ES2910573T3 - Procedimiento y sistema para determinar la concentración de un analito en una muestra de un líquido corporal, y procedimiento y sistema para generar un módulo implementado por programa informático - Google Patents

Abstract

Un procedimiento para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal, comprendiendo el procedimiento, en uno o más dispositivos de procesamiento de datos, - proporcionar un primer conjunto de datos de medición, representando el primer conjunto de datos de medición la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés (31) de una o más tiras reactivas (30a), siendo las imágenes - indicativas de una transformación de color de la región de interés (31) en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito a la región de interés (31); y - registradas por una pluralidad de dispositivos configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, la pluralidad de dispositivos provistos de diferente configuración de dispositivos de programa informático y/o equipo aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo; - generar un modelo de red neuronal en un proceso de aprendizaje automático aplicando una red neuronal artificial, que comprende - proporcionar el modelo de red neuronal; - crear datos de entrenamiento, datos de validación y datos de prueba a partir del primer conjunto de datos de medición; y - entrenar el modelo de red neuronal por los datos de entrenamiento, en el que los datos de entrenamiento representan una población completa de la pluralidad de dispositivos y tipos de experimento; y - generar un módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa el modelo de red neuronal; en el que el módulo implementado por programa informático se configura para, cuando se carga en un dispositivo de procesamiento de datos que tiene uno o más procesadores, determinar la concentración de un analito en una segunda muestra de un líquido corporal a partir del análisis de un segundo conjunto de datos de medición indicativos de la segunda información de color derivada por procesamiento de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar la segunda muestra del líquido corporal que contiene el analito a la región de interés.

Description

DESCRIPCIÓN

Procedimiento y sistema para determinar la concentración de un analito en una muestra de un líquido corporal, y procedimiento y sistema para generar un módulo implementado por programa informático

La presente divulgación se refiere a un procedimiento para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal y un procedimiento para determinar la concentración de un analito en una muestra de un líquido corporal. Además, la presente divulgación se refiere a un sistema para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal y un sistema para determinar la concentración de un analito en una muestra de un líquido corporal. Además, se hace referencia a un producto de programa informático.

Antecedentes

El aprendizaje automático (ML) es una rama de la informática que se usa para derivar algoritmos impulsados por datos. En lugar de usar fórmulas explícitas, los algoritmos de ML emplean datos de entrenamiento del mundo real para generar modelos que son más exactos y sofisticados que los modelos tradicionalmente concebidos por seres humanos. Las redes neuronales artificiales (ANN) pertenecen a una rama del aprendizaje automático y se basan en neuronas artificiales distribuidas en múltiples capas. El concepto de redes neuronales ha existido durante décadas, pero solo recientemente el poder informático se puso al día con el cálculo exhaustivo necesario para desarrollar eficazmente algoritmos de redes neuronales. Las capacidades informáticas distribuidas han permitido a los desarrolladores distribuir los cálculos en múltiples unidades en lugar de usar superordenadores. Las implementaciones bien conocidas para el cálculo distribuido incluyen Apache Hadoop, Apache Spark y MapReduce.

Los modelos de redes neuronales son muy adecuados para identificar patrones/relaciones no lineales entre una entrada y una salida cuando existe poca o nula relación directa uno a uno. Esto es importante puesto que la exactitud de un modelo depende altamente de lo bien que se caracteriza el sistema subyacente y cómo se define la relación entre entrada y salida.

En el documento US 2006 / 0008923 A1 se proporcionan sistemas y procedimientos para diagnóstico médico o evaluación de riesgos para un paciente. Estos sistemas y procedimientos se diseñan para emplearse en el lugar de atención, tal como en salas de urgencias y quirófanos, o en cualquier situación en la que se desee un resultado rápido y exacto. Los sistemas y procedimientos procesan datos de paciente, en particular datos de pruebas o ensayos de diagnóstico del lugar de atención, incluyendo inmunoensayos, electrocardiogramas, rayos X y otras de dichas pruebas, y proporcionan una indicación de una afección médica o riesgo o ausencia de la misma. Los sistemas incluyen un instrumento para leer o evaluar los datos de prueba y un programa informático para convertir los datos en información de diagnóstico o evaluación de riesgo. La información de paciente incluye datos de pruebas físicas y bioquímicas, tales como inmunoensayos y de otros procedimientos. La prueba se realiza a un paciente en el lugar de atención y genera datos que se pueden digitalizar, tal como por un lector de transmisión o reflectancia electrónico, que genera una señal de datos. La señal se procesa usando un programa informático que emplea algoritmos de reducción de datos y ajuste de curvas, o un sistema de apoyo a las decisiones, tal como una red neuronal entrenada, o combinaciones de los mismos, para convertir la señal en datos, que se usa para ayudar en el diagnóstico de una afección médica o determinación de un riesgo de enfermedad. Este resultado se puede introducir además en un segundo sistema de apoyo a las decisiones, tal como una red neuronal, para refinar o potenciar la evaluación.

El documento WO 2018 / 0194525 A1 se refiere a un procedimiento de análisis bioquímico para cuantificar metabolitos en una muestra biológica. El procedimiento se basa en generar y aprender la apariencia de una tira reactiva en diversas condiciones para estimar el valor/indicación de una imagen de muestra desconocida. El procedimiento consiste en dos partes: una parte de entrenamiento y una parte de prueba. En la parte de entrenamiento, se miden las cantidades de metabolito de una tira reactiva con un analizador de bioquímica. Se captura un conjunto de imágenes de la misma tira reactiva por un dispositivo que simula diversas condiciones de iluminación ambiental. Se entrena un modelo de aprendizaje automático usando las imágenes de la tira reactiva y sus correspondientes cantidades de metabolito, y se transfiere el modelo de aprendizaje a un dispositivo inteligente. En la parte de prueba, se capturan imágenes de una tira reactiva que se va a analizar por el dispositivo inteligente y se procesan las imágenes usando el modelo de aprendizaje determinado en la parte de entrenamiento.

El documento US 2018 / 0211380 A1 se refiere a un sistema para obtener imágenes de muestras biológicas y analizar imágenes de las muestras biológicas. El sistema es para analizar automáticamente imágenes de muestras biológicas para clasificar las células de interés usando técnicas de aprendizaje automático. En una implementación, se pueden diagnosticar enfermedades asociadas con tipos celulares específicos.

