Los investigadores de Stanford Medicine han desarrollado un algoritmo basado en inteligencia artificial que puede analizar tres de los cuatro subtipos más comunes de diabetes tipo 2 utilizando datos de monitores continuos de glucosa en sangre.
Desde hace tiempo, la diabetes se ha dividido en dos categorías: la diabetes tipo 1, que suele aparecer en la infancia, y la diabetes tipo 2, que está asociada a la obesidad y suele desarrollarse más adelante en la vida. Pero los científicos han descubierto que no todos los pacientes con diabetes tipo 2 son iguales, ya que algunos pacientes varían en peso corporal, edad de aparición y otras características.
Ahora, investigadores de Stanford Medicine han desarrollado un algoritmo basado en inteligencia artificial que utiliza datos de monitores continuos de glucosa en sangre para analizar tres de los cuatro subtipos más comunes de diabetes tipo 2.
“Es una herramienta que las personas pueden usar para tomar medidas preventivas. Si los niveles desencadenan una advertencia de prediabetes, por ejemplo, se podrían ajustar los hábitos alimentarios o de ejercicio”, dijo Michael Snyder , PhD, profesor de genética que codirigió el estudio. Snyder es profesor de genética de Stanford W. Ascherman, MD, FACS.
Aproximadamente el 13% de la población de Estados Unidos, unos 40 millones de personas, han sido diagnosticadas con diabetes y 98 millones tienen prediabetes, por lo que una tecnología ampliamente accesible que señale los detalles del diagnóstico sería un cambio radical para el cuidado de la diabetes, dijo Snyder.
“La mayoría de las personas con diabetes tienen el tipo 2, y se les llama simplemente ‘tipo 2’”, dijo Tracey McLaughlin , MD, profesora de endocrinología. “Pero es más complejo que eso, y hay diferentes fisiologías subyacentes que conducen a la enfermedad”.
Ha habido un movimiento creciente para subclasificar la diabetes tipo 2, que representa el 95% de todos los casos de diabetes, para comprender mejor el riesgo de tener otras afecciones relacionadas, como complicaciones cardiovasculares, renales, hepáticas u oculares, y para identificar la fisiología subyacente de la diabetes de las personas. «Esto es importante porque, según el tipo que se tenga, algunos medicamentos funcionarán mejor que otros», dijo McLaughlin. «Nuestro objetivo era encontrar una forma más accesible y a pedido para que las personas comprendan y mejoren su salud».
La tecnología podría haber sido útil para Snyder hace años cuando se enteró de que era prediabético. “Cuando me enteré de que estaba a punto de volverme diabético, aumenté mi masa muscular, que es una de las formas habituales de ayudar a reducir el azúcar en sangre, pero no tuvo ningún efecto. Eso se debe a que tradicionalmente no soy resistente a la insulina”, dijo. Su variedad de diabetes tipo 2 se debe a algo llamado deficiencia de células beta, lo que significa que las células que producen insulina no funcionan como deberían.
El 23 de diciembre se publicó en Nature Biomedical Engineering un artículo que detalla la investigación . McLaughlin y Snyder son coautores principales. Ahmed Metwally, PhD, ex investigador postdoctoral en Stanford Medicine que ahora es científico investigador en Google, es el autor principal.
Detallando la diabetes
En la actualidad, el diagnóstico de la diabetes se basa únicamente en el nivel de glucosa en sangre y se puede realizar mediante una simple extracción de sangre. “Pero esas pruebas revelan poco sobre la biología que subyace a la hiperglucemia”, afirmó McLaughlin. “Para comprender la fisiología que la sustenta se requieren pruebas metabólicas realizadas en un entorno de investigación, pero las pruebas son engorrosas y caras y no son prácticas para su uso en la clínica”.
Sin embargo, los monitores continuos de glucosa, disponibles sin receta, pueden detectar niveles altos de azúcar en sangre y recopilar información más detallada sobre su biología metabólica.
La insulina, una hormona producida en el páncreas, regula los niveles de glucosa, o azúcar, en el torrente sanguíneo al estimular a las células a absorberla y utilizarla como energía. Si el páncreas no produce suficiente insulina, lo que se conoce como deficiencia de insulina, la glucosa en sangre aumenta. La resistencia a la insulina, un marcador común de la diabetes, se produce cuando las células no responden a las señales de la insulina, lo que también produce una acumulación de glucosa en sangre.
La diabetes tipo 2 también puede ser consecuencia de un defecto en la producción de incretina, una hormona liberada por el intestino después de comer que estimula la secreción de insulina del páncreas, o de una resistencia a la insulina en el hígado. Cada uno de estos cuatro subtipos fisiológicos de diabetes puede responder a diferentes terapias.
Probando el algoritmo
McLaughlin y Snyder se preguntaron si un dispositivo común como un monitor continuo de glucosa podría producir datos con señales ocultas que se correlacionen con los diferentes subtipos de diabetes. El dispositivo, que los usuarios se colocan en la parte superior del brazo, mide el aumento y la disminución de los niveles de azúcar en sangre en tiempo real. Las personas que beben una bebida con glucosa a menudo presentan un pico de glucosa en sangre, pero el nivel y el patrón de esos picos varían de una persona a otra.
En un estudio de 54 participantes, 21 de los cuales tenían prediabetes y 33 estaban sanos, los investigadores aplicaron un algoritmo impulsado por inteligencia artificial para identificar patrones dentro de los picos y caídas que correspondían a diferentes subtipos de diabetes tipo 2.
Los participantes que utilizaron los monitores continuos de glucosa también se sometieron a la prueba de glucosa oral realizada en el consultorio de un médico. “La gente ha estudiado esto durante décadas y ha encontrado ciertos parámetros que indican resistencia a la insulina o disfunción de las células beta, que son los principales impulsores de la diabetes”, dijo McLaughlin. “Pero ahora tenemos los monitores y se puede obtener una imagen mucho más matizada del patrón de glucosa que predice estos subtipos con mayor precisión y se puede realizar en casa”.
Al compararlo con datos clínicos y otros biomarcadores de enfermedades metabólicas, el algoritmo (ya sea aplicado a los datos del monitor continuo de glucosa o a los datos de las extracciones de sangre realizadas después de una prueba de tolerancia a la glucosa) predijo subtipos metabólicos, como la resistencia a la insulina y la deficiencia de células beta, con mayor precisión que las pruebas metabólicas tradicionales. La herramienta es capaz de detectar e identificar los subtipos correctamente aproximadamente el 90% de las veces.
Ampliar la accesibilidad
Además de los datos de mayor resolución para las personas con diabetes o prediabetes, el uso del monitor tiene otras ventajas. “Incluso si una persona con resistencia a la insulina no desarrolla diabetes, es importante saberlo”, dijo McLaughlin, “porque la resistencia a la insulina es un factor de riesgo para una variedad de otras afecciones de salud, como enfermedades cardíacas y enfermedad del hígado graso”.
McLaughlin y Snyder planean seguir probando el algoritmo con personas a las que se les ha diagnosticado diabetes tipo 2 y esperan que la amplia disponibilidad de la tecnología mejore el acceso a la atención, incluso cuando los pacientes no puedan asistir a una cita médica.
“También vemos esta tecnología como una herramienta valiosa de atención médica para las personas que tienen dificultades económicas o están aisladas geográficamente y no pueden acceder a un sistema de atención médica”, dijo McLaughlin.
El Departamento de Genética y el Departamento de Medicina de Stanford apoyaron el trabajo. Stanford Report. Traducido al español
Contacto