Dispositivos portátiles con IA podrían transformar la atención de la diabetes tipo 2 y la prediabetes

Al recopilar datos cada pocos minutos en lugar de varias veces al día, estas herramientas ofrecen una visión mucho más detallada de los patrones de glucosa. Sin embargo, la investigación en este campo ha sido fragmentada, centrándose a menudo en dispositivos o modelos de IA específicos, lo que dificulta la evaluación integral del campo.

Para abordar esta brecha, investigadores de la Universidad de Buffalo (Buffalo, NY, EUA) llevaron a cabo la primera metarevisión integral de tecnologías portátiles mejoradas con IA para prediabetes y diabetes tipo 2. Publicado en NPJ Digital Medicine, el estudio revisó evidencia de los últimos años y concluyó que, aunque estos dispositivos tienen un enorme potencial, se deben resolver desafíos importantes antes de que se conviertan en herramientas de rutina en la atención clínica.

El equipo de investigación analizó 60 estudios de alta calidad, seleccionados de casi 5.000 artículos revisados por pares, que examinaron la integración de la IA y la tecnología portátil en el manejo de la diabetes. Los hallazgos muestran que los dispositivos portátiles mejorados con IA pueden predecir cambios en la glucosa con una o dos horas de antelación, lo que permite a las personas anticipar y evitar fluctuaciones peligrosas. Estos sistemas también pueden personalizar las recomendaciones en función de las rutinas diarias, la actividad física, los patrones de sueño y los niveles de estrés, al tiempo que ayudan a los clínicos a gestionar de forma más eficiente grandes volúmenes de datos de pacientes.

A pesar de estas ventajas, la revisión destaca varias limitaciones. Muchos sistemas de IA funcionan como "cajas negras", ya que ofrecen predicciones sin explicar el razonamiento subyacente. Esta falta de transparencia puede dificultar que pacientes y profesionales clínicos confíen en las recomendaciones o las apliquen. Otros desafíos incluyen poblaciones de estudio pequeñas y homogéneas, validación externa limitada, ausencia de conjuntos de datos estandarizados, calidad de datos inconsistente y barreras relacionadas con el costo y la integración en los flujos de trabajo clínicos existentes.

Los investigadores también descubrieron que el rendimiento de los dispositivos portátiles mejorados con IA depende en gran medida del tipo de modelo de IA utilizado. Los modelos de series temporales, como las redes de memoria a corto plazo, son adecuados para datos continuos de glucosa, mientras que los modelos más recientes basados en transformadores pueden integrar múltiples flujos de datos, como la frecuencia cardíaca, el sueño y la actividad. Sin embargo, los modelos más sencillos pueden ser más fáciles de interpretar y adoptar en entornos clínicos, lo que pone de relieve la necesidad de equilibrar el rendimiento con la explicabilidad.

En conjunto, el estudio sugiere que los dispositivos portátiles mejorados con IA podrían apoyar la detección temprana del riesgo, una atención más personalizada y, potencialmente, retrasar la progresión de la prediabetes a la diabetes. No obstante, será esencial contar con una validación más amplia, mayor transparencia y una mejor integración clínica antes de que estas tecnologías puedan alcanzar todo su potencial.

“Para las personas que viven con diabetes, los dispositivos portátiles habilitados con IA tienen el potencial de ofrecer orientación más oportuna y personalizada, ayudándoles a evitar fluctuaciones de glucosa y a tomar decisiones diarias con mayor confianza”, dijo el Dr. Raphael Fraser, autor correspondiente y profesor asociado de medicina. “Para los profesionales clínicos, la principal conclusión es que estas herramientas pueden ayudar a identificar riesgos de forma temprana y a facilitar una atención más eficiente”.

Enlaces relacionados:
Universidad de Buffalo