red Nº de neuronas Coeficiente de correlación Error absoluto máximo

1 6 0.98554 9.89349

2 6 0.99488 4.7535

3 7 0.97571 7.74333

4 8 0.97842 9.63404

5 10 0.96642 9.27083

6 12 0.98664 9.13892

7 13 0.98515 8.66287

8 16 0.98673 9.2936

9 17 0.98201 8.15619

10 18 0.98234 7.02243

11 19 0.97612 9.44843

12 19 0.97465 9.2963

13 21 0.97805 9.5397

14 21 0.98714 6.97599

Tabla 6-2 Características de las posibles redes personalizadas

De la misma manera que en el modelo general, se ha escogido aquella red que presenta un mayor coeficiente

de correlación, en este caso, la red nº 2.

Por lo tanto, la red neuronal escogida tiene 6 neuronas, un r = 0.99488 entre los datos objetivo (glucosa real) y

las salidas proporcionadas por la red (glucosa estimada) con los datos de partida, además tiene un error

absoluto máximo de 4.7535.


78

Figura 6-13 Red neuronal personalizada utilizada

En la Figura 6-14 se muestra la recta de regresión de los valores reales de glucosa que se han proporcionado

(target) con los valores de glucosa estimados a partir de los datos proporcionados en la base de datos de la red,

donde se puede observar la alta correlación que se ha encontrado. De la misma manera, se pueden observar en

la Figura 6-15 los errores obtenidos entre los dos valores mencionados antes.

Figura 6-14 Coeficiente de correlación entre los datos objetivo y la salida

80 90 100 110 120 130 140

80

90

100

110

120

130

140

Target

Ou

tpu

t ~

= 1

*Ta

rge

t +

-3

.3

: R=0.99488

Data

Fit

Y = T


Figura 6-15 Error entre los datos objetivo y la salida

6.2.2 Validación

Por último, se han realizado una serie de 12 ensayos a la voluntaria no diabética de la misma forma que la

descrita en el apartado 7.1. En primer lugar, se ha ejecutado el algoritmo de captación y guardado de datos que

proporciona el sensor: IRDC, RDC, IRAC, RAC y ZDC. Estos valores junto con los datos antropométricos y físicos

de la voluntaria, son proporcionados a los dos modelos, el general y el personalizado, que proporcionan un

valor estimado de la glucosa en sangre en ese momento. Por último, este valor ha sido comparado con la

glucosa en sangre real usando un glucómetro.

En las siguientes gráficas pueden verse la cuadrícula de errores de Clarke y la cuadrícula de errores

consensuada. En el eje X se muestra el valor real de la glucosa en sangre y en el eje Y el valor de la glucosa

estimado. En azul se encuentran los datos obtenidos con el modelo generalizado y en rojo las estimaciones con

el modelo personalizado.

En las Figuras 6-16 y 6-17 puede verse como todos los puntos obtenidos están dentro de las zonas A y B de

ambas cuadrículas. Esto significa que las mediciones pueden considerarse clínicamente aceptables ya que

ninguna de ellas da lugar a alteraciones en el tratamiento.

También puede observarse cómo las estimaciones realizadas con el modelo general caen enteramente en la

zona A, valores estimados que distan menos de un 20% de los valores de referencia; mientras que los puntos

que caen en la zona B, valores estimados que distan más de un 20% de los valores de referencia sin dar lugar a

un tratamiento inadecuado, pertenecen al modelo personalizado. Esto puede deberse a que en el modelo

general se han tenido en cuenta 146 ensayos de 23 personas, lo que da lugar a un amplio abanico de

situaciones en la medición que no tiene en cuenta el modelo personalizado, realizado solo con 26 ensayos de

una misma persona.

0

1

2

3

4

5

6

7

Error Histogram with 20 Bins

Ins

tan

ce

s

Errors

-4.5

34

-4.0

96

-3.6

57

-3.2

18

-2.7

8

-2.3

41

-1.9

02

-1.4

64

-1.0

25

-0.5

865

-0.1

479

0.2

907

0.7

294

1.1

68

1.6

07

2.0

45

2.4

84

2.9

23

3.3

61

3.8

Zero Error


80

Figura 6-16 Cuadrícula de errores de Clarke

Figura 6-17 Cuadrícula de errores consensuada

0 50 100 150 200 250 3000

50

100

150

200

250

300


Valo

r estim

ado (

mg/d

L)

Cuadrícula de errores de Clarke

0 50 100 150 200 250 3000

50

100

150

200

250

300


Valo

r estiam

do (

mg/d

L)

Cuadrícula de errores consensuada

81

7 CONCLUSIONES

e van a describir en este capítulo las conclusiones finales a las que se ha llegado durante la realización de

este Proyecto de Fin de Carrera. En ellas se hace referencia a los objetivos planteados y a los resultados

obtenidos en cada etapa. Además, se proponen unas pautas a seguir en desarrollos futuros que permitan

mejorar y dar robustez a los modelos propuestos y a las medidas estimadas que se proporcionan.

7.1 Conclusiones

Para la multitud de pacientes afectados por la Diabetes Mellitus en todo el mundo, los sistemas invasivos

tradicionales como los glucómetros, producen molestias y dolores cada vez que realizan una medición, y los

nuevos dispositivos invasivos continuos desarrollados no cumplen con las expectativas ya que los resultados

obtenidos con ellos tienen que ser considerados con precaución ya que no han sido aprobados como sustitutos

de los glucómetros. Además, al no estar cubiertos por la Seguridad Social, tener un coste elevado y la

incomodidad que producen algunos de ellos, crean la necesidad del desarrollo de un sistema de bajo coste que

sea no invasivo, cómodo, accesible y fácil de manejar para todas las personas.

La espectroscopia del infrarrojo cercano, por tener una profundidad de penetración de 1 a 100 mm que permite

realizar medidas en distintos sitios del cuerpo, por el bajo coste de los componentes que emplea y su sencillo

montaje, la hacen una tecnología versátil que permite adaptar diferentes configuraciones a las necesidades.

Además, la existencia de numerosos estudios permite conocer en mayor medida más factores y su influencia

en las mediciones, contribuyendo a una mejora de la implementación al poderse tener en cuenta. Por todo esto,

la espectroscopia NIR se pone en cabeza como una de las tecnologías no invasivas más a tener en cuenta a la

hora de ser utilizada para el desarrollo de un dispositivo para la medición no invasiva de la glucosa en sangre.

Figura 7-1 Sensor de glucosa no invasivo

S

Conclusiones

82

Aunque en primera instancia el uso de ultrasonidos no ha aportado grandes diferencias, parece precipitado

descartar esta tecnología sin haber probado otras configuraciones y otras frecuencias en torno a los 2 MHz,

puesto que éstas han demostrado ser de mucha utilidad en la separación de partículas según muestran los

artículos referenciados en la memoria.

Entre las mejoras aplicadas al sensor prototipo previo del Grupo de Ingeniería Biomédica de la Universidad de

Sevilla, se ha fabricado un soporte para albergar al sensor y que emula a un pulsioxímetro, de forma que la

presión a la que esté sometido el dedo durante la medición sea lo más constante y uniforme posible,

asegurando así que no hay modificaciones en la medición debido a la variación de presión durante la misma.

Se han incluido 2 LEDs, uno de longitud de onda de 950 nm que permite la detección de los cambios en el

nivel de glucosa en sangre y otro de 660 nm que no detecta dichos cambios, con el propósito de normalizar la

medida respecto de la cantidad de luz recibida y aislar las componentes relacionadas con la glucosa. Ambas

señales permiten la parametrización en función de la componente pulsante de la señal recibida, la cual está

relacionada con la componente arterial de la sangre, proporcionando una medida del pulso cardíaco durante la

medición. Además, para evitar la influencia del movimiento y de la dimensión del dedo, se ha normalizado

respecto del nivel de continua de la señal.

Se han realizado 146 ensayos en 23 personas de edades comprendidas entre los 22 y los 78 años y se ha diseño

un software multiparamétrico basado en redes neuronales, las cuáles han mostrado ser una herramienta que

permite establecer relaciones entre variables que a priori no parecen tenerlas, permitiendo proporcionar la

concentración de glucosa en sangre de forma no invasiva a través del dispositivo.

Para la construcción de la red neuronal se han incluido aspectos antropométricos como las dimensiones del

dedo, la altura, el peso, la edad, el sexo, el tipo de diabetes o si la persona se encuentra en ayunas, además de

los parámetros proporcionados por el sensor en cada ensayo, como los niveles de continua de las señales

cuando el LED infrarrojo está encendido, cuando lo está el LED rojo, cuando ambos están apagados y la

amplitud media de la componente alterna cuando el LED IR está encendido y cuando lo está el rojo.

Posteriormente, se han realizado dos modelos, uno generalizado cuya red neuronal contiene todos los datos

obtenidos de todos los ensayos realizados y que muestra un coeficiente de correlación de r = 0.99403 entre los

datos objetivo (glucosa real) y las salidas proporcionadas por la red (glucosa estimada) con los datos de partida

y que tiene un error absoluto máximo de 22.88; y otro personalizado para una mujer no diabética de 25 años,

cuya red neuronal contiene únicamente los datos procedentes de los ensayos realizados a dicha voluntaria y

que muestra un coeficiente de correlación de r = 0.99488 entre los datos objetivo (glucosa real) y las salidas

proporcionadas por la red (glucosa estimada) con los datos de partida y tiene un error absoluto máximo de

4.7535.

En último lugar, se ha procedido realizar la validación de los dos modelos anteriores a través de una serie de

12 ensayos en la voluntaria no diabética. Los resultados obtenidos con el modelo general muestran un 100%

de los datos en la zona A de la cuadrícula de errores de Clarke y consensuada, y los obtenidos mediante el

modelo personalizado muestran un 91.67% de los datos en la zona A y un 8.33% en la zona B de las

cuadrículas de errores de Clarke y consensuada. Ambos modelos muestran resultados clínicamente aceptables

que no dan lugar a errores en el tratamiento.

Aunque los modelos presentados están realizados con una mayoría de voluntarios no diabéticos, debido

fundamentalmente a la imposibilidad de encontrar un mayor número de voluntarios diabéticos, y aunque sólo

han sido validados en una voluntaria no diabética, se ha cumplido un objetivo importante y da pie a pensar en

que es factible la realización de modelos adaptados a los pacientes diabéticos incorporando un número mayor

de ensayos de éstos a la base de datos de la red neuronal.


