Un nuevo modelo de IA identifica el riesgo de diabetes antes de que aparezcan resultados anormales en las pruebas.

Millones de personas podrían desconocer su riesgo de diabetes temprana. Los modelos de IA muestran por qué los picos de azúcar en sangre pueden ser más importantes que los resultados de las pruebas.

En un artículo reciente publicado en la revista Nature Medicine, los investigadores analizaron datos de más de 2.400 personas en dos cohortes para identificar patrones de picos de glucosa y desarrollar perfiles de riesgo glucémico personalizados.

Encontraron diferencias significativas en los patrones de picos de glucosa entre personas con diabetes tipo 2 (DT2) y aquellas con prediabetes o normoglucemia. Su modelo de riesgo multimodal podría ayudar a los médicos a identificar a los prediabéticos con mayor riesgo de desarrollar DT2.

Las personas con diabetes de tipo 2 experimentaron hipoglucemia nocturna más grave y tardaron más tiempo, en promedio más de 20 minutos, en volver a los niveles basales de glucosa después de los picos, lo que sugiere diferencias fisiológicas clave.

La diabetes y la prediabetes afectan a una proporción significativa de la población adulta de Estados Unidos, pero las pruebas de diagnóstico estándar, como la hemoglobina glucosilada (HbA1c) y la glucosa en ayunas, no captan toda la complejidad de la regulación de la glucosa.

Muchos factores (el estrés, la composición del microbioma, el sueño, la actividad física, la genética, la dieta y la edad) pueden influir en las fluctuaciones de la glucemia, especialmente en los picos posprandiales (definidos como aumentos de al menos 30 mg/dL en 90 minutos), que ocurren incluso en personas aparentemente sanas.

Anteriormente, estas variaciones se han estudiado utilizando la monitorización continua de glucosa (MCG), pero su cobertura a menudo se ha limitado a individuos prediabéticos y normoglucémicos, y los estudios a menudo han carecido de representación de grupos históricamente subrepresentados en la investigación biomédica.

Para abordar esta brecha, el estudio PROGRESS llevó a cabo un ensayo clínico remoto a nivel nacional que inscribió a 1137 participantes diversos (48,1 % de grupos históricamente subrepresentados en la investigación biomédica) con normoglucemia y diabetes tipo 2 durante 10 días de CGM, mientras se recopilaban datos sobre la composición del microbioma, la genómica, la frecuencia cardíaca, el sueño, la dieta y la actividad.

Este enfoque multimodal permitió una comprensión más matizada del control glucémico y la variabilidad interindividual en las excursiones de glucosa.

El objetivo del estudio fue crear perfiles de riesgo glucémico integrales que pudieran mejorar la detección temprana y la intervención para prediabéticos con riesgo de progresión a diabetes, ofreciendo una alternativa personalizada a las medidas de diagnóstico tradicionales como la HbA1c.

Los investigadores utilizaron datos de dos cohortes: PROGRESS (un ensayo clínico digital en EE. UU.) y HPP (un estudio observacional en Israel). En PROGRESS, se reclutaron adultos con y sin diabetes tipo 2 que se sometieron a 10 días de monitorización continua de la glucosa (MCG) mientras recopilaban simultáneamente datos sobre el microbioma intestinal, la genómica, la frecuencia cardíaca, el sueño, la dieta y la actividad física.

La diversidad del microbioma intestinal (índice de Shannon) mostró una correlación negativa directa con los niveles promedio de glucosa: cuanto menos diversa es la microbiota, peor es el control de la glucosa en todos los grupos.

Los participantes también recogieron muestras de heces, sangre y saliva en casa y compartieron sus historiales médicos electrónicos. Los criterios de exclusión incluyeron el uso reciente de antibióticos, el embarazo, la diabetes tipo 1 y otros factores que pudieran confundir la MCG o los datos metabólicos. El reclutamiento de participantes se realizó completamente a distancia a través de redes sociales e invitaciones basadas en historiales médicos electrónicos.

Los datos del MCG se procesaron en intervalos de minutos y los picos de glucosa se definieron mediante umbrales preestablecidos. Se calcularon seis parámetros glucémicos clave: glucosa promedio, tiempo en hiperglucemia y duración del pico.

