Usables, el aprendizaje automático puede predecir el control del azúcar en la sangre a corto plazo en pacientes con prediabetes
Crédito: Pixabay/CC0 Dominio público
En lugar de confiar en los enfoques tradicionales que solo pueden predecir si el control del azúcar en la sangre de los pacientes pasará de la prediabetes a la diabetes En los próximos cinco a 10 años, un equipo de investigadores descubrió que la combinación de datos en tiempo real de monitores portátiles y enfoques de aprendizaje automático podría crear una predicción precisa y a corto plazo del control del azúcar en la sangre con solo seis meses de datos. La investigación, dirigida por la Facultad de Medicina Perelman de la Universidad de Pensilvania, abre la puerta a la posibilidad de prevenir la diabetes entre muchas personas de esta población a través de intervenciones más inmediatas. Estos hallazgos fueron publicados en npj Digital Medicine.