7.2 Trabajo futuro

Se proponen las siguientes líneas de trabajo a seguir en un futuro para la mejora y el desarrollo del sensor no

invasivo mostrado en este proyecto:

Para crear un modelo general más robusto y más adecuado para las personas con diabetes, sería

necesaria la incorporación a la base de datos de la red datos de más voluntarios diabéticos, así como

un mayor número de voluntarios de más edades, con diferentes pigmentaciones de la piel y con mayor

variedad en el IMC. De esta forma se tienen en cuenta todas las diferentes características físicas que

pueden influir a la hora de realizar la estimación.

Sería conveniente la realización de un estudio profundo sobre el espectro de la glucosa y su

interferencia con otras sustancias como son las proteínas, el agua o los lípidos, para concluir si la

longitud de onda elegida para el LED IR, 950 nm, es la más óptima a la hora de detectar los cambios

en la glucosa de la sangre.

Para que el dispositivo sea más fácil de manejar y cómodo, sería necesario reducir el volumen actual y

proporcionarle la alimentación de una batería, de forma que no sea necesario el uso del ordenador y

pase a ser un sensor fácilmente transportable.

El sensor desarrollado no dispone de un display, puesto que los resultados eran mostrados en el

ordenador a través del programa “Matlab”. En complemento con la propuesta anterior, se propone

añadir también un display, además de la red neuronal y el algoritmo de predicción dentro del

dispositivo, así como la incorporación de un módulo para la transmisión inalámbrica de la estimación

de glucosa calculada. Este módulo podría ser Wifi o Bluetooth. De esta manera, además de visualizar

la glucosa estimada en el mismo dispositivo, se podrían enviar los datos al ordenador, al móvil

mediante una aplicación o incluso a un centro médico. Así, el paciente podría llevar un seguimiento

de su nivel a lo largo del tiempo o se podría alertar a los servicios médicos en el caso en el que se

detectara una hipoglucemia severa. Como última propuesta, se podría incluir el cumplimiento de los

estándares de interoperabilidad para favorecer las comunicaciones con dispositivos como pueden ser

bombas de insulina.

Por todo esto, se puede concluir que el sensor desarrollado cumple con los requisitos de diseño al ser no

invasivo, cómodo y fácil de usar, presentando un bajo coste y con un amplio margen de mejora en el hardware

y el software en futuras revisiones del diseño.

84

REFERENCIAS

[1] Federación Internacional de Diabetes, «Atlas de la Diabetes (6ª Edición),» 2013.

[2] Carlos Crespo, Max Brosa, Aitana Soria-Juan, Alfonso Lopez-Alba, Noemí López-Martínez y Bernat

Soria, «Costes directos de la diabetes mellitus y de sus complicaciones en España (Estudio SECCAID:

Spain estimated cost Ciberdem-Cabimer in Diabetes),» Avances en Diabetología, vol. 29, nº 6, pp. 182 -

189, 2013.

[3] Guyton, C.G. y Hall, J.E., Tratado de Fisiología Médica, 11ª ed., Elsevier, 2006.

[4] Universidad de Sevilla., Apuntes 4º curso. Grado en Farmacia..

[5] Ministerio de Sanidad, Servicios Sociales e Igualdad, «Guía práctica clínica sobre Diabetes Mellitus

Tipo 1,» 2012.

[6] The Diabetes Control and Complications Trial Research Group, «The effect of intensive treatment of

diabetes on the development and progression of long-term complications in insulin-dependent diabetes

mellitus,» New Engl J Med, vol. 329, nº 14, pp. 977 - 986, 1993.

[7] Medline Plus, «Medición del nivel de glucosa en la sangre: Uso de un glucómetro para autoexamen,»

[En línea]. Available:

https://www.nlm.nih.gov/medlineplus/spanish/ency/esp_presentations/100220_1.htm.

[8] Sternberg, F., C. Meyerhoff, F.J. Mennel, H. Mayer, F. Bischof and E.F. Pfeiffer, «Does fall in tissue

glucose precede fall in blood glucose?,» Diabetologia, vol. 39, nº 5, p. 609 – 612., 1996.

[9] Monsod, T.P., D.E. Flanagan, F. Rife, R. Saenz, S. Caprio, R.S. Sherwin and W.V. Tamborlane, «Do

sensor glucose levels accurately predict plasma glucose concentrations during hypoglycemia and

hyperinsulinemia?,» Diabetes Care, vol. 25, nº 5, p. 889 – 893, 2002.

[10] Clarke WL, Anderson S, Farhy L, Breton M, Gonder-Frederick L, Cox D et al., «Evaluating the clinical

accuracy of two continuous glucose sensors using continuous glucose–error grid analysis,» Diabetes

Care, nº 28, p. 2412–2417, 2005.

[11] Wentholt IM, Hart AA, Hoekstra JB, Devries JH., «How to assess and compare the accuracy of

continuous glucose monitors?,» Diabetes Technol Ther., vol. 10, nº 2, pp. 57 - 68, 2008.

[12] Cox DJ, Clarke WL, Gonder-Fredrick L, Pohl S, Hoover C, Snyder A et al., «Accuracy of perceiving

blood glucose in IDDM,» Diabetes Care, vol. 8, nº 6, p. 529 – 536., 1985.

[13] Clarke WL, Cox D, Gonder-Fredrick LA, Carter W, Pohl SL., «Evaluating clinical accuracy of systems

for self-monitoring of blood glucose,» Diabetes Care, vol. 10, pp. 622 - 628, 1987.


[14] Parkes JL, Pardo S, Slatin SL, Ginsberg BH, «A new consensus error grid to evaluate the clinical

significance of inaccuracies in the measurement of blood glucose.,» Diabetes Care , vol. 23, pp. 1143 -

1148, 2000.

[15] N. S. Oliver, C. Toumazou, A. E. G. Cass and D. G. Johnston, «Glucose sensors: a review of current and

emerging technology,» Diabetic Medicine, vol. 26, p. 197 – 210, 2009.

[16] ISO 15197:2015, «Sistemas de ensayo para diagnóstico in vitro. Requisitos para los sistemas de

monitorización de glucosa en sangre para autodiagnóstico en la gestión de la diabetes mellitus.».

[17] Andrea Tura, Alberto Maran, Giovanni Pacini, «Non-invasive glucose monitoring: Assessment of

technologies and devices according to quantitative criteria,» Diabetes Research and Clinical Practice,

vol. 77, pp. 16 - 40, 2007.

[18] Carlos Eduardo Ferrante do Amaral, Benhard Wolf, «Current development in non-invasive glucose

monitoring,» Medical Engineering & Physics, vol. 30, p. 541 – 549, 2008.

[19] J.C. Pickup, D.J. Claremont and G.W. Shaw , «Responses and calibration of amperometric glucose

sensors implanted in the subcutaneous tissue of man,» Acta Diabetol , vol. 30, pp. 143 - 148, 1993.

[20] «Dexcom,» [En línea]. Available: http://www.dexcom.com/es-ES.

[21] «Compra de productos FreeStyle Libre,» [En línea]. Available:

http://www.freestylelibre.es/products.html.

[22] «Monitor continuo de glucosa Dexcom G4 Platinum. Novalab Iberica - ADE Madrid,» [En línea].

Available: https://ademadrid.files.wordpress.com/2013/05/oferta-mcg-dexcom-g4-platinum.pdf.

[23] Timothy Bailey, Bruce W. Bode, Mark P. Christiansen, Leslie J. Klaff, and Shridhara Alva, «The

Performance and usability of a factory-calibrated flash glucose monitoring system,» Diabetes

Technology & Therapeutics, vol. 17, nº 11, pp. 787 - 794, 2015.

[24] Maran A, Crepaldi C, Tiengo A, Grassi G, Vitali E, Pagano G, Bistoni S, Calabrese G, Santeusanio F,

Leonetti F, Ribaudo M, Di Mario U, Annuzzi G, Genovese S, Riccardi G, Previti M, Cucinotta D,

Giorgino F, Bellomo A, Giorgino R, Poscia A, Varalli M., «Continuous subcutaneous glucose

monitoring in diabetic patients: a multicenter analysis,» Diabetes Care, vol. 25, nº 2, pp. 347 - 352,

2002.

[25] Bungay PM, Morrison PF, Dedrick RL, «Steady-state theory for quantitative microdialysis of solutes

and water in vivo and in vitro,» Life Sci , vol. 46, pp. 105 - 119, 1990.

[26] Kubiak T, Wörle B, Kuhr B, Nied I, Gläsner G, Hermanns N et al. , «Microdialysis-based 48-h

continuous glucose monitoring with GlucoDay: clinical performance and patients’ acceptance,»

Diabetes Technol Ther , vol. 8, pp. 570 - 575, 2006.

[27] Wentholt IM, Vollebregt MA, Hart AA, Hoekstra JB, De Vries JH, «Comparison of a needle-type and a

microdialysis continuous glucose monitor in Type 1 diabetic patients,» Diabetes Care, vol. 28, pp. 2871

- 2876, 2005.

[28] S. Gebhart, M. Faupel, R. Fowler, C. Kapsner, D. Lincoln, V. McGee, et al., «Glucose sensing in

transdermal body fluid collected under continuous vacuum pressure via micropores in the stratum

corneum,» Diabetes Technol. Ther. , vol. 5, pp. 159 - 166, 2003.

Referencias

86

[29] S. Mitragotri, M. Coleman, J. Kost, R. Langer, «Analysis of ultrasonically extracted interstitial fluid as a

predictor of blood glucose levels,» J. Appl. Physiol., vol. 89, pp. 961 - 966, 2000.

[30] Kost J, Mitragotri S, Gabbay RA, Pishko M, Langer R. , «Transdermal monitoring of glucose and other

analytes using ultrasound,» Nat Med, vol. 6, pp. 347 - 350, 2000.

[31] Chuang H, Taylor E, Davidson TW, «Clinical evaluation of a continuous minimally invasive glucose

flux sensor placed over ultrasonically permeated skin,» Diabetes Technol Ther , vol. 6, pp. 21 - 30,

2004.

[32] R.T. Kurnik, J.J. Oliver, S.R. Waterhouse, T. Dunn, Y. Jayalakshmi, M. Lesho, et al., «Application of

the mixtures of experts algorithm for signal processing in a noninvasive glucose monitoring system,»

Sens. Actuators B: Chem, vol. 60, pp. 19 - 26, 1999.

[33] K.R. Pitzer, S. Desai, T. Dunn, S. Edelman, Y. Jayalakshmi, J. Kennedy, et al., «Detection of

hypoglycemia with the GlucoWatch biographer,» Diab. Care, vol. 24, pp. 881 - 885, 2001.

