La monitorización continua de glucosa permite registrar la evolución de la glucosa en el tiempo, pero hasta ahora su potencial para predecir riesgos y mejorar la salud metabólica no se había explotado completamente y, para aprovecharlo, un equipo de investigadores ha desarrollado esta herramienta de inteligencia artificial capaz de aprender patrones en los datos de glucosa de millones de personas.
En el trabajo han participado científicos de Australia, Dinamarca, Israel, Suiza, Emiratos Árabes Unidos, Estados Unidos y España, y entre ellos el investigador español Francisco Gude Sampedro, de la Universidad de Santiago de Compostela (norte de España). Hoy publican los resultados de su trabajo en la revista Nature.
'GluFormer' se entrenó con más de 10 millones de mediciones de glucosa pertenecientes a más de 10.000 adultos, la mayoría sin diabetes, utilizando un aprendizaje auto-supervisado y predicción 'autorregresiva', y gracias a ese entrenamiento, el modelo aprendió representaciones que luego se aplicaron con éxito a 19 cohortes externas de distintos países, dispositivos y condiciones de salud, incluyendo prediabetes, diabetes tipo 1 y 2, diabetes gestacional y obesidad.
Estas representaciones mejoraron significativamente la predicción de niveles de glucosa y otros parámetros, más allá de lo que proporcionan las mediciones basales tradicionales.
Todos los beneficios, en un solo lugar Descubrí donde te conviene comprar hoy
Así, por ejemplo, en personas con prediabetes, GluFormer pudo identificar quiénes tenían mayor probabilidad de sufrir aumentos clínicamente relevantes de los niveles de glucosa en los siguientes dos años, superando a las métricas convencionales.
Posteriormente fue validado en un estudio con casi 600 adultos seguidos durante una media de 11 años, en el que el modelo predijo con precisión el riesgo de desarrollar diabetes y mortalidad cardiovascular, según el resumen del trabajo que hoy publica la revista Nature.
El modelo también se adaptó a estudios clínicos y demostró que las representaciones basales de glucosa mejoraban la predicción de resultados metabólicos, e Incluso una versión multimodal que incorporó datos dietéticos fue capaz de generar trayectorias de glucosa realistas y predecir cómo respondería cada persona a distintos alimentos.
Los hallazgos, según los investigadores, muestran que a través de GluFormer, la monitorización continua de glucosa puede pasar de ser una herramienta de control a convertirse en un método de predicción y estratificación de riesgo, permitiendo identificar de forma más precisa y precoz a personas con mayor probabilidad de progresar a diabetes o sufrir eventos cardiovasculares, incluso superando a métricas basales tradicionales.
Francisco Gude ha valorado, en declaraciones a EFE, que el trabajo abre además la puerta a intervenciones preventivas y terapéuticas más tempranas y personalizadas (incluida nutrición de precisión al anticipar la respuesta individual a alimentos), optimizando el seguimiento clínico en prediabetes, diabetes, obesidad y diabetes gestacional, y favoreciendo un enfoque de medicina de precisión en salud metabólica.