El documento US 2016 / 0048739 A1 se refiere a un sistema de diagnóstico para muestras biológicas. El sistema de diagnóstico incluye un instrumento de diagnóstico y un dispositivo electrónico portátil. El instrumento de diagnóstico tiene una barra de color de referencia y una pluralidad de almohadillas de prueba química para recibir una muestra biológica. El dispositivo electrónico portátil incluye una cámara digital para capturar una imagen digital del instrumento de diagnóstico en entornos de iluminación no controlada, un sensor para capturar la iluminancia de una superficie del instrumento de diagnóstico, un procesador acoplado a la cámara digital y un sensor para recibir la imagen digital y la iluminancia y un dispositivo de almacenamiento acoplado al procesador. El dispositivo de almacenamiento almacena instrucciones para la ejecución por el procesador para procesar la imagen digital y la iluminancia, para normalizar los colores de la pluralidad de almohadillas de prueba química y determinar los resultados de prueba de diagnóstico en respuesta a la cuantificación de cambios de color en las almohadillas de prueba química.

Sumario

Es un objetivo de la presente divulgación proporcionar una tecnología mejorada para determinar la concentración de un analito en una muestra de un líquido corporal.

Para resolver el problema, se proporciona un procedimiento para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal de acuerdo con la reivindicación independiente 1. Además, se proporciona un procedimiento para determinar la concentración de un analito en una muestra de un líquido corporal de acuerdo con la reivindicación independiente 2. Se proporcionan un sistema para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal y un sistema para determinar la concentración de un analito en una muestra de un líquido corporal de acuerdo con las reivindicaciones independientes 11 y 12, respectivamente. Todavía, se proporciona un producto de programa informático de acuerdo con la reivindicación 13. Otros modos de realización se divulgan en las reivindicaciones dependientes.

El modelo de red neuronal generado en el proceso de aprendizaje automático permite una determinación mejorada de la concentración del analito en la muestra (actual) del líquido corporal. Habiendo generado el modelo de red neuronal en base al primer conjunto de datos de medición que representa la primera información de color derivada de imágenes registradas por la pluralidad de dispositivos diferentes, configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, proporciona un modelo de red neuronal que, después del entrenamiento y la prueba, se puede aplicar en diferentes dispositivos para determinar la concentración de un analito en una muestra de un líquido corporal.

El modelo de red neuronal generado antes se aplica para analizar el actual o segundo conjunto de datos de medición indicativos de la actual/segunda información de color derivada por procesamiento de imágenes a partir de imágenes para una región de interés de la actual/segunda tira reactiva, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar una actual/segunda muestra de un líquido corporal de un paciente, conteniendo la muestra un analito para la región de interés. En dicho proceso, se determina la concentración de analito para el paciente para el que se proporciona la muestra.

El procedimiento puede comprender la pluralidad de dispositivos que tienen al menos uno de diferentes dispositivos de cámara y diferente programa informático de procesamiento de imágenes aplicado para el registro de imágenes y el procesamiento de datos de imágenes.

Las imágenes registradas pueden comprender imágenes registradas con diferentes condiciones de registro de imágenes ópticas.

El procedimiento puede comprender además lo siguiente: proporcionar un segundo algoritmo de análisis, siendo el segundo algoritmo de análisis diferente del primer algoritmo de análisis; y determinar, para la concentración del analito en la actual muestra del líquido corporal, un primer valor de estimación analizando el actual conjunto de datos de medición por medio del segundo algoritmo de análisis. El segundo algoritmo de análisis puede ser un algoritmo no basado en aprendizaje automático tal como regresión lineal multivariante paramétrica. Dicho algoritmo no basado en aprendizaje automático también se puede denominar algoritmo tradicional para determinar la concentración de analito. El primer valor de estimación para la concentración de analito puede proporcionar una entrada para el análisis (adicional) por medio del modelo de red neuronal. De forma alternativa, el resultado para la concentración derivado del algoritmo no basado en aprendizaje automático se puede aplicar en una prueba de seguridad para los valores de concentración de analito determinados aplicando el modelo de red neuronal.

La determinación puede comprender determinar un intervalo objetivo para la concentración del analito en la actual muestra del líquido corporal. En lugar de determinar valores reales para la concentración de analito o además de dicha determinación, se puede determinar el intervalo objetivo para los valores de concentración de analito.

La determinación puede comprender determinar una concentración promediada promediando el primer valor de estimación y un valor de concentración proporcionado por el análisis del actual conjunto de datos de medición por el primer algoritmo de análisis. Los resultados del análisis del modelo de red neuronal y el análisis en base al algoritmo tradicional se combinan determinando valores promediados.

En otro modo de realización, la determinación puede comprender determinar la concentración de glucemia en la segunda muestra.

Al menos uno del primer, segundo y actual conjunto de datos de medición puede representar la primera, segunda y actual información de color, respectivamente, derivada por procesamiento de imágenes a partir de imágenes registradas durante un período de tiempo de medición para la región de interés de la una o más tiras reactivas, imágenes consecutivas registradas con un intervalo de tiempo de aproximadamente 0,1 a aproximadamente 1,5 s. Las imágenes de las que se deriva el primer conjunto de datos de medición pueden comprender imágenes de la región de interés antes de aplicar la una o más primeras muestras del líquido corporal a la región de interés de la una o más tiras reactivas. De forma similar, además o de forma alternativa, las imágenes de las que se deriva el actual conjunto de datos de medición pueden comprender imágenes de la región de interés antes de aplicar la actual muestra del líquido corporal a la región de interés de la actual tira reactiva.

Los modos de realización divulgados anteriormente con respecto a al menos uno de los procedimientos se pueden aplicar a uno o ambos sistemas mutatis mutandis.