Se recopilaron datos sobre el estilo de vida mediante una aplicación de registro de alimentos y rastreadores portátiles. Los datos genómicos y del microbioma se analizaron mediante métodos estándar, y se calcularon métricas compuestas, como puntuaciones de riesgo poligénico e índices de diversidad del microbioma.

Se construyó un modelo para la evaluación del riesgo de diabetes mellitus tipo 2 (DM2) utilizando datos multimodales (demográficos, antropométricos, MCG, dieta y microbioma) mediante aprendizaje automático. Su rendimiento se evaluó en las cohortes PROGRESS y HPP. El análisis estadístico empleó análisis de covarianza, correlaciones de Spearman y bootstrap para comprobar la significancia y evaluar el modelo.

De los 1137 participantes incluidos, 347 fueron incluidos en el análisis final: 174 con normoglucemia, 79 con prediabetes y 94 con DM2.

Los investigadores encontraron diferencias significativas en las métricas de picos de glucosa entre las siguientes condiciones: hipoglucemia nocturna, tiempo de resolución de los picos, glucosa promedio y tiempo en hiperglucemia. Las mayores diferencias se observaron entre la diabetes mellitus tipo 2 y los demás grupos, siendo los prediabéticos estadísticamente más cercanos a la normoglucemia que los diabéticos tipo 2 en métricas clave como la frecuencia e intensidad de los picos.

La diversidad del microbioma se correlacionó negativamente con la mayoría de las métricas de pico de glucosa, lo que sugiere que un microbioma saludable está asociado con un mejor control de la glucosa.

Una frecuencia cardíaca en reposo, un índice de masa corporal y una HbA1c más elevados se asociaron con peores resultados glucémicos, mientras que la actividad física se asoció con patrones de glucosa más favorables. Curiosamente, una mayor ingesta de carbohidratos se asoció con una resolución máxima más rápida, pero también con picos más frecuentes e intensos.

El equipo desarrolló un modelo de clasificación binaria basado en datos multimodales que discriminó entre normoglucemia y diabetes mellitus tipo 2 con alta precisión. Al aplicarlo a una cohorte externa (HPP), el modelo mantuvo un alto rendimiento e identificó con éxito una variabilidad significativa en los niveles de riesgo entre prediabéticos con valores similares de HbA1c.

Estos resultados sugieren que el perfil glucémico multimodal puede mejorar la predicción del riesgo y el seguimiento individual en comparación con los métodos de diagnóstico estándar, en particular para la prediabetes.

El estudio destaca que los diagnósticos tradicionales de diabetes, como la HbA1c, no reflejan las características individuales del metabolismo de la glucosa.

Utilizando CGM en combinación con datos multimodales (genómica, estilo de vida, microbioma), los investigadores encontraron diferencias significativas en las variaciones de glucosa entre la normoglucemia, la prediabetes y la diabetes de tipo 2, y la prediabetes mostró una mayor similitud con la normoglucemia que con la diabetes de tipo 2 en una serie de medidas clave.

El modelo de riesgo basado en aprendizaje automático desarrollado, validado en una cohorte externa, reveló una amplia variación en el riesgo entre prediabéticos con valores de HbA1c similares, lo que confirma su valor adicional en comparación con los métodos tradicionales.

Las fortalezas del estudio incluyen la cohorte descentralizada y diversa de PROGRESS (48,1 % de grupos subrepresentados) y la recopilación de datos del mundo real. Sin embargo, las limitaciones incluyen posibles sesgos debido a las diferencias en los dispositivos, imprecisiones en los autoinformes, dificultades para llevar un diario de alimentos y el uso de medicamentos hipoglucemiantes.

Se necesitan estudios longitudinales y de validación más amplios para confirmar el beneficio pronóstico y la significación clínica.

En última instancia, este estudio demuestra el potencial de la recopilación remota de datos multimodales para mejorar la detección temprana, la estratificación del riesgo de prediabetes y la prevención personalizada de la diabetes tipo 2, allanando el camino para una atención más precisa e inclusiva para los pacientes en riesgo de padecer diabetes.