[34] Tierney MJ, Tamada JA, Potts RO, Jovanovic L, Garg S, «The Cygnus Research Team. Clinical

evaluation of the GlucoWatch Biographer: a continual, non-invasive glucose monitor for patients with

diabetes,» Biosens Bioelectron, vol. 16, pp. 621 - 629, 2001.

[35] The Diabetes Research in Children Network Study Group, «Accuracy of the GlucoWatch G2

Biographer and the continuous glucose monitoring system during hypoglycaemia,» Diabetes Care, vol.

27, pp. 722 - 726, 2004.

[36] Amay J. Bandodkar, Wenzhao Jia, Ceren Yardimci, Xuan Wang, Julian Ramirez, and Joseph Wang,

«Tattoo-based noninvasive glucose monitoring: A proof of concept study,» Anal. Chem. , vol. 87, p. 394

− 398, 2015.

[37] Universidad del País Vasco, «Espectroscopia Infrarroja,» [En línea]. Available:

http://www.ehu.eus/imacris/PIE06/web/IR.htm.

[38] K. Kajiwara, T. Uemura, H. Kishikawa, K. Nishida, Y. Hashiguchi, M. Uehara, et al., «Non-invasive

measurement of blood glucose concentrations by analyzing Fourier transform infrared absorbance

spectra through oral mucosa,» Med. Biol. Eng. Comput., vol. 31, pp. 19 - 22, 1993.

[39] R.W. Waynant, V.M. Chenault, «Overview of non-invasive fluid glucose measurement using optical

techniques to maintain glucose control in diabetes mellitus,» Last checked 22/3/2006 .

[40] H. Yki-Jarvinen, T. Utriainen, «Insulin-induced vasodilatation: physiology or pharmacology?,»

Diabetologia, vol. 41, p. 369 – 379, 1998.

[41] P.H. Oomen, G.D. Kant, R.P. Dullaart,W.D. Reitsma, A.J. Smit, «Acute hyperglycemia and

hyperinsulinemia enhance vasodilatation in Type 1 diabetes mellitus without increasing capillary

permeability and inducing endothelial dysfunction,» Microvasc. Res., vol. 63, nº 1, pp. 1 - 9, 2002.

[42] R.G. Sibbald, S.J. Landolt, D. Toth, «Skin and diabetes,» Endocrinol. Metab. Clin. North Am., vol. 25,

p. 463 – 472, 1996.

[43] V.M. Monnier, O. Bautista, D. Kenny, D.R. Sell, J. Fogarty, W. Dahms, et al., «Skin collagen glycation,

glycoxidation, and crosslinking are lower in subjects with long-term intensive versus conventional

therapy of Type 1 diabetes: relevance of glycated collagen products versus HbA1c as markers of


diabetic complications.,» Diabetes, vol. 48, p. 870 – 880, 1999.

[44] S.J. Yeh, O.S. Khalil, C.F. Hanna, S. Kantor, «Near-infrared thermo-optical response of the localized

reflectance of intact diabetic and nondiabetic human skin,» J. Biomed. Opt., vol. 8, p. 534 – 544, 2003.

[45] G. Mazarevica, T. Freivalds, A. Jurka, «Properties of erythrocyte light refraction in diabetic patients,» J.

Biomed. Opt., vol. 7, pp. 244 - 247, 2002.

[46] R. Fusman, R. Rotstein, K. Elishkewich, D. Zeltser, S. Cohen, M. Kofler, «Image analysis for the

detection of increased erythrocyte, leukocyte and platelet adhesiveness/aggregation in the peripheral

blood of patients with diabetes mellitus,» Acta Diabetol, vol. 38, pp. 129 - 134, 2001.

[47] J. Kay-Uwe, F. Christoph, D. Klaus, A.M. Ulrich, M. Bernardo, «Application of near-infrared

spectroscopy for non-invasive determination of blood/tissue glucose using neural networks,» Z. Phys.

Chem., vol. 191, pp. 2179 - 2190, 1995.

[48] C. Araujo-Andrade, R. Facundo, J.R. Martinez-Mendoza, H. Terrenes, «Non-invasive in-vivo blood

glucose levels prediction using near infrared spectroscopy,» AIP Conf. Proc., vol. 724, pp. 2340 - 239,

2004.

[49] S.S. Chit, Z. Xiqin, C. Jianhong, P. Raveendran, S.P. Hong, J.H. Yeo, «Blood glucose prediction using

neural network,» 2008.

[50] Z.M. Chuah, P. Raveendran, «Comparison analysis between PLS and NN in noninvasive blood glucose

concentration prediction,» de International Conference for Technical Postgraduates (TECHPOS), Kuala

Lumpur, 2009.

[51] M. Tamilselvi y G. Ramkumar, «Non-invasive tracking and monitoring glucose content using near

infrared spectroscopy,» de IEEE International Conference on Computational Intelligence and

Computing Research (ICCIC), Madurai, 2015.

[52] L. Brancaleon, M.P. Bamberg, T. Sakamaki, N. Kollias, «Attenuated total reflection-Fourier transform

infrared spectroscopy as a possible method to investigate biophysical parameters of stratum corneum in

vivo,» J. Invest. Dermatol., vol. 116, pp. 380 - 386, 2001.

[53] Burmeister JJ, Arnold MA, Small GW, «Non-invasive blood glucose measurements by near-infrared

transmission spectroscopy across human tongues,» Diabetes Technol Ther, vol. 2, pp. 5 - 16, 2000.

[54] Huang L, Ding HS, Wang GZ, «The preliminary study on non-invasive detection using NIR diffusion

reflectance spectrum for monitoring blood glucose.,» Spectrosc Spectr Anal, vol. 22, pp. 387 - 391,

2002.

[55] R.A. Buda and M. Mohd. Addi, «A portable non-invasive blood glucose monitoring device,» de

Biomedical Engineering and Sciences (IECBES), IEEE, 2014.

[56] M.R. Robinson, R.P. Eaton, D.M. Haaland, G.W. Keep, E.V. Thomas, B.R. Stalled, P.L. Robinson,

«Non-invasive glucose monitoring in diabetic patients: a preliminary evaluation,» Clin. Chem. , vol. 38,

pp. 1618 - 1622, 1992.

[57] H.M. Heise, R. Marbach, T.H. Koschinsky, H.M. Gries, «Non-invasive blood glu-cose sensors based on

near-infrared spectroscopy,» Artif. Organs, vol. 18, pp. 439 - 447, 1994.

Referencias

88

[58] U.A. Muller, B. Mertes, C. Fischbacher, K.U. Jageman, K. Danzer, «Non-invasive blood glucose

monitoring by means of near infrared spectroscopy: methods for improving the reliability of the

calibration models,» Int. J. Artif. Organs, vol. 20, nº 5, pp. 285 - 290, 1997.

[59] K. Danzer, C.H. Fischbacher, K.U. Jagemann, K.J. Reichelt, «Near infrared dif-fuse reflection

spectroscopy for non-invasive blood glucose monitoring,» LEON Newslett, vol. 12, nº 2, pp. 9 - 11,

1998.

[60] F.M. Stephen, L.R. Timothy, B.B. Thomas, N.T. Suresh, L.M. Stephen, «Noninvasive prediction of

glucose by near-infrared diffuse reflectance spectroscopy,» Clin. Chem. , vol. 45, nº 9, pp. 1651 - 1658,

1999.

[61] Y. Shu-Jen, F.H. Charles, S.K. Omar, «Monitoring blood glucose changes in cutaneous tissue by tissue

by temperature-modulated localized reflectance measurements,» Clin. Chem., vol. 49, nº 6, pp. 924 -

934, 2003.

[62] K. Maruo, M. Tsurugi, C. Jakusei, O. Tomohiro, A. Hidenobu, Y. Yukio, T.Mamoru, I. Masataka, O.

Yukihiro, «Noninvasive blood glucose assay using a newly developed near-infrared system,» J. Sel.

Top. Quant. Electron., vol. 9, nº 2, pp. 322 - 330, 2003.

[63] X. Kexin, Q. Qingjun, J. Jingying, Y. Xiuyan, «Non-invasive glucose sensing with near-infrared

spectroscopy enhanced by optical measurement conditions reproduction technique,» Opt. Lasers Eng. ,

vol. 43, pp. 1096 - 1106, 2005.

[64] J.J. Burmeister, M.A. Arnold, G.W. Small, «Evaluation of measurement sites for noninvasive blood

glucose sensing near-infrared transmission spectroscopy,» Clin. Chem. , vol. 45, pp. 1621 - 1627, 1999.

[65] L. Rong, C. Wenliang, C. Yun, X. Kexin, «Influence of temperature on the precision of noninvasive

glucose sensing by near-infrared spectroscopy,» de Optical Diagnostics and Sensing VIII, 2008.

[66] C.D. Brown, H.T. Davis, M.N. Ediger, C.M. Fleming, E.L. Hull, M. Rohrscheib, «Clinical assessment

of near-infrared spectroscopy for noninvasive diabetes screening,» Diabetes Technol. Ther., vol. 7, nº 3,

pp. 456 - 466, 2005.

[67] E.T. Ooi, X.Q. Zhang, J.H. Chen, P.H. Soh, K. Ng, J.H. Yeo, «Non-invasive blood glucose

measurement using multiple laser diodes,» de Optical Diagnostics and Sensing VII, 2007.

[68] Z. Xiqin, H.Y. Joon, «Temperature influence on non-invasive blood glucose measurement,» de Optical

Diagnostics and Sensing IX, 2009.

[69] G. Guevara, «Joint optical–electrical technique for non-invasive glucose monitoring,» Mex. J. Phys., vol.

56, pp. 430 - 434, 2010.

[70] Yoshinari H., Ishizawa H., Fukuda M., Tokutake S., Koyama S., Miyauchi Y., «Non-invasive Self

Monitoring of Blood Glucose System using near-infrared spectroscopy,» de SICE Annual Conference

(SICE), Akita, 2012.

[71] Yatim N.N.M., Zain Z.M. , Jaafar M.Z. , Md Yusof Z. , Laili A.R. , Laili M.H. , Hisham M.H.,

«Noninvasive glucose level determination using diffuse reflectance NIR spectroscopy and chemometrics

analysis based on in vitro sample and human skin,» de Systems, Process and Control (ICSPC), IEEE

Conference, Kuala Lumpur, 2014.


[72] Shen YC, Davies AG, Linfield EH, Taday PF, Arnone DD, «The use of Fourier transform infrared

spectroscopy for the quantitative determination of glucose concentration in whole blood,» Phys Med

Biol, vol. 48, pp. 2023 - 2032, 2003.