Descripción de otros modos de realización

En lo que sigue, los modos de realización, a modo de ejemplo, se describen con referencia a las figuras. En las figuras, muestran las:

fig. 1 una representación gráfica de una red neuronal artificial (ANN) de prealimentación;

fig. 2 una representación gráfica de un procedimiento para predecir los valores de glucemia en base al cambio de color de una tira reactiva dosificada;

fig. 3 una representación gráfica de una imagen de una tira reactiva;

fig. 4 una representación gráfica del proceso de creación de nuevas características (features) a partir de características de la tabla de características aplicando una transformación de características;

fig. 5A una representación gráfica del comportamiento de correlación de nuevas características ejemplares; fig. 5B otra representación gráfica del comportamiento de correlación de nuevas características ejemplares; fig. 5C otra representación gráfica del comportamiento de correlación de nuevas características ejemplares; fig. 6 una representación gráfica de una arquitectura de un modelo ANN que se va a entrenar;

fig. 7 muestra un diagrama de error de Parkes que ilustra el rendimiento de los valores de glucemia previstos frente a niveles de glucemia reales;

fig. 8 otro diagrama de error de Parkes que ilustra el rendimiento de los valores de glucemia previstos frente a niveles de glucemia reales;

fig. 9 una representación gráfica de diferentes tipos de combinaciones de algoritmos tradicionales con modelos ANN;

fig. 10 un diagrama de error de Parkes que representa las predicciones de un modelo ANN que usa predicciones de algoritmos tradicionales como una de sus entradas;

fig. 11 una representación gráfica de otro modo de realización de un algoritmo tradicional y ANN combinado; y fig. 12 tres diagramas de error de Parkes para comparar el rendimiento de los enfoques tradicionales y de ANN. A continuación, los modos de realización para un procedimiento para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal se divulgan con más detalle. Después de que se haya generado el módulo implementado por programa informático, en otro procedimiento, se puede usar en diferentes dispositivos tales como dispositivos móviles para analizar resultados experimentales para determinar la concentración de un analito en una muestra de un líquido corporal aplicada a una tira reactiva para la que una región de prueba mostrará un cambio de color en respuesta a aplicar la muestra en la región de prueba de la tira.

El procedimiento para generar un módulo implementado por programa informático se realiza en uno o más dispositivos de procesamiento de datos. Se proporciona un primer conjunto de datos de medición, representando el primer conjunto de datos de medición la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas. Por ejemplo, se pueden aplicar muestras de sangre a las tiras reactivas que, en respuesta, muestran un cambio de color de la región de interés (región de prueba). Dicho cambio de color puede depender de la concentración de glucemia en las muestras dosificadas en la región de prueba. Las imágenes capturadas para la región de interés son indicativas de una transformación de color de la región de interés en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito a la región de interés. Las imágenes se registran por una pluralidad de dispositivos tales como dispositivos móviles, por ejemplo, teléfonos móviles o tableta. Cada dispositivo se configura para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, la pluralidad de dispositivos provistos de diferente configuración de dispositivos de programa informático y/o equipo aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo. Por ejemplo, el dispositivo puede estar provisto de diferentes tipos de cámaras usadas para capturar las imágenes. Además, se pueden proporcionar una configuración de programa informático diferente para los dispositivos, específicamente aplicaciones de programa informático diferentes aplicadas en los dispositivos para el procesamiento de las imágenes capturadas.

Se genera un modelo de red neuronal en un proceso de aprendizaje automático aplicando una red neuronal artificial, que comprende proporcionar el modelo de red neuronal y entrenar el modelo de red neuronal entrenando datos seleccionados del primer conjunto de datos de medición. Se proporciona el módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa el modelo de red neuronal. El módulo implementado por programa informático se configura para, cuando se carga en un dispositivo de procesamiento de datos que tiene uno o más procesadores, determinar la concentración de un analito en una segunda muestra de un líquido corporal a partir del análisis de un segundo conjunto de datos de medición indicativos de la segunda información de color derivada por procesamiento de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar la segunda muestra del líquido corporal que contiene el analito a la región de interés. Por tanto, después de que se haya generado el modelo de red neuronal, se aplicará para analizar los resultados para la segunda muestra que también se puede denominar actual muestra y que es una muestra de un líquido corporal que se va a determinar usando el modelo de red neuronal después de su generación como se explica con más detalle a continuación. Una aplicación de programa informático que comprende el módulo implementado por programa informático se debe cargar en el dispositivo de análisis tal como un teléfono móvil u otro dispositivo móvil. El análisis de tira reactiva se realiza ejecutando la aplicación de programa informático para determinar la concentración del analito.

La fig. 1 muestra una representación gráfica esquemática de una red neuronal artificial (ANN) de prealimentación 10 como es conocida como tal. En una ANN de prealimentación típica, la información fluye en un sentido. Las características de entrada 11a, 11b, 11c, ..., 11x se alimentan a los nodos (o neuronas artificiales) 12a, 12b, 12c, ..., 12x de una capa de entrada 12. El número de los nodos 12a, 12b, 12c, ..., 12x idealmente debería ser igual al número de características en el conjunto de datos subyacente. La capa de entrada 12 simplemente recibe las características de entrada 11a, 11b, 11c, ..., 11x y pasa las características de entrada 11a, 11b, 11c, ..., 11x por medio de las conexiones 13 a una capa oculta 14.

La capa oculta 14 comprende los nodos 14a, 14b, ..., 14y. El número de nodos de la capa oculta 14 depende del número de nodos de la capa de entrada 12 y la capa de salida 16. El número de nodos de la capa de entrada 12 y la capa oculta 14 puede ser igual o desigual. En cada nodo 14a, 14b, ..., 14y, se aplica una transformación a su respectiva entrada. Posteriormente, los valores transformados se pasan por medio de las conexiones 15 a la capa de salida 16. A medida que se entrena la ANN10, se ponderan los nodos 12a, 12b, 12c, ..., 12x, 14a, 14b, ..., 14y que proporcionan mayor valor predictivo en mayor medida. En este caso, las respectivas conexiones 13, 15 reciben una mayor ponderación.

La capa de salida 16 proporciona la información que se desea para resolver el problema subyacente. El número de sus nodos 16a depende del problema en cuestión. Si el problema es, por ejemplo, clasificar un objeto en una de cuatro clases, entonces la capa de salida 16 consistirá en cuatro nodos (no mostrados). Si el problema equivale a una regresión, entonces la capa de salida 16 consistirá en un solo nodo 16a.

A continuación, se divulgan ejemplos para aplicar ANN para determinar la concentración de un analito en una muestra de un líquido corporal a partir de mediciones en base al cambio de color en una región de prueba de una tira reactiva en respuesta a aplicar la muestra del líquido corporal. Por ejemplo, se puede determinar un nivel de glucemia. La fig. 2 ilustra esquemáticamente las etapas para un ejemplo del procedimiento.

