Modelo de IA detecta riesgo oculto de diabetes al analizar picos de glucosa

Sin embargo, esta prueba no puede predecir quién tiene mayor riesgo de progresar de un estado saludable a prediabetes, o de prediabetes a diabetes.

Si bien ciertas fluctuaciones de azúcar en sangre son normales, especialmente después de comer, los picos de glucosa frecuentes o exagerados pueden indicar una incapacidad para regular el azúcar eficazmente. En personas en riesgo, estos picos pueden volverse más pronunciados o resolverse más lentamente, a menudo antes de que las pruebas tradicionales como la HbA1c detecten alguna anomalía. Los investigadores han desarrollado una nueva solución que utiliza sensores portátiles e inteligencia artificial (IA) para detectar cambios metabólicos tempranos e identificar a las personas con mayor riesgo de desarrollar diabetes.

El nuevo modelo, desarrollado por investigadores de Scripps Research (La Jolla, CA, EUA), utiliza datos de monitores continuos de glucosa (MCG) junto con información sobre el microbioma intestinal, la dieta, la actividad física y la genética para detectar signos tempranos de riesgo de diabetes que las pruebas estándar de HbA1c no detectan. Los investigadores emplearon datos de un programa de investigación digital de varios años llamado Estudio de Predicción de la Respuesta Glucémica (PROGRESS, por sus siglas en inglés) para entrenar al modelo de IA a distinguir entre personas con diabetes tipo 2 y personas sanas.

El estudio reclutó a más de 1.000 participantes remotos en todo Estados Unidos mediante campañas en redes sociales. Incluyó personas con prediabetes, diabetes tipo 2 y regulación saludable de la glucosa. Durante diez días, los participantes usaron monitores Dexcom G6 CGM, registraron su ingesta de alimentos y actividad física, y enviaron muestras de sangre, saliva y heces. Los investigadores también revisaron los historiales médicos electrónicos de los participantes. El estudio demostró que el seguimiento de la dinámica diaria proporciona una visión mucho más detallada de la salud metabólica de una persona y podría ayudar a identificar problemas de forma más temprana.

El modelo de IA desarrollado en este estudio examinó patrones como el tiempo que tardaban en normalizarse los picos de glucosa y el comportamiento de la glucosa durante la noche para distinguir a las personas con mayor probabilidad de desarrollar diabetes. Para validar el modelo, los investigadores lo entrenaron para diferenciar entre personas con diabetes tipo 2 y aquellas sin la enfermedad. Uno de los indicadores más claros del riesgo de diabetes fue el tiempo que tardaba el azúcar en sangre en volver a la normalidad después de un pico: las personas con diabetes a menudo requerían más de 100 minutos, mientras que las más sanas regresaban a su línea base más rápidamente. El estudio también encontró que las personas con un microbioma intestinal más diverso y un mayor nivel de actividad tendían a tener un mejor control de la glucosa, mientras que una frecuencia cardíaca en reposo más alta se relacionó con la diabetes.

Los resultados, publicados en Nature Medicine, mostraron que el modelo reveló que incluso entre personas con valores de HbA1c similares, algunas presentaban un alto riesgo metabólico mientras que otras se asemejaban a individuos sanos. Este enfoque impulsado por IA podría ayudar a adaptar las intervenciones tempranas, guiar los cambios de estilo de vida y, finalmente, adoptarse para uso personal en la monitorización basada en CGM. Los investigadores continúan siguiendo a los participantes para evaluar la precisión predictiva a largo plazo y ampliar su utilidad clínica.

“En última instancia, se trata de dar a las personas más información y control. La diabetes no aparece de un día para otro, sino que se desarrolla lentamente, y ahora contamos con las herramientas para detectarla antes e intervenir de forma más inteligente", afirmó el coautor principal, Giorgio Quer, director de inteligencia artificial y profesor adjunto de Medicina Digital en Scripps Research.

Enlaces relacionados:
Scripps Research