[73] H.M. Heise, R. Marbach, «Human oral mucosa studies with varying blood glucose concentration by

non-invasive ATR-FTIR- spectroscopy,» Cell. Mol. Biol. (Noisy-le-grand), vol. 44, pp. 899 - 912, 1998.

[74] Shouhei Koyama, Yuki Miyauchi, Takuro Horiguchi, Hiroaki Ishizawa, «Non-invasive measurement of

blood glucose of diabetic based on IR Spectroscopy,» de SICE Annual Conference 2010, The Grand

Hotel, Taipei, Taiwan, 2010.

[75] Sabbir Liakat, Kevin A. Bors, Tzu-Yung Huang, Anna P. M. Michel, «In vitro measurements of

physiological glucose concentrations in biological fluids using mid-infrared light,» Biomedical optics

express, vol. 4, nº 7, pp. 1083 - 1090, 2013.

[76] Sabbir Liakat, Kevin A. Bors, Laura Xu, Callie M. Woods, Jessica Doyle y Claire F. Gmachl,

«Noninvasive in vivo glucose sensing on human subjects using mid-infrared light,» Biomedical optics

express, vol. 5, nº 7, pp. 2397 - 2404, 2014.

[77] K.V. Larin, M.S. Eledrisi, M. Motamedi, R.O. Esenaliev, «Noninvasive blood glucose monitoring with

optical coherence tomography: a pilot study in human subjects,» Diabetes Care, vol. 25, p. 2263 – 2267,

2002.

[78] S.J. Yeh, C.F. Hanna, O.S. Khalil, «Monitoring blood glucose changes in cutaneous tissue by

temperature-modulated localized reflectance measurements,» Clin. Chem., vol. 49, pp. 924 - 934, 2003.

[79] L. Heinemann, U. Kramer, H.M. Klotzer, M. Hein, D. Volz, M. Hermann, et al., «Noninvasive glucose

measurement by monitoring of scattering coefficient during oral glucose tolerance tests,» Non-Invasive

Task Force, Diabetes Technol. Ther. , vol. 2, pp. 211 - 220, 2000.

[80] Ruoyu He, Huajiang Wei, Huimin Gu et al., «Effects of optical clearing agents on noninvasive blood

glucose monitoring with optical coherence tomography: a pilot study,» Journal of Biomedical Optics,

vol. 17, nº 10, p. 101513, 2012.

[81] Guthermann, H.E., Misner, M.W., Block, M.J., «Kromoscopic identification of in vivo water

variations,» Journal of Near Infrared Spectroscopy, vol. 12, nº 4, pp. 233 - 239, 2004.

[82] Airat K. Amerov, Mark A. Arnold, «In Vitro Kromoscopic Analysis of Glucose in Blood,» de Optical

Diagnostics and Sensing in Biomedicine III, San Jose, CA , 2003.

[83] Airat K. Amerov, Jun Chen, Gary W.Small, Mark A. Arnold, «The influence of glucose upon the

transport of light through whole blood,» de Complex Dynamics, Fluctuations, Chaos, and Fractals in

Biomedical Photonics, San Jose, CA, 2004.

[84] Block, Myron J., «Photonics design & solutions kromoscopic analysis challenges spectroscopy,»

Photonics Spectra, vol. 28, nº 6, pp. 135 - 139, 1994.

[85] Airat K. Amerov, Yu Sun, Gary W. Small, Mark A. Arnold, «Kromoscopic measurement of glucose in

the first overtone region of the near infrared spectrum,» de Optical Diagnostics and Sensing of

Biological Fluids and Glucose and Cholesterol Monitoring II, San Jose, CA, 2002.

[86] UNED, «Técnicas instrumentales fisicoquímica,» [En línea]. Available:

Referencias

90

http://www.uned.es/094258/contenido/tecnicas/polarimetria/polarimetria.htm.

[87] Gilbert Rodríguez Paucar, «Slideshare. Polarimetría.,» [En línea]. Available:

http://es.slideshare.net/cyd17/polarimetria-2013.

[88] «Departamento de Biología y Geología,» 2015. [En línea]. Available:

http://biologiaaldecoa.blogspot.com.es/2015/09/unidad-1-bioquimica-glucidos.html.

[89] Cameron BD, Baba JS, Coté GL., «Optical polarimetry applied to the development of a noninvasive

vivo glucose monitor,» San Jose, CA, 2004.

[90] Cote GC., «Innovative non- or minimally-invasive technologies for monitoring health and nutritional

status in mothers and young children,» J Nutr, vol. 131, p. 596S – 604S, 2001.

[91] McNichols RJ, Coté GL., «Optical glucose sensing in biological fluids: an overview,» J Biomed Opt,

vol. 5, pp. 5 - 16, 2000.

[92] Jang S, Fox MD., «Optical glucose sensor using a single faraday rotator,» de Bioengineering

Conference, Durham, NH, 1997.

[93] Baba JS, Cameron BD, Theru S, Coté GL. , «Effect of temperature, PH, and corneal birefringence on

polarimetric glucose monitoring in the eye,» J Biomed Opt , vol. 7, pp. 321 - 328, 2002.

[94] O.S. Khalil, «Spectroscopic and clinical aspects of noninvasive glucose measurements,» Clin. Chem.,

vol. 45, pp. 165 - 177, 1999.

[95] Cameron BD, Anumula H. , «Development of a real-time corneal birefringence compensated glucose

sensing polarimeter,» Diabetes Technol Ther, vol. 8, pp. 156 - 164, 2006.

[96] Georgeanne Purvinis, Brent D. Cameron and Douglas M. Altrogge, «Noninvasive Polarimetric-Based

Glucose Monitoring: An in Vivo Study.,» Journal of Diabetes Science and Technology, vol. 5, nº 2,

2011.

[97] Yokota M, Sato Y, Yamaguchi I, Kenmochi T, Yoshino T., «A compact polarimetric glucose sensor

using a high-performance fibre-optic Faraday rotator,» Meas Sci Technol, pp. 143 - 147, 2004.

[98] Rawer R, StorkW, Kreiner CF. , «Non-invasive polarimetric measurement of glucose concentration in

the anterior chamber of the eye,» Graefe’s Arch Clin Exp Ophthalmol, vol. 242, pp. 1017 - 1023, 2004.

[99] Lo YL, Yu TC., «A polarimetric glucose sensor using a liquid cristal polarization modulator driven by a

sinusoidal signal,» Opt Commun , vol. 259, pp. 40 - 48, 2006.

[100] Casey W. Pirnstill and Gerard L. Coté, «Modeling the optical coupling across the anterior chamber of

the eye towards polarimetric glucose sensing,» de Optical Diagnostics and Sensing XIV: Toward Point-

of-Care Diagnostics.

[101] Heinemann L, Krämer U, Klötzer HM, Hein M, Volz D, Hermann M et al., «Non-invasive glucose

measurement by monitoring of scattering coefficient during oral glucose tolerance tests,» Diabetes

Technol Ther, vol. 2, pp. 211 - 220, 2000.

[102] O.S. Khalil, «Non-invasive glucose measurement technologies: an update from 1999 to the dawn of the

new millennium,» Diabetes Technol. Ther, vol. 6, pp. 660 - 697, 2004.


[103] Carl D. Malchoff, Julian I. Landau, Kamal Shoukri, Janusz M. Buchert, «A Novel Noninvasive Blood

Glucose Monitor,» Diabetes Care, vol. 25, p. 2268 – 2275, 2002.

[104] Berger AJ, Itzkan I, Feld MS., «Feasibility of measuring blood glucose concentration by near-infrared

Raman spectroscopy,» Spectrochim Acta A, vol. 53, pp. 287 - 292, 1997.

[105] A. Owyoung, E. Jones, «Stimulated Raman spectroscopy using low-power cw lasers,» Opt. Lett., vol. 1,

pp. 152 - 154, 1977.

[106] Randall V. Tarr and Paul G. Steffes , «The Non-Invasive Measure of D-Glucose in the Ocular Aqueous

Humor using Stimulated Raman Spectroscopy,» [En línea]. Available:

http://photonicssociety.org/newsletters/apr98/dgloucose.htm.

[107] Ellis DI, Goodacre R., «Metabolic fingerprinting in disease diagnosis: biomedical applications of

infrared and Raman spectroscopy,» Analyst, vol. 131, pp. 875 - 885, 2006.

[108] C.R. Yonzon, C.L. Haynes, X. Zhang, J.T. Walsh Jr., R.P. Van Duyne, «A glucose biosensor based on

surface-enhanced Raman scattering: improved partition layer, temporal stability, reversibility, and

resistance to serum protein interference,» Anal. Chem. , vol. 76, pp. 78 - 85, 2004.

[109] Dieringer JA, McFarland AD, Shah NC, Stuart DA, Whitney AV, Yonzon CR et al., «Surface-enhanced

Raman spectroscopy: new materials, concepts, characterization tools, and applications,» Faraday

Discuss, vol. 132, pp. 9 - 27, 2006.

[110] Ergin A, Thomas GA, «Non-invasive detection of glucose in porcine eyes,» de 31st IEEE Annual

Northeast Bioengineering Conference, Hoboken, 2005.

[111] Lambert JL, Morookian JM, Sirk SJ, Borchert MS., «Measurement of aqueous glucose in a model

anterior chamber using Raman spectroscopy,» J Raman Spectrosc, vol. 33, pp. 524 - 529, 2002.

[112] P.J. Caspers, G.W. Lucassen, G.J. Puppels, «Combined in vivo confocal Raman spectroscopy and

confocal microscopy of human skin,» Biophys. J., vol. 85, pp. 572 - 580, 2003.

[113] Fine I, Fikhte B, Shvartsman LD., «Occlusion spectroscopy as a new paradigm for non-invasive blood

measurements,» Proc Soc Photo Opt Instrum Eng, vol. 4263, pp. 122 - 130, 2001.

[114] «OrSense NBM 200,» [En línea]. Available: http://www.orsense.com/product.php?ID=46.

[115] Amir O, Weinstein D, Zilberman S, Less M, Perl-Treves D, Primack H et al., «Continuous non-invasive

glucose monitoring technology based on occlusion spectroscopy,» J Diabetes Sci Technol, vol. 1, pp.

463 - 469, 2007.

[116] Cohen O, Fine I, Monashkin E, Karasik A., «Glucose correlation with light scattering patterns - a novel

method for non-invasive glucose measurements,» J Diabetes Technol Ther , vol. 5, pp. 11 - 17, 2003.