En el curso de la medición, la serie de imágenes 201 de tiras reactivas se capturan en una primera etapa de recopilación de datos de imágenes 202 usando diferentes dispositivos, estando configurado cada dispositivo para la toma de imágenes y el procesamiento de datos de imágenes. Los dispositivos pueden ser dispositivos móviles tales como tipos de teléfonos móviles o tabletas.

Como es conocido como tal, para tomar las imágenes, se aplica una muestra de un líquido corporal, por ejemplo, una muestra de sangre, a una región de prueba de la tira reactiva. En respuesta a la aplicación de la muestra, la región de prueba mostrará el cambio de color que se va a detectar por la toma de la(s) imagen/imágenes. Las imágenes se deben procesar en un proceso de análisis para determinar la concentración de un analito en la muestra del líquido corporal, tal como el nivel de glucemia.

Mientras se toman las imágenes para determinar la muestra del líquido corporal, pueden estar presentes diferentes condiciones de medición para capturar las imágenes por combinaciones de, por ejemplo, diferentes temperaturas, valores de humedad relativa, valores de iluminación y/o hematocrito. También se pueden usar otros valores. En un ejemplo, con respecto a diferentes condiciones climáticas, se pueden aplicar valores de temperatura de 5 °C a 30 °C en etapas de, por ejemplo, 5 °C, y valores de humedad relativa de un 15 % a un 85 % en etapas de, por ejemplo, 10 %. Se puede prever que cada uno de los valores de humedad relativa se combine con cada uno de los valores de temperatura para formar el conjunto de diferentes condiciones climáticas. De forma alternativa, solo se combinan determinados valores de humedad relativa con cada uno de los valores de temperatura, ya que determinadas combinaciones de humedad relativa/temperatura son menos pertinentes.

Las siguientes condiciones de medición se pueden aplicar en el conjunto de datos para temperatura y humedad en estudios climáticos:

Temp. (°C) Humedad rel. (%)

5 45

10 15

10 45

10 85

15 45

25 45

30 45

30 85

Para cada tira reactiva, se captura una serie de imágenes 201 durante un período de tiempo de medición. Por ejemplo, durante aproximadamente 40 segundos se captura una imagen 30 de la tira reactiva cada medio segundo (véase la fig.

3 para una representación gráfica de la imagen 30). Cada serie de imágenes 201 por tira reactiva comienza con una imagen de una tira reactiva en blanco (una tira reactiva sin dosis o muestra de sangre aplicada). Las posteriores imágenes 30 se capturan después de aplicar la muestra de sangre. Por tanto, el cambio de color de la tira reactiva se captura completamente dentro de cada serie de imágenes 201. A continuación, la serie de imágenes 201 se guarda en una base de datos. Se puede proporcionar un retardo de tiempo adicional entre la captura de la primera y la segunda imagen que permite al usuario aplicar una dosis de sangre a la tira reactiva.

Las imágenes se capturaron con una pluralidad de diferentes teléfonos móviles, estando provisto cada teléfono móvil de un dispositivo de cámara individual y una configuración de programa informático de parámetros de procesamiento de imágenes RGGB, una matriz de transformación de color y una curva de mapa de tonos para la captura de las imágenes y el procesamiento de datos de imágenes.

Las imágenes tomadas en las mediciones proporcionan datos de imágenes (medidos) que representan información de color con respecto al cambio de color de la región de prueba en respuesta a aplicar la(s) muestra(s) del líquido corporal que contiene(n) el analito para el que es necesario determinar la concentración. A continuación, se usan los datos de imágenes para generar un módulo implementado por programa informático configurado para determinar la concentración del analito en una actual muestra. Se proporciona una ANN y se entrena en base a un conjunto de datos de entrenamiento tomados a partir de los datos de imágenes medidos.

En la siguiente etapa 203, con referencia a la fig. 2 y 3, los datos de imágenes derivados de la serie de imágenes 201 que se pueden guardar en una base de datos se procesan para determinar un área de interés 31 para cada imagen 30 de la serie de imágenes 201. El área de interés 31 consiste en la parte de la imagen que muestra la muestra aplicada del líquido corporal (por ejemplo, muestra de sangre) en una tira reactiva 30a (campo objetivo 32) y un cuadrado 33 alrededor del campo objetivo 32. El espacio fuera del campo objetivo 32 y dentro del cuadrado 33 que consiste en cuatro segmentos se denomina campo blanco 34. El área de interés (región de prueba) 31 se detecta por el programa informático de procesamiento de imágenes capturando valores de color de píxel para el campo objetivo 32 y el campo blanco 34. Cada color de píxel, por ejemplo, se puede codificar por RGB. También se pueden emplear espacios de color alternativos y modelos de color tales como CIE L*a*b*, CIE 1931 XYZ, CMYK y HSV para codificar los colores de píxel. El uso de espacios de color alternativos y transformaciones de color en espacios de color alternativos puede potenciar la calidad de señal, dando lugar a algoritmos de predicción más simples y/o más exactos.

Se puede prever que los datos de píxel sin procesar se transformen para mejorar la precisión de señal. Se pueden emplear los siguientes tipos de transformaciones de color, o combinaciones de las mismas:

- se calculan medias de los canales R, G y B sin procesar del campo objetivo 32 donde se aplica la sangre;

- se normalizan los canales R y G por B del campo objetivo 32 (se realiza la normalización dividiendo cada uno de los valores de los canales R y G entre el correspondiente valor B);

- se calculan un delta entre los canales R y B y un delta entre los canales G y B del campo objetivo 32;

- se normalizan los canales R, G, B del campo objetivo 32 por los canales R, G, B del campo blanco 34;

- se calcula una proporción entre los canales R, G, B normalizados de objetivo a blanco del campo objetivo 32 y los canales R, G, B normalizados de blanco de un campo de referencia.

Esta lista de transformaciones de color no es exhaustiva. Se pueden proporcionar otras transformaciones de color para diferentes características.