[117] Y. Shen, Z. Lu, S. Spiers, H.A. MacKenzie, H.S. Ashton, J. Hannigan, et al., «Measurement of the

optical absorption coefficient of a liquid by use of a time-resolved photoacoustic technique,» Appl. Opt.,

vol. 39, pp. 4007 - 4012, 2000.

[118] Jonas Kottmann, Julien M. Rey, Joachim Luginbühl, Ernst Reichmann and Markus W. Sigrist, «Glucose

sensing in human epidermis using mid-infrared photoacoustic detection,» Biomedical Optics Express,

vol. 3, nº 4, pp. 667 - 680, 2012.

Referencias

92

[119] Spanner G, Niessner R., «Non-invasive determination of blood constituents using an array of modulated

laser diodes and a photoacoustic sensor head,» Fresenius J Anal Chem, vol. 355, pp. 327 - 328, 1996.

[120] MacKenzie HA, Ashton HS, Shen YC, Lindberg J, Rae P, Quan KM et al., «Blood glucose

measurements by photoacoustics,» OSA Trends in Optics and Photonics Series, vol. 22, pp. 156 - 159,

1998.

[121] H.A. MacKenzie, H.S. Ashton, S. Spiers, Y. Shen, S.S. Freeborn, J. Hannigan, et al., «Advances in

photoacoustic noninvasive glucose testing,» Clin. Chem., vol. 45, pp. 1587 - 1595, 1999.

[122] Glucon Medical-non Invasive glucose monitoring, video clip by Virtual Point 3D medical animation.

[Performance].

[123] Weiss R, Yegorchikov Y, Shusterman A, Raz I., «Non-invasive continuous glucose monitoring using

photoacoustic technology - results from the first 62 subjects,» Diabetes Technol Ther , vol. 9, pp. 68 -

74, 2007.

[124] John C. Pickup, Faeiza Hussain, Nicholas D. Evans, Olaf J. Rolinski, David J.S. Birch, «Fluorescence-

based glucose sensors,» Biosensors and Bioelectronics, vol. 20, p. 2555 – 2565, 2005.

[125] Ramachandram Badugu, Joseph R Lakowicz and Chris D Geddes, «A glucose-sensing contact lens:

from bench top to patient,» Current Opinion in Biotechnology , vol. 16, p. 100 – 107, 2005.

[126] J. Sandby-Moller, T. Poulsen, H.C.Wulf , «Influence of epidermal thickness, pigmentation and redness

on skin autofluorescence.,» Photochem. Photobiol. , vol. 77, pp. 616 - 620, 2003.

[127] Nicholas M. Farandos , Ali K. Yetisen , Michael J. Monteiro , Christopher R. Lowe and Seok Hyun

Yun, «Contact lens sensors in ocular diagnostics,» Adv. Healthcare Mater. , vol. 4, pp. 792 - 810, 2015.

[128] Badugu R, Lakowicz JR, Geddes CD, «A glucose-sensing contact lens: from bench top to patient.,» Cur

Opin Biotechnol , vol. 16, pp. 100 - 7, 2005.

[129] March W, Lazzaro D, Rastogi S, «Fluorescent measurement in the non-invasive contact lens glucose

sensor.,» Diabetes Technol Ther, vol. 8, pp. 312 - 317, 2006.

[130] T.A. Hillier, R.D. Abbott, E.J. Barrett, «Hyponatremia: evaluating the correction factor for

hyperglycemia,» Am. J. Med. , vol. 106, pp. 399 - 403, 1999.

[131] I. Ermolina, Y. Polevaya, Y. Feldman, «Analysis of dielectric spectra of eukaryotic cells by computer

modelling,» Eur. Biophys. J., vol. 29, pp. 141 - 145, 2000.

[132] Y. Polevaya, I. Ermolina, M. Schlesinger, B.Z. Ginzburg, Y. Feldman, «Time domain dielectric

spectroscopy study of human cells. II. Normal and malignant white blood cells,» Biochim. Biophys., pp.

257 - 271, 1999.

[133] Pfützner A, Caduff A, Larbig M, Schrepfer T, Forst T., «Impact of posture and fixation technique on

impedance spectroscopy used for continuous and non-invasive glucose monitoring,» Diabetes Technol

Ther , vol. 6, pp. 435 - 441, 2004.

[134] A. Caduff, E. Hirt, Y. Feldman, Z. Ali, L. Heinemann, «First human experiments with a novel non-

invasive, non-optical continuous glucose monitoring system,» Biosens. Bioelectron., vol. 19, pp. 209 -


217, 2003.

[135] [En línea]. Available: http://chuansong.me/n/1724296.

[136] Wentholt IME, Hoekstra JBL, Zwart A, DeVries JH, «Pendra goes Dutch: lessons for the CE mark in

Europe,» Diabetologia, vol. 48, pp. 1055 - 1058, 2005.

[137] Pfützner A, Caduff A, Larbig M, Schrepfer T, Forst T., «Impact of posture and fixation technique on

impedance spectroscopy used for continuous and noninvasive glucose monitoring,» Diabetes Technol

Ther, vol. 6, pp. 435 - 441, 2004.

[138] Caduff A, Dewarrat F, Talary M, Stalder G, Heinemann L, Feldman Y, «Non-invasive glucose

monitoring in patients with diabetes: a novel system based on impedance spectroscopy,» Biosens

Bioelectron , vol. 22, pp. 598 - 604, 2006.

[139] Heungjae Choi, Jack Nylon, Stephen Luzio, Jan Beutler and Adrian Porch, «Design of continuous non-

invasive blood glucose monitoring sensor based on a microwave split ring resonator,» de RF and

Wireless Technologies for Biomedical and Healthcare Applications (IMWS-Bio), 2014 IEEE MTT-S

International Microwave Workshop Series, Londres, 2014.

[140] G.R. Moran, K.R. Jeffrey, J.M. Thomas, J.R. Stevens, «A dielectric analysis of liquid and glassy solid

glucose/water solutions,» Carbohydr. Res., vol. 328, pp. 573 - 584, 2000.

[141] Ángel María Fernández Barahona, «TGF: Análisis e implementación de un sensor para la detección no

invasiva de glucosa,» 2015.

[142] Damianou, Damianos, «The wavelength dependence of the photoplethysmogram and its implication to

pulse oximetry,» 1995.

[143] Stefan Radel, Markus Brandstetter, Bernhard Lendl, «Observation of particles manipulated by

ultrasound in close proximity to a cone-shaped infrared spectroscopy probe,» Ultrasonics , vol. 50, pp.

240 - 246, 2010.

[144] Thomas Laurell; Andreas Lenshof, Microscale acoustofluidics, Cambridge: Royal Society of Chemistry,

2015.

[145] Filip Petersson, Andreas Nilsson, Cecilia Holm, Henrik Jonsson and Thomas Laurell, «Separation of

lipids from blood utilizing ultrasonic standing waves in microfluidic channels,» Analyst, vol. 129, pp.

938 - 943, 2004.

[146] Md Koushik Chowdhury, Anuj Srivastava, Neeraj Sharma, Shiru Sharma, «The influence of blood

glucose level upon the transport of light in diabetic and nondiabetic subjects,» International Journal of

Biomedical and Advance Research, vol. 4, nº 5, pp. 2229 - 3809, 2013.

[147] «Mathworks. Redes Neuronales.,» [En línea]. Available: http://es.mathworks.com/discovery/redes-

neuronales.html.

94

ÍNDICE DE CONCEPTOS

C

Complicaciones de la diabetes 8

Conclusiones 81

Criterios para evaluar la precisión de los SMCG 12

Cuadrícula de análisis consensuado de errores 14

Cuadrícula de análisis de errores de Clarke 13

D

Descripción de las etapas del primer prototipo 49

Descripción de las etapas del segundo prototipo 55

Descripción del prototipo de partida 40

Detección electromagnética 37

Diabetes mellitus 7

Diabetes Mellitus tipo 1 7

Diabetes mellitus tipo 2 7

Dispersión 30

E

Espectroscopia de impedancia 36

Espectroscopia de oclusión 32

Espectroscopia del infrarrojo cercano 21

Espectroscopia del infrarrojo medio 23

Espectroscopia fotoacústica 33

Espectroscopia infrarroja térmica 31

Espectroscopia Raman 31

F

Fluorescencia 34

H

Hiperglucemia 7

Hipoglucemia 8

I

Iontoforesis 19

K

Kromoscopia 27

L

Líquido intersticial 12

M

Metodología 41

Microdiálisis 17

Modelo general 75

Modelo personalizado 77


P

Polarimetría 28

Programación del PIC32 63

Programación en Matlab 65

Protocolo de comunicación para el envío de datos 63

R

Realización de los ensayos 67

Recolección de ISF 18

Redes neuronales 72

S

Selección de la tecnología a desarrollar 38

Sensores con aguja subcutánea 15

Sistemas de auto-monitorización de glucosa en plasma 11

Sistemas de monitorización continua de glucosa 11

T

Técnicas invasivas y mínimamente invasivas de monitorización continua de glucosa 15

Técnicas no invasivas de monitorización de glucosa 20

Tomografía de coherencia óptica 25

Trabajo futuro 83

V

Validación 79

96

GLOSARIO

ADP: Difosfato de adenosina 5

ATP: Trifosfato de adenosina 5

ATR: Reflexión total atenuada 25

CSII: Bomba de infusión continua de insulina 9

DCCT: Control de la diabetes y sus complicaciones 9

DM: Diabetes Mellitus 7

DM-1: Diabetes Mellitus de tipo 1 7

DM-2: Diabetes Mellitus de tipo 2 7

FID: Federación Internacional de Diabetes 1

FT-IR: Espectroscopia infrarroja por transformada de Fourier 25

IMC: Índice de masa corporal 74

ISF: Líquido intersticial 12

ISO: International Organization for Standardization 14

MDI: Múltiples inyecciones diarias 9

MIR: Región espectral del infrarrojo medio 23

NIR: Región espectral del infrarrojo cercano 21

RAD: Diferencia absoluta relativa 13

SMBG: Sistemas de auto-monitorización de glucosa en plasma 11

SMCG: Sistemas de monitorización continua de glucosa 11

TCO: Tomografía de coherencia óptica 25

VLDL: Lipoproteína de muy baja densidad 7

97

ANEXO A

Glucómetro_con_ultrasonidos.pde

/*

pulso 40khz

*/

#include <plib.h>

int cuentaIR = 0; //para generar la onda cuadrada del IR

int cuentasalida = 0; //para leer la salida de mi sensor

int picoapico = 0; //para leer la salida de mi sensor

int mimax = 0;

int mimin = 1023;

int aux;

int estadoIR = 0; //0 apagado, 1 encendido

void setup() {

pinMode(3, OUTPUT); //pin 3 es el D2 salida ultrasonido (CON2 PIN 3 pinguino micro)

pinMode(4, OUTPUT); //pin 4 es el D4 salida led (CON2 PIN 1 pinguino micro)

pinMode(5, INPUT); //pin 5 es el D5 ADC A0 (CON2 PIN 16 pinguino micro)

Serial.begin(9600); //para comunicar la salida

T2CONCLR = T2_ON; // Apagar el temporizador

T2CON = T2_PS_1_1; // Establecer el preescalado

TMR2 = 0; // Reiniciar el contador

PR2 = 2048; // Establecer el periodo

T2CONSET = T2_ON; // Encender el temporizador

OC1R = 2048; // Cargar el valor inicial en el registro del ciclo de trabajo

OC1RS = 2048; // Cuando un periodo finalice el contenido de OC1RS se carga en OC1R

OC1CON = OC_TIMER2_SRC | OC_PWM_FAULT_PIN_DISABLE; // Establecer el temporizador 2 como

fuente

OC1CONSET = OC_ON;

}

void loop() {

SetDCOC1PWM(0);

Anexo A

98

delay(2); //4 ms en total para conseguir 250Hz

SetDCOC1PWM(1024);

delay(2);

aux = analogRead(A0);

if (aux>mimax) mimax=aux;

if (aux<mimin) mimin=aux;

cuentaIR=cuentaIR+1;

if (cuentaIR == 125){//125*4=500ms encendido, 500 ms apagado

cuentaIR = 0;

if (estadoIR == 0){digitalWrite(4, HIGH);

estadoIR = 1;

} else{digitalWrite(4, LOW);

estadoIR = 0;

cuentasalida=cuentasalida+1;

if (cuentasalida == 3){ //cada 3 segundos

cuentasalida = 0;

picoapico = mimax-mimin;

mimax=0;

mimin=1023;

Serial.print("valor: ");

Serial.println(picoapico);

}

}

}

}


Datos_glucometro.m

global pserie;

clear all

clc

figure(1)

pserie = serial('COM5');

set(pserie,'Timeout',10000,'BaudRate',9600,'FlowControl','none');

close(1)

fopen(pserie)

fin=0;

ngraficas=0;

valor_ant=0;

maxv=1023;

minv=0;

ini_samp=64;

nsamp=512;

max_samp=ini_samp;

while (fin==0)

vector_x=0;

vector_y=0;

for n=1:1:max_samp

valor=str2double(fscanf(pserie)); %convierte un caracter ASCII que le llega del pserie a un valor

escalar

if valor>maxv

maxv=valor;

end

if valor<minv

minv=valor;

end

dvalor=valor-valor_ant;

valor_ant=valor;

texto=sprintf('Valor=%u , diferencia=%d',valor,dvalor);

vector_x(n)=n;

vector_y(n)=valor;

plot(vector_x,vector_y,'LineWidth',2);

hold on

axis([1 max_samp 545 700])

drawnow;

hold off

end

ngraficas=ngraficas+1;

if ngraficas>1

max_samp=nsamp;

end

Anexo A

100

if ngraficas>18

fin=1;

end

end

fclose(pserie)

Glucometro_2LED_codv2.pde

#include <plib.h>

#define CON2_1 4 // El CON2-1 corresponde al D4

#define CON2_3 2 // El CON2-3 corresponde al D2

#define CON2_13 A3 // El CON2-13 corresponde al A3

#define CON2_14 A2 // Salida filtrada y amplificada

#define CON2_15 A1 // Libre (por si es necesario)

#define CON2_16 A0 // Salida del sensor

// Para hallar a qué pinMode corresponde un pin físico:

// Miramos el pin físico que queremos utilizar, por ejemplo, el pin CON-2 3.

// Lo buscamos en el esquema del micro del datasheet y miramos las funciones que

// puede realizar, en este caso: OC5/IC5/PMWR/CN13/RD4.

// Buscamos eso en el esquema de la hoja de correspondencia del PIC32 PINGUINO OTG

// y vemos que se corresponde con D2(BUT). Siguiendo la línea, nos lleva a D2.

// Como es un pin digital, no es necesario utilizar la D, por lo que el pinMode será 2

#define TM 10 // Define el tiempo de muestreo

#define LEDR CON2_3 // La señal del Led rojo vendrá por el CON-2 3

#define LEDIR CON2_1 // La señal del Led IR vendrá por el CON-2 1

int Te=1000*5; // Tiempo de encendido en ms

int cuentaTe=0;

int Ts=500; // Tiempo de separacion en ms

int cuentaTs=0;

int valorIR;

int valoraux;

int valorLEDR;

int valor0;

int T0=0;

int Tf=0;

int Tx=0;

int parIR=0;


int parsep1=0;

int parLEDR=0;

int parsep2=0;

int aux;

int aux2;

unsigned char b0;

unsigned char b00;

unsigned char b1;

unsigned char b10;

unsigned char b2;

unsigned char b20;

unsigned char b3;

unsigned char b30;

void setup() {

pinMode(LEDR, OUTPUT); //salida para el led rojo

pinMode(LEDIR, OUTPUT); //slida para el led IR

pinMode(CON2_16, INPUT); //ADC A0

pinMode(CON2_14, INPUT); //ADC A2

Serial.begin(9600); //para comunicar la salida

}

void loop() {

// Inicializamos a 0 todos los contadores de tiempo

parIR=0;

parsep1=0;

parLEDR=0;

parsep2=0;

//////////////////////// Enciende y apaga el LED IR /////////////////////////////////////////

digitalWrite(LEDIR, HIGH);

T0=millis(); //lee el tiempo en ms desde el instante en que se ha empezado a ejecutar

while (parIR<1){

if (cuentaTe>Te){digitalWrite(LEDIR, LOW);

Anexo A

102

cuentaTe=0;

parIR=2;

}

else {

Tf=millis();

Tx=Tf-T0;

if (Tx>TM){ aux=analogRead(A0);

b00=aux / 256;

b10=aux % 256;

b0=(b00 << 3) | (b10 >> 5);

Serial.write(0x80 | b0);

b1=b10 & 0x1f;


aux2=analogRead(A2);

b20=aux2 / 256;

b30=aux2 % 256;

b2=(b20 << 3) | (b30 >> 5);

Serial.write(0xA0 | b2);

b3=b30 & 0x1f;


T0=Tf;

cuentaTe=cuentaTe+TM;

}

}

}

//////////////////////// Tiempo de separación //////////////////////////////////////////////

T0=millis();

while (parsep1<1){

if (cuentaTs>Ts){cuentaTs=0;

parsep1=2;


}

else{

Tf=millis();

Tx=Tf-T0;

if (Tx>TM){ T0=Tf;

aux=analogRead(A0);

b00=aux / 256;

b10=aux % 256;

b0=(b00 << 3) | (b10 >> 5);


b1=b10 & 0x1f;



b20=aux2 / 256;

b30=aux2 % 256;

b2=(b20 << 3) | (b30 >> 5);


b3=b30 & 0x1f;


cuentaTs=cuentaTs+TM;

}

}

}

//////////////////////// Enciende y apaga el LED ROJO /////////////////////////////////////

digitalWrite(LEDR, HIGH);

T0=millis();

while (parLEDR<1){

if (cuentaTe>Te){digitalWrite(LEDR, LOW);

Anexo A

104

cuentaTe=0;

parLEDR=2;

}

else{

Tf=millis();

Tx=Tf-T0;

if (Tx>TM){ aux=analogRead(A0);

b00=aux / 256;

b10=aux % 256;

b0=(b00 << 3) | (b10 >> 5);


b1=b10 & 0x1f;



b20=aux2 / 256;

b30=aux2 % 256;

b2=(b20 << 3) | (b30 >> 5);


b3=b30 & 0x1f;


T0=Tf;

cuentaTe=cuentaTe+TM;

}

}

}

//////////////////////// Tiempo de separación /////////////////////////////////////////////

T0=millis();

while (parsep2<1){

if (cuentaTs>Ts){cuentaTs=0;

parsep2=2;


}

else{

Tf=millis();

Tx=Tf-T0;

if (Tx>TM){ T0=Tf;

aux=analogRead(A0);

b00=aux / 256;

b10=aux % 256;

b0=(b00 << 3) | (b10 >> 5);


b1=b10 & 0x1f;



b20=aux2 / 256;

b30=aux2 % 256;

b2=(b20 << 3) | (b30 >> 5);


b3=b30 & 0x1f;


cuentaTs=cuentaTs+TM;

}

}

}

}

Anexo A

106

Datos_glucometro_2LED_codv2_prediccion.m

global pserie;

clear all

clc

figure(1)

pserie = serial('COM5');

set(pserie,'Timeout',10000,'BaudRate',57600,'FlowControl','none');

close(1)

fopen(pserie);

nsamp=64;

numero_ventanas=10;

numero_maximo_graficas=8;

ventana_actual=1;

flag_ventana=0;

fin=0;

ngraficas=1;

valor=0;

valor2=0;

sir=1;

sr=1;

sz=1;

indice_ir=0;

indice_r=0;

jira=1;

iira=1;

ira=1;

jra=1;

dato0=0;

dato1=0;

dato2=0;

dato3=0;

ymin=540;

ymax=900;

ymin2=400;

ymax2=850;

bc=0;

ba=0;