Para el dispositivo aplicado para la toma de imágenes, por ejemplo, una pluralidad de teléfonos móviles, se pueden emplear diferentes procedimientos para calibrar. Las diferencias en esquemas de ajuste de color entre diferentes tipos de teléfonos móviles darán como resultado un rendimiento de predicción de glucosa divergente si se deja sin corregir. Se pueden usar una variedad de enfoques para generar curvas de calibración específicas del tipo de teléfono móvil que estandarizarán las salidas a una escala de referencia común. Por un lado, la calibración fuera de línea se puede realizar usando tarjetas de referencia de color que comprenden regiones de cromaticidad conocida. No es necesario llevar a cabo dicha calibración fuera de línea antes de cada medición. Se puede prever que la calibración fuera de línea se realice una vez, antes de que cualquier medición se lleve a cabo por un usuario. De forma alternativa, la calibración fuera de línea se lleva a cabo a intervalos de tiempo periódicos. Por otro lado, se puede emplear calibración en línea usando referencias de color. Para esto, las imágenes de la tarjeta de referencia se capturan junto con un campo de prueba a un tiempo preestablecido después de que se haya dosificado la tira reactiva. Las imágenes de la tira reactiva se capturan antes de la dosificación y después de la dosificación. La tira reactiva puede tener adicionalmente campos de referencia preimpresos para la calibración en línea.

Una vez se localiza el campo de destino 32, los valores de píxel RGB de una región dentro del campo de destino 32, por ejemplo, un círculo con un radio ligeramente más pequeño dentro del campo de destino 32, se extraen y se promedian para cada canal, proporcionando valores promedio para cada uno del canal R, G y B. Por tanto, se puede evitar promediar píxeles no deseados en el límite del campo objetivo 32.

Posteriormente, los valores promedio para cada canal de color se guardan en una tabla de datos junto con otros datos pertinentes tales como un valor de glucosa de referencia, una ID de imagen, un nombre de estudio, códigos de error, información relacionada con el estudio tal como temperatura, humedad, hematocrito o números de modelo del dispositivo. La tabla de datos se puede guardar, por ejemplo, como archivo de valores separados por comas (csv) o archivo mat de MATLAB para su procesamiento adicional.

Para propósitos de modelado específicos, no es pertinente cada columna de la tabla de datos. Por lo tanto, se genera una tabla más pequeña, la tabla de características, a partir de la tabla de datos incluyendo solo las columnas que se requieren para el modelado. Una tabla ejemplar con cuatro filas para la tabla de características se representa en la tabla 1.

Tabla 1: representación ejemplar de una tabla de características.

La tabla de características comprende valores de canal RGB promedio lineales tanto para el campo objetivo (tfRlin, tfGlin, tfBlin) como para el campo blanco (wfRlin, wfGlin, wfBlin). La linealización se logra configurando la curva de mapa de tonos de un teléfono inteligente en una línea recta 1:1. La linealización es necesaria para manejar diferentes curvas de mapa de tonos predeterminadas en diferentes tipos de teléfonos inteligentes. Sin establecer la curva del mapa de tonos, la relación entre los valores sería artificialmente no lineal debido a que las curvas del mapa de tonos por defecto son no lineales. El promedio se realiza para cada canal RGB por separado tomando el promedio aritmético de los valores de canal de la respectiva región (campo objetivo o campo blanco).

La tabla de características comprende además valores de canal RGB promedio lineales para el campo objetivo (blankValueRtf blankValueGtf, blankValueBtf) y el campo blanco (blankValueRwf, blankValueRwf, blankValueRwf) antes de la dosificación.

Se pueden evaluar los datos como inválidos si se determinó que los datos estaban muy (parcialmente) sobreexpuestos, no homogéneos, comprendían muy pocos píxeles, la correspondiente imagen no era suficientemente nítida o una combinación de los mismos. Los datos no válidos se pueden eliminar de la tabla de características. La tabla de características no incluye información de todas las imágenes de la misma medición. En general, para cada serie de imágenes 201, se capturan aproximadamente 80 imágenes 30, pero no todas las imágenes 30 son necesarias para el modelado. Puede ser suficiente o deseable emplear los datos de la imagen final y de 10 a 19 imágenes que preceden a la imagen final para el modelado. En las imágenes finales, la pendiente de los canales R o G es próxima a cero, es decir, la cinética de color se estabiliza en un determinado tiempo después de la dosificación y los colores no cambian o cambian solo mínimamente a partir de ese punto. Tomar imágenes con cinética de color estacionaria puede incrementar la comparabilidad de las imágenes.

Con referencia además a la fig. 2, en la etapa 204, los datos de la tabla de características se usan para la ingeniería de características. Uno de los aspectos más importantes del modelado es seleccionar las características apropiadas para un modelo. Puesto que el objetivo es predecir los valores de glucemia, se espera que el uso de características que tienen una fuerte correlación con los valores de glucemia de referencia dé como resultado mejores modelos. Los valores de glucemia de referencia se han determinado con sistemas de medición de glucemia establecidos. Los canales RGB lineales presentan un determinado grado de correlación con los valores de glucosa de referencia. Sin embargo, todavía se pueden mejorar los resultados creando nuevas características que tengan una correlación más fuerte con los valores de glucosa de referencia. Además, la creación de dichas nuevas características puede ser beneficiosa ya que las dependencias se pueden reducir con respecto a diferentes tipos de teléfonos móviles y condiciones de medición tales como condiciones climáticas o condiciones de iluminación.

A este respecto, la fig. 4 muestra una representación gráfica del proceso de crear nuevas características 42 a partir de características 40 de la tabla de características aplicando una transformación de características 41, tales como una transformación de color a las características 40. Las características 40 pueden comprender los valores de canal RGB promedio lineales para el campo objetivo (tfRIin, tfGlin, tfBlin) y/o el campo blanco (wfRIin, wfGlin, wfBlin) y/o los valores de canal RGB antes de la dosificación (blankValueRtf blankValueGtf, blankValueBtf), (blankValueRwf, blankValueRwf, blankValueRwf).

En la fig. 5a y 5b, se muestran representaciones del comportamiento de correlación de nuevas características ejemplares 42 creadas por la transformación de características 41 de las características 40. Los gráficos 51 a 56 muestran cada uno el comportamiento de correlación de una de las nuevas características 42 (ejes x) con los valores de glucemia de referencia (ejes y). La característica "GRY" como en el gráfico 52 se refiere a valores de color en escala de grises. El sufijo "N" en determinadas características se refiere a normalización. En particular, "RGBN" como en el gráfico 53 quiere decir "color RGB normalizado". Diferentes marcadores (O, , 0) corresponden a diferentes tipos de experimentos. Las nuevas características representadas 42 presentan una correlación más fuerte con los valores de glucosa de referencia que solo los valores RGB sin procesar.