% Guardo memoria para los vectores

vector_x=zeros(1,nsamp*numero_ventanas*numero_maximo_graficas);

vector_y=zeros(1,nsamp*numero_ventanas*numero_maximo_graficas);

vector_x2=zeros(1,nsamp*numero_ventanas*numero_maximo_graficas);

vector_y2=zeros(1,nsamp*numero_ventanas*numero_maximo_graficas);


indice_local=1;

indice_global=1;

while (fin==0)

muestras=get(pserie,'BytesAvailable');

if muestras>0

vector_muestras=fread(pserie,muestras);

for indice=1:1:muestras

dato=vector_muestras(indice);

if bitand(dato,hex2dec('80'))==hex2dec('80') % Si el primer bit es 1, entonces el byte es el primero

b=0; % no hay bit bajo

bc=0; % bit bajo de continua desactivado

ba=0; % bit bajo de alterna desactivado

end

if bitand(dato,hex2dec('80'))==hex2dec('00') % Si el primer bit es 0, entonces el byte es el

segundo

b=1; % Activo el bit de bajo

end

if b==0 % Si el byte es alto

if bitand(dato,hex2dec('E0'))==hex2dec('80') % Compruebo si es de continua

dato0=dato;

bc=1; % Activo que el siguiente byte que reciba será el segundo de continua

end

if bitand(dato,hex2dec('E0'))==hex2dec('A0') % Compruebo si es de alterna

dato2=dato;

ba=1; % Activo que el siguiente byte que reciba será el segundo de alterna

end

else % Si el byte es bajo

if bc==1 % Si el byte bajo de continua está activo

dato1=dato; % Guardo el dato

bh1=bitshift(bitand(dato0,hex2dec('18')),-3); % Decodifico el byte alto

bl1=bitor(bitshift(bitand(dato0,hex2dec('07')),5),bitand(dato1,hex2dec('1F'))); % Decodifico

el byte bajo

valor=bh1*256+bl1; % Los sumo para hallar el valor

vector_x(indice_global)=indice_global;

vector_y(indice_global)=valor;

if bitand(dato,hex2dec('E0'))==hex2dec('00')

suma_IR(sir)=valor; % LED IR encendido

sir=sir+1;

else


suma_R(sr)=valor; % LED Rojo encendido

sr=sr+1;

else

suma_Z(sz)=valor; % LEDs apagados

sz=sz+1;

end

Anexo A

108

end

end

if ba==1 % Si el byte bajo de alterna está activo

dato3=dato;

bh2=bitshift(bitand(dato2,hex2dec('18')),-3);

bl2=bitor(bitshift(bitand(dato2,hex2dec('07')),5),bitand(dato3,hex2dec('1F')));

valor2=bh2*256+bl2;

vector_x2(indice_global)=indice_global;

vector_y2(indice_global)=valor2;


matriz_IRa(iira,jira)=valor2; % LED IR encendido alterna

jira=jira+1; % mete cada periodo en una fila

indice_ir=1;

else


matriz_Ra(ira,jra)=valor2; % LED Rojo encendido alterna

jra=jra+1;

indice_r=1;

end

end

if indice_ir==1

if bitand(dato,hex2dec('E0'))==hex2dec('20') %resetea indice si está apagado

indice_ir=0;

iira=iira+1;

jira=1;

end

end

if indice_r==1


indice_r=0;

ira=ira+1;

jra=1;

end

end

if indice_local==nsamp

flag_ventana=1; % Cuando llego al numero de muestras, activo que voy a representar

indice_local=1; % Inicializo el indice local

else

indice_local=indice_local+1; % Si no, incremento el índice local

end

indice_global=indice_global+1; % cuando llega el último byte (bajo de alterna) incremento

el índice global

end

end


end

if flag_ventana==1 % Si tengo activado que voy a representar

if ventana_actual==1 % Hago un hold off para la primera ventana

subplot(2,1,1)

hold off

subplot(2,1,2)

hold off

end

eje_x_inicial=1+(ngraficas-1)*numero_ventanas*nsamp;

eje_x_final=ngraficas*numero_ventanas*nsamp;

subplot(2,1,1)

plot(vector_x(indice_global-nsamp:indice_global-1),vector_y(indice_global-

nsamp:indice_global-1),'b','LineWidth',2);

hold on

axis([eje_x_inicial eje_x_final ymin ymax])

drawnow;

subplot(2,1,2)

plot(vector_x2(indice_global-nsamp:indice_global-1),vector_y2(indice_global-

nsamp:indice_global-1),'r','LineWidth',2);

hold on

axis([eje_x_inicial eje_x_final ymin2 ymax2])

drawnow;

if ventana_actual==numero_ventanas % Represento un nº de ventanas (10) por cada gráfica

ventana_actual=1; % Si nº ventana=ventana actual, inicializo

ngraficas=ngraficas+1; % Paso a otra gráfica

if ngraficas>numero_maximo_graficas % Si el nº de gráficas es el máximo, salgo del

programa

fin=1;

end

else

ventana_actual=ventana_actual+1; % Si ventana actual es ~= del nº máximo, incremento

end

flag_ventana=0; % Desactivo que voy a representar

end

end

end

% Represento todas las muestras en coordenadas globales

figure

subplot(2,1,1)

plot(vector_x,vector_y,'b','LineWidth',1);

axis([0 5120 ymin ymax])

subplot(2,1,2)

plot(vector_x2,vector_y2,'r','LineWidth',1);

axis([0 5120 ymin2 ymax2])

Anexo A

110

% Guardo los datos en un excel

V_cont(1:length(vector_x),1)=vector_x';

V_cont(1:length(vector_y),2)=vector_y';

V_alt(1:length(vector_x2),1)=vector_x2';

V_alt(1:length(vector_y2),2)=vector_y2';

nombre=input('Escriba el nombre (entre ''): ');

apellido=input('Escriba el apellido (entre ''): ');

glucosa=input('Escriba la cantidad de glucosa en sangre (mg/Dl): ');

hora_actual=clock;

agno=hora_actual(1);

mes=hora_actual(2);

dia=hora_actual(3);

hora=hora_actual(4);

minuto=hora_actual(5);

nombre_archivo=sprintf('%s_%s_%d_%d___%d_%d_%d.xls',nombre,apellido,hora,minuto,dia,mes,agno

);

G={'Glucosa en sangre (mg/Dl)',glucosa};

titulo={'x','y'};

xlswrite(nombre_archivo,titulo,'V_cont')

xlswrite(nombre_archivo,V_cont,'V_cont','A2')

xlswrite(nombre_archivo,titulo,'V_alt')

xlswrite(nombre_archivo,V_alt,'V_alt','A2')

xlswrite(nombre_archivo,G,'Hoja1')

M_IR=mean(suma_IR);

M_R=mean(suma_R);

M_Z=mean(suma_Z);

Media_IR={'Media_IR',M_IR};

Media_R={'Media_R',M_R};

Media_Z={'Media_Z',M_Z};

%% Recorrer la matriz entera y ver si hay algun componente que es 0, si hay

% alguno, invalidar la fila y se crea una matriz limpia

[nir_aux,mir_aux]=size(matriz_IRa);

[nr_aux,mr_aux]=size(matriz_Ra);

i_ir=1;

for i=1:nir_aux

grabarir=1;

for j=1:mir_aux

if matriz_IRa(i,j)==0


j=mir_aux;

grabarir=0;

end

end

if grabarir==1

M_IRa_aux(i_ir,:)=matriz_IRa(i,:);

i_ir=i_ir+1;

end

end

i_r=1;

for i=1:nr_aux

grabarr=1;

for j=1:mr_aux

if matriz_Ra(i,j)==0

j=mr_aux;

grabarr=0;

end

end

if grabarr==1

M_Ra_aux(i_r,:)=matriz_Ra(i,:);

i_r=i_r+1;

end

end

%% Con la matriz limpia de ceros, se quitan las 30 primeras componentes que distorsionan la media

M_IRa=M_IRa_aux(:,30:mir_aux);

M_Ra=M_Ra_aux(:,30:mr_aux);

clear nir_aux mir_aux nr_aux mr_aux i j

%% Hallamos el valor medio

[nir_aux,mir_aux]=size(M_IRa);

[nr_aux,mr_aux]=size(M_Ra);

for i=1:nir_aux

v_difir(i)=(max(M_IRa(i,:))+min(M_IRa(i,:)))/2;

end

for i=1:nr_aux

v_difr(i)=(max(M_Ra(i,:))+min(M_Ra(i,:)))/2;

end

% para cada fila, hayamos los máximos y los minimos relativos, hallamos la

% diferencia media de cada fila

% por ultimo hallamos la diferencia media del conjunto de todas las filas

%% Calculamos la media de la diferencia de la componente alterna del infrarrojo

activa_maxir=0;

activa_minir=0;

i_localir=1;

activa_medicionir=0;

Anexo A

112

calculoir=0;

for i=1:nir_aux

min_localir=v_difir(i);

max_localir=v_difir(i);

i_localir=1;

activa_minir=0;

activa_maxir=0;


for j=1:mir_aux-1

if activa_medicionir==0

if M_IRa(i,j+1)-M_IRa(i,j)>0 % si estamos subiendo

if M_IRa(i,j)>v_difir(i) % si estamos por encima de la media


end

end

else

if M_IRa(i,j)>v_difir(i) % encima del valor medio

if M_IRa(i,j)>max_localir

max_localir=M_IRa(i,j);

end

if M_IRa(i,j+1)-M_IRa(i,j)<0 % si estando por encima, estamos bajando, ya tenemos un

maximo

activa_maxir=1;

calculoir=0;

min_localir=v_difir(i); % cuando activo el máximo, reinicio el valor minimo

end

else % debajo del valor medio

if M_IRa(i,j)<min_localir

min_localir=M_IRa(i,j);

end

if calculoir==0

if M_IRa(i,j+1)-M_IRa(i,j)>0 %si estando por debajo, estamos subiendo, tenemos un

minimo

activa_minir=1;

end

end

if activa_maxir==1

if activa_minir==1

difir(i,i_localir)=max_localir-min_localir;

activa_maxir=0;

activa_minir=0;

max_localir=v_difir(i); % reinicio maximo

i_localir=i_localir+1;

calculoir=1;


end

end

end

end

end

end

[nir,mir]=size(difir);


suma_ir=0;

cont_ir=0;

for i=1:nir

for j=1:mir

if difir(i,j)==0

else

suma_ir=difir(i,j)+suma_ir;

cont_ir=cont_ir+1;

end

end

end

M_difIRa=suma_ir/cont_ir;

%% Calculamos la media de la diferencia de la componente alterna del rojo

activa_maxr=0;

activa_minr=0;

i_localr=1;

activa_medicionr=0;

calculor=0;

for i=1:nr_aux

min_localr=v_difr(i);

max_localr=v_difr(i);

i_localr=1;

activa_minr=0;

activa_maxr=0;

activa_medicionr=0;

for j=1:mr_aux-1

if activa_medicionr==0

if M_Ra(i,j+1)-M_Ra(i,j)>0 % si estamos subiendo

if M_Ra(i,j)>v_difr(i) % si estamos por encima de la media

activa_medicionr=1;

end

end

else

if M_Ra(i,j)>v_difr(i) % encima del valor medio

if M_Ra(i,j)>max_localr

max_localr=M_Ra(i,j);

end

if M_Ra(i,j+1)-M_Ra(i,j)<0 % si estando por encima, estamos bajando, ya tenemos un maximo

activa_maxr=1;

calculor=0;

min_localr=v_difr(i); % cuando activo el máximo, reinicio el valor minimo

end

else % debajo del valor medio

if M_Ra(i,j)<min_localr

min_localr=M_Ra(i,j);

end

if calculor==0

if M_Ra(i,j+1)-M_Ra(i,j)>0 %si estando por debajo, estamos subiendo, tenemos un minimo

activa_minr=1;

end

end

Anexo A

114

if activa_maxr==1

if activa_minr==1

difr(i,i_localr)=max_localr-min_localr;

activa_maxr=0;

activa_minr=0;

max_localr=v_difr(i); % reinicio maximo

i_localr=i_localr+1;

calculor=1;

activa_medicionr=0;

end

end

end

end

end

end

[nr,mr]=size(difr);

suma_r=0;

cont_r=0;

for i=1:nr

for j=1:mr

if difr(i,j)==0

else

suma_r=difr(i,j)+suma_r;

cont_r=cont_r+1;

end

end

end

M_difRa=suma_r/cont_r;