Por el contrario, la fig. 5c muestra representaciones del comportamiento de correlación de los valores del canal RGB sin procesar con los valores de glucemia de referencia. El gráfico 57 muestra el valor del canal R promedio lineal para el campo objetivo tfRIin. El gráfico 58 muestra el valor del canal G promedio lineal para el campo objetivo tfGlin. Los gráficos 57 y 58 muestran una mayor dispersión de los valores y por tanto una correlación más débil con los valores de glucemia de referencia que las nuevas características 42 representadas en la fig. 5a y 5b.

Con referencia de nuevo a la fig. 2, en una etapa posterior 206, se crean conjuntos de entrenamiento, validación y prueba a partir de los datos de la tabla de características antes de que se pueda entrenar un modelo ANN. Se prevé que los datos se dividan en un conjunto de entrenamiento, validación y prueba. Un 60 % de los datos se usan para entrenamiento, un 20 % para validación y un 20 % para prueba. También se pueden emplear técnicas de validación cruzada tales como validación cruzada dejando p fuera o validación cruzada de k iteraciones. Se crea el conjunto de entrenamiento usando un muestreo aleatorio estratificado de los datos. Se realizó la estratificación en base a los tipos de teléfonos inteligentes y tipos de experimentos, es decir, se dividen los datos en subpoblaciones separadas (estratos), en los que cada estrato corresponde a un tipo de teléfono inteligente y tipo de experimento diferentes. Posteriormente, se muestrean los datos por separado para cada estrato y a continuación se combinan para crear los datos de entrenamiento. Hacer esto garantiza que los datos de entrenamiento todavía representen la población completa de tipos de teléfonos inteligentes y experimentos. Los conjuntos de validación y los conjuntos de prueba se pueden crear de forma análoga.

Se usa el conjunto de validación para evitar el sobreentrenamiento/sobreajuste, mientras que se usa el conjunto de prueba para una evaluación independiente del modelo durante el entrenamiento. Se añade una columna a un conjunto de datos de entrada para indicar qué datos se usan para entrenamiento, prueba y validación. La columna añadida es importante para identificar los subconjuntos apropiados cuando se entrena la ANN.

En la etapa 207, se entrena la ANN. La ANN se entrena con diferentes condiciones de medición, de modo que las diferentes condiciones de medición se representan en el conjunto de entrenamiento y se pueden incluir en el modelo. También se prevé se incluyan diferentes tipos de teléfonos inteligentes en la modelización. El entrenamiento de la ANN se puede realizar en entornos de cálculo numérico tales como MATLAB. Para un rendimiento incrementado, también se pueden emplear lenguajes de programación compilados. La fig. 6 muestra una representación gráfica de una arquitectura ejemplar de un modelo ANN 60 que se va a entrenar. La arquitectura en la fig. 6 comprende dos capas ocultas 62, 63. De forma alternativa, se puede emplear una sola capa oculta de más de dos capas ocultas (no mostrado) dependiendo de la complejidad del problema. Los valores de entrada 61 se pasan a la capa oculta 62. La salida de la capa oculta 62 se pasa a la capa oculta 63. La salida de la capa oculta 63 a su vez se pasa a una capa de salida 64, dando como resultado un valor de salida 65. El valor de salida 65 corresponde a un valor de glucemia previsto. Se optimizan los coeficientes de ponderación 62a, 62b, 63a, 63b, 64a y 64b durante el entrenamiento para el modelo de glucemia apropiado.

Se pueden usar procedimientos de regularización tales como interrupción anticipada para evitar el sobreentrenamiento. Por ejemplo, se puede prever que se permita un máximo de 12 iteraciones para entrenar el modelo 60. El número máximo de épocas se puede establecer en 1000, por ejemplo. Se entrenan múltiples modelos 60 con puntos de inicialización diferentes y sus métricas de rendimiento se guardan en un archivo de tabla, tal como un archivo csv, para selección de modelo posterior. Una vez que se crean todos los modelos 60 y se evalúan las métricas de rendimiento, se selecciona un modelo de mejor rendimiento como modelo entrenado final.

En referencia de nuevo a la fig. 2, en la etapa 208, el modelo entrenado se establece usando una fórmula de red neuronal que consiste en una combinación lineal de tangentes hiperbólicas de características con coeficientes optimizados obtenidos de la ANN entrenada. Por el uso del modelo de red neuronal entrenado, se determinan los valores de glucemia (etapa 209). Posteriormente, los valores de glucemia determinados se envían para procesamiento adicional (etapa 210).

Las fig. 7 y 8 muestran cada una un diagrama de error de Parkes que ilustra el rendimiento de valores de glucemia determinados frente a valores de glucemia reales en el conjunto de datos completo. Los diagramas de error de Parkes (diagramas de error de consenso) son herramientas gráficas bien conocidas para comparar diferentes datos en diagnósticos cuantitativos (Parkes et al., Diabetes Care 23:1143-1148, 2000). Cada eje y corresponde a los valores de glucemia previstos; cada eje x corresponde a los valores de glucemia reales. Cada diagrama de error se divide en diferentes zonas A a D, correspondientes a diferentes regiones de error. Las desviaciones de las líneas de bisectriz 71, 81 dentro de la zona A corresponden a errores bajos. Es deseable que la mayoría de los valores estén dentro de la zona A. La zona B corresponde a errores moderados, la zona C a errores inaceptablemente grandes para el tratamiento de pacientes y la zona D a errores excesivamente grandes. En la fig. 7, diferentes marcadores corresponden a diferentes tipos de experimentos; en la fig. 8, diferentes marcadores corresponden a diferentes tipos de teléfonos inteligentes. Como se puede observar de la fig. 7 y 8, los valores de glucemia previstos corresponden razonablemente bien a los valores de glucemia reales tanto para diferentes tipos de teléfonos móviles como para diferentes tipos de experimentos.

La tabla 2 muestra la frecuencia en que los valores de glucemia caen en diferentes zonas de diagramas de error de Parkes A a E para un algoritmo tradicional o sin ANN (regresión lineal multivariante paramétrica) en comparación con el enfoque del modelo ANN. Los valores dentro de las zonas A y B se consideran aceptables, los valores dentro de las zonas C a E de inaceptables a críticos. Tanto el algoritmo tradicional como el modelo ANN se entrenaron con los conjuntos de datos de codificación M1 y M2. Posteriormente, se evaluaron los tipos de teléfonos móviles desconocidos (conjuntos de datos de codificación M4, M5 y M6). Los conjuntos de datos de codificación M1 a M5 provienen de datos de laboratorio determinados en condiciones estándar (t = 24 °C, hum. = 45 %) en una estación de medición estándar y que comprenden un valor de referencia de glucosa hexocinasa. Se minimizan los efectos ambientales y de manejo. Se emplearon cinco tipos diferentes de teléfonos móviles por conjunto de datos de codificación. Por lo tanto, se realizó el entrenamiento por el uso de 10 tipos de teléfonos móviles diferentes. Los algoritmos así generados estuvieron posteriormente provistos de datos desconocidos de 3 x 5 = 15 tipos de teléfonos móviles diferentes.

Tabla 2: Comparación de enfoques tradicionales y de ANN para la predicción de glucemia.

Como se puede observar de la tabla 2, el modelo ANN funciona mejor al estimar valores de glucemia para tipos de teléfonos móviles desconocidos que el algoritmo tradicional. De forma importante, ningún valor del modelo ANN está dentro de las zonas inaceptables C a E, lo que corresponde a clasificaciones erróneas graves de los niveles de glucemia.

En otros ejemplos para la predicción de glucemia, el algoritmo tradicional 91 tal como, por ejemplo, ajustes polinomiales, se puede usar en combinación con modelos ANN 92. La fig. 9 muestra una representación gráfica de diferentes tipos de combinaciones que se pueden usar:

a) se pueden usar las predicciones 93 de un algoritmo tradicional 91 como entrada (característica) para el modelo ANN 92;

b) se pueden usar las predicciones 94 de un modelo ANN 92 como entrada a un algoritmo tradicional 91; y c) se puede usar tanto un algoritmo tradicional 91 como un modelo ANN 92 y se pueden usar las diferencias en las predicciones 93, 94 de ambos algoritmos como un mecanismo de seguridad para eliminar predicciones incorrectas. La fig. 10 muestra un diagrama de error de Parkes que representa las predicciones del modelo ANN que usa predicciones de algoritmos tradicionales como una de sus entradas.

La fig. 11 muestra una representación gráfica de otro modo de realización de un algoritmo tradicional y de modelo ANN 110 combinado. De la serie de imágenes 201, que comprende al menos dos imágenes, se extraen determinadas características (etapa 111). A continuación, se monitorizan estas características y se determinan para obtener un valor seco (blanco) y un valor final usando un algoritmo cinético (etapa 112).

A continuación se procesan las características en un algoritmo tradicional (etapa 113) y un modelo ANN (etapa 114) en paralelo, dando como resultado predicciones del valor de glucemia (etapa 115). También se pueden proporcionar indicadores de error si es aplicable.

La fig. 12 muestra tres diagramas de error de Parkes 120, 121, 122 para comparar el rendimiento de enfoques del modelo ANN y tradicional. Para el diagrama de error 120, solo se empleó un algoritmo tradicional; para el diagrama de error 121, solo se empleó un modelo ANN. Como se puede observar en los diagramas de error 120 y 121, el rendimiento de medición para el modelo ANN basado en características es mejor que el del algoritmo tradicional. El diagrama de error 122 demuestra por qué no se debe basar solo en modelos ANN. Aquí, como escaparate, la ANN solo se entrenó en valores de glucemia por debajo de 450 mg/dl. Por lo tanto, las muestras 122a, 122b fuera del alcance del entrenamiento se clasifican erróneamente de forma grave. Para garantizar que cualquier dato de entrada inesperada a la ANN dé lugar a resultados de glucemia incorrectos, los valores de glucemia determinados tradicionalmente se podrían usar como un mecanismo de seguridad para los resultados de glucemia de ANN.

Claims (13)

REIVINDICACIONES

1. Un procedimiento para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal, comprendiendo el procedimiento, en uno o más dispositivos de procesamiento de datos,

- proporcionar un primer conjunto de datos de medición, representando el primer conjunto de datos de medición la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés (31) de una o más tiras reactivas (30a), siendo las imágenes

- indicativas de una transformación de color de la región de interés (31) en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito a la región de interés (31); y

- registradas por una pluralidad de dispositivos configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, la pluralidad de dispositivos provistos de diferente configuración de dispositivos de programa informático y/o equipo aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo;

- generar un modelo de red neuronal en un proceso de aprendizaje automático aplicando una red neuronal artificial, que comprende

- proporcionar el modelo de red neuronal;

- crear datos de entrenamiento, datos de validación y datos de prueba a partir del primer conjunto de datos de medición; y

- entrenar el modelo de red neuronal por los datos de entrenamiento, en el que los datos de entrenamiento representan una población completa de la pluralidad de dispositivos y tipos de experimento; y

- generar un módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa el modelo de red neuronal;

en el que el módulo implementado por programa informático se configura para, cuando se carga en un dispositivo de procesamiento de datos que tiene uno o más procesadores, determinar la concentración de un analito en una segunda muestra de un líquido corporal a partir del análisis de un segundo conjunto de datos de medición indicativos de la segunda información de color derivada por procesamiento de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar la segunda muestra del líquido corporal que contiene el analito a la región de interés.

2. Un procedimiento para determinar la concentración de un analito en una muestra de un líquido corporal, comprendiendo el procedimiento, en uno o más dispositivos de procesamiento de datos,

- proporcionar un actual conjunto de datos de medición indicativos de la actual información de color derivada por el procesamiento de imágenes a partir de imágenes para una región de interés (31) de una actual tira reactiva (30a), siendo las imágenes indicativas de una transformación de color de la región de interés (31) en respuesta a aplicar una actual muestra de un líquido corporal que contiene un analito a la región de interés (31);

- proporcionar un módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa un modelo de red neuronal generado en un proceso de aprendizaje automático aplicando una red neuronal artificial;

- determinar la concentración del analito en la actual muestra del líquido corporal, que comprende analizar el actual conjunto de datos de medición por el primer algoritmo de análisis; y

- generar datos de concentración indicativos de la concentración del analito en la actual muestra del líquido corporal;

en el que generar el modelo de red neuronal en el proceso de aprendizaje automático comprende

- proporcionar un primer conjunto de datos de medición, el primer conjunto de datos de medición

- indicativo de la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito para la región de interés; y

- representar la primera información de color derivada de imágenes registradas por una pluralidad de dispositivos configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, estando provista la pluralidad de dispositivos de una configuración de dispositivo diferente aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo; y

- crear datos de entrenamiento, datos de validación y datos de prueba a partir del primer conjunto de datos de medición; y

- entrenar el modelo de red neuronal por los datos de entrenamiento, en el que los datos de entrenamiento representan una población completa de la pluralidad de dispositivos y tipos de experimento.