%% Escribimos los resultados en excel

Media_difIRa={'Media_difIRa',M_difIRa};

Media_difRa={'Media_difRa',M_difRa};

xlswrite(nombre_archivo,Media_IR,'Hoja1','A2')

xlswrite(nombre_archivo,Media_R,'Hoja1','A3')

xlswrite(nombre_archivo,Media_Z,'Hoja1','A4')

xlswrite(nombre_archivo,Media_difIRa,'Hoja1','A5')

xlswrite(nombre_archivo,Media_difRa,'Hoja1','A6')

Red_neuronal_prediccion(M_IR,M_R,M_difIRa,M_difRa,M_Z);

fclose(pserie);


Red_neuronal_prediccion.m

% Solve an Input-Output Fitting problem with a Neural Network

% Script generated by NFTOOL

% Created Tue Mar 15 21:10:35 CET 2016

%

function [glucosa_estimada] = Red_neuronal_prediccion(M_IR,M_R,M_difIRa,M_difRa,M_Z)

nombre_pesos='prueba_pesos_1.xls';

% Cargamos los datos

nombre_archivo='Datos_red_neuronal.xls';

datos=xlsread(nombre_archivo,'Hoja1');

entradas=datos(1:13,:);

glucosa_real=datos(14,:);

n_neuronas=xlsread(nombre_pesos,'Hoja1','B2');

% entradas - input data.

% glucosa_real - target data.

inputs = entradas;

targets = glucosa_real;

% Create a Fitting Network

hiddenLayerSize = n_neuronas;

net = fitnet(hiddenLayerSize);

% Choose Input and Output Pre/Post-Processing Functions

% For a list of all processing functions type: help nnprocess

net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};

net.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};

% Setup Division of Data for Training, Validation, Testing

% For a list of all data division functions type: help nndivide

net.divideFcn = 'dividerand'; % Divide data randomly

net.divideMode = 'sample'; % Divide up every sample

net.divideParam.trainRatio = 70/100;

net.divideParam.valRatio = 15/100;

net.divideParam.testRatio = 15/100;

% For help on training function 'trainlm' type: help trainlm

% For a list of all training functions type: help nntrain

net.trainFcn = 'trainlm'; % Levenberg-Marquardt

% Choose a Performance Function

% For a list of all performance functions type: help nnperformance

net.performFcn = 'mse'; % Mean squared error

% Choose Plot Functions

% For a list of all plot functions type: help nnplot

net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...

'plotregression', 'plotfit'};

Anexo A

116

% Train the Network

[net,tr] = train(net,inputs,targets);

net.IW{1,1}=xlsread(nombre_pesos,'PesoIW');

net.LW{2,1}=xlsread(nombre_pesos,'PesoLW');

net.b{1,1}=xlsread(nombre_pesos,'Pesob11');

net.b{2,1}=xlsread(nombre_pesos,'Pesob21');

% Test the Network

outputs = net(inputs);

errors = gsubtract(targets,outputs);

performance = perform(net,targets,outputs)

% Recalculate Training, Validation and Test Performance

trainTargets = targets .* tr.trainMask{1};

valTargets = targets .* tr.valMask{1};

testTargets = targets .* tr.testMask{1};

trainPerformance = perform(net,trainTargets,outputs)

valPerformance = perform(net,valTargets,outputs)

testPerformance = perform(net,testTargets,outputs)

% View the Network

% view(net)

% Plots

% Uncomment these lines to enable various plots.

figure, plotperform(tr)

% figure, plottrainstate(tr)

% figure, plotfit(net,inputs,targets)

figure, plotregression(targets,outputs)

figure, ploterrhist(errors)

sexo=input('Escriba su sexo (0 = hombre, 1 = mujer):');

diabetes=input('Escriba su tipo de diabetes (0 = no diabético, 1 = DMT1, 2 = DMT2):');

edad=input('Escriba su edad:');

peso=input('Escriba su peso:');

altura=input('Escriba su altura en cm:');

IMC=peso/((altura/100)^2);

r_dedo=input('Escriba el radio de su dedo:');

tiempo_comida=input('Escriba 0 si es antes de comer, 1 si es después:');

datos=[sexo diabetes edad peso altura IMC r_dedo M_IR M_R M_difIRa M_difRa M_Z tiempo_comida

]';

glucosa_estimada=net(datos)


Red_neuronal_bucle.m

% Solve an Input-Output Fitting problem with a Neural Network

% Script generated by NFTOOL

% Created Tue Mar 15 21:10:35 CET 2016

clear all

close all

clc

indice=2;

% Cargamos los datos



entradas=datos(1:13,:);


% entradas - input data.

% glucosa_real - target data.

inputs = entradas;

targets = glucosa_real;

for n_neuronas=5:22

for i=1:2000

puntuacion=0;

% Create a Fitting Network

hiddenLayerSize = n_neuronas;

net = fitnet(hiddenLayerSize);

% Choose Input and Output Pre/Post-Processing Functions

% For a list of all processing functions type: help nnprocess

net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};

net.outputs{2}.processFcns = {'removeconstantrows','mapminmax'};

% Setup Division of Data for Training, Validation, Testing

% For a list of all data division functions type: help nndivide

net.divideFcn = 'dividerand'; % Divide data randomly

net.divideMode = 'sample'; % Divide up every sample

net.divideParam.trainRatio = 70/100;

net.divideParam.valRatio = 15/100;

net.divideParam.testRatio = 15/100;

% For help on training function 'trainlm' type: help trainlm

% For a list of all training functions type: help nntrain

net.trainFcn = 'trainlm'; % Levenberg-Marquardt

% Choose a Performance Function

% For a list of all performance functions type: help nnperformance

net.performFcn = 'mse'; % Mean squared error

% Choose Plot Functions

Anexo A

118

% For a list of all plot functions type: help nnplot

net.plotFcns = {'plotperform','plottrainstate','ploterrhist', ...

'plotregression', 'plotfit'};

% Train the Network

[net,tr] = train(net,inputs,targets);

% Test the Network

outputs = net(inputs);

errors = gsubtract(targets,outputs);

performance = perform(net,targets,outputs);

% Recalculate Training, Validation and Test Performance

trainTargets = targets .* tr.trainMask{1};

valTargets = targets .* tr.valMask{1};

testTargets = targets .* tr.testMask{1};

trainPerformance = perform(net,trainTargets,outputs);

valPerformance = perform(net,valTargets,outputs);

testPerformance = perform(net,testTargets,outputs);

er=abs(errors)

if abs(errors)<25.1

puntuacion=puntuacion+1;

end

r=regression(targets,outputs)

if r>0.8999

puntuacion=puntuacion+1;

end

if puntuacion==2;

pesosIW=net.IW{1,1};

pesosLW=net.LW{2,1};

pesosb11=net.b{1,1};

pesosb21=net.b{2,1};

nombre='prueba_pesos';

nombre_archivo=sprintf('%s_%d.xls',nombre,indice);

info_neuronas={'numero de neuronas',n_neuronas};

xlswrite(nombre_archivo,r,'Hoja1');

xlswrite(nombre_archivo,info_neuronas,'Hoja1','A2');

xlswrite(nombre_archivo,er,'Hoja1','A3');

xlswrite(nombre_archivo, pesosIW,'PesoIW');

xlswrite(nombre_archivo,pesosLW,'PesoLW');

xlswrite(nombre_archivo,pesosb11,'Pesob11');

xlswrite(nombre_archivo,pesosb21,'Pesob21');

indice=indice+1;

end

i=i+1;

end

end


Análisis_datos.m

clear all

close all

clc




r_dedo=datos(7,:);

IR_DC=datos(8,:);

R_DC=datos(9,:);

IR_AC=datos(10,:);

R_AC=datos(11,:);

Z_DC=datos(12,:);

x2=IR_DC./R_DC;

x3=IR_DC./IR_AC;

x4=(IR_DC./IR_AC)./(R_DC./R_AC);

x5=IR_DC./Z_DC;

% x6=x5.*r_dedo;

% x7=IR_DC./(r_dedo.*IR_AC);

% x8=x4.*r_dedo;

% x9=x2.*r_dedo;

% x10=x4.*x2;

% x11=x4./x2;

% x12=IR_DC-R_DC;

% x13=(IR_DC-R_DC)./(IR_AC-R_AC);

% x14=(IR_DC./R_DC)-(IR_AC./R_AC);

% x15=(IR_DC./IR_AC)-(R_DC./R_AC);

% x16=IR_AC./R_AC;

% x17=r_dedo.*((IR_DC-Z_DC)./IR_AC)./((R_DC-Z_DC)./R_AC);

figure

plot(IR_DC,glucosa_real,'*b','LineWidth',1)

xlabel('IR_D_C')

ylabel('Glucosa real')

figure

plot(x2,glucosa_real,'*b','LineWidth',1)

xlabel('x_2')


figure

plot(x3,glucosa_real,'*b','LineWidth',1)

xlabel('x_3')


figure

plot(x4,glucosa_real,'*b','LineWidth',0.3)

xlabel('x_4')


Anexo A

120

figure

plot(x5,glucosa_real,'*b','LineWidth',0.5)

xlabel('x_5')


% figure

% plot(x6,glucosa_real,'*b','LineWidth',1)

% title('x6')

%

% figure


% title('x7')

%

% figure


% title('x8')

%

% figure


% title('x9')

%

% figure


% title('x10')

%

% figure


% title('x11')

%

% figure


% title('x12')

%

% figure


% title('x13')

%

% figure


% title('x14')

%

% figure


% title('x15')

%

% figure


% title('x16')

%

% figure


% title('x17')

Mejora del diseño de un prototipo de sensor no invasivo...

Documents

Transcript of Mejora del diseño de un prototipo de sensor no invasivo...