3. Procedimiento de acuerdo con la reivindicación 1 o 2, que comprende la pluralidad de dispositivos que tienen al menos uno de diferentes dispositivos de cámara y diferente programa informático de procesamiento de imágenes aplicado para el registro de imágenes y el procesamiento de datos de imágenes.

4. Procedimiento de acuerdo con cualquier reivindicación de las reivindicaciones precedentes, en el que las imágenes registradas comprenden imágenes registradas con diferentes condiciones de registro de imágenes ópticas.

5. Procedimiento de acuerdo con cualquiera de las reivindicaciones 2 a 4, que comprende además

- proporcionar un segundo algoritmo de análisis, siendo el segundo algoritmo de análisis diferente del primer algoritmo de análisis; y

- determinar, para la concentración del analito en la actual muestra del líquido corporal, un primer valor de estimación analizando el actual conjunto de datos de medición por medio del segundo algoritmo de análisis.

6. Procedimiento de acuerdo con la reivindicación 5, en el que la determinación comprende determinar un intervalo objetivo para la concentración del analito en la actual muestra del líquido corporal.

7. Procedimiento de acuerdo con la reivindicación 5 o 6, en el que la determinación comprende determinar una concentración promediada promediando el primer valor de estimación y un valor de concentración proporcionado por el análisis del actual conjunto de datos de medición por el primer algoritmo de análisis.

8. Procedimiento de acuerdo con cualquiera de las reivindicaciones 2 a 7, en el que la determinación comprende determinar la concentración de glucemia en la segunda muestra.

9. Procedimiento de acuerdo con cualquier reivindicación de las reivindicaciones precedentes, en el que el menos uno del primer, segundo y actual conjunto de datos de medición puede representar la primera, segunda y actual información de color, respectivamente, derivada por procesamiento de imágenes a partir de imágenes registradas durante un período de tiempo de medición para la región de interés de la una o más tiras reactivas, imágenes consecutivas registradas con un intervalo de tiempo de aproximadamente 0,1 a aproximadamente 1,5 s.

10. Procedimiento de acuerdo con cualquier reivindicación de las reivindicaciones precedentes, en el que las imágenes comprenden imágenes de la región de interés antes de aplicar la una o más primeras muestras del líquido corporal a la región de interés.

11. Un sistema para generar un módulo implementado por programa informático configurado para determinar la concentración de un analito en una muestra de un líquido corporal, comprendiendo el sistema uno o más dispositivos de procesamiento de datos, el uno o más dispositivos de procesamiento de datos configurados para

- proporcionar un primer conjunto de datos de medición, representando el primer conjunto de datos de medición la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés (31) de una o más tiras reactivas (30a), siendo las imágenes

- indicativas de una transformación de color de la región de interés (31) en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito a la región de interés (31); y

- registradas por una pluralidad de dispositivos configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, la pluralidad de dispositivos provistos de diferente configuración de dispositivos de programa informático y/o equipo aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo;

- generar un modelo de red neuronal en un proceso de aprendizaje automático aplicando una red neuronal artificial, que comprende

- proporcionar el modelo de red neuronal;

- crear datos de entrenamiento, datos de validación y datos de prueba a partir del primer conjunto de datos de medición; y

- entrenar el modelo de red neuronal por los datos de entrenamiento, en el que los datos de entrenamiento representan una población completa de la pluralidad de dispositivos y tipos de experimento; y

- generar un módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa el modelo de red neuronal;

en el que el módulo implementado por programa informático se configura para, cuando se carga en un dispositivo de procesamiento de datos que tiene uno o más procesadores, determinar la concentración de un analito en una segunda muestra de un líquido corporal a partir del análisis de un segundo conjunto de datos de medición indicativos de la segunda información de color derivada por procesamiento de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar la segunda muestra del líquido corporal que contiene el analito a la región de interés.

12. Un sistema para determinar la concentración de un analito en una muestra de un líquido corporal, comprendiendo el sistema uno o más dispositivos de procesamiento de datos, el uno o más dispositivos de procesamiento de datos configurados para

- proporcionar un actual conjunto de datos de medición indicativos de la actual información de color derivada por el procesamiento de imágenes a partir de imágenes para una región de interés (31) de una actual tira reactiva (30a), siendo las imágenes indicativas de una transformación de color de la región de interés (31) en respuesta a aplicar una actual muestra de un líquido corporal que contiene un analito a la región de interés (31);

- proporcionar un módulo implementado por programa informático que comprende un primer algoritmo de análisis que representa un modelo de red neuronal generado en un proceso de aprendizaje automático aplicando una red neuronal artificial;

- determinar la concentración del analito en la actual muestra del líquido corporal, que comprende analizar el actual conjunto de datos de medición por el primer algoritmo de análisis; y

- generar datos de concentración indicativos de la concentración del analito en la actual muestra del líquido corporal;

en el que generar el modelo de red neuronal en el proceso de aprendizaje automático comprende

- proporcionar un primer conjunto de datos de medición, el primer conjunto de datos de medición

- indicativo de la primera información de color derivada por procesamiento de datos de imágenes a partir de imágenes para una región de interés de una o más tiras reactivas, siendo las imágenes indicativas de una transformación de color de la región de interés en respuesta a aplicar una o más primeras muestras de un líquido corporal que contiene un analito para la región de interés; y

- representar la primera información de color derivada de imágenes registradas por una pluralidad de dispositivos configurado cada uno para el registro de imágenes y el procesamiento de datos de imágenes para generar la primera información de color, estando provista la pluralidad de dispositivos de una configuración de dispositivo diferente aplicada para el registro de imágenes y el procesamiento de datos de imágenes en el dispositivo; y

- crear datos de entrenamiento, datos de validación y datos de prueba a partir del primer conjunto de datos de medición; y

- entrenar el modelo de red neuronal por los datos de entrenamiento, en el que los datos de entrenamiento representan una población completa de la pluralidad de dispositivos y tipos de experimento.

13. Producto de programa informático, que comprende un código de programa configurado para, cuando se carga en un ordenador que tiene uno o más procesadores, realizar el procedimiento de acuerdo con al menos una de la reivindicación 1 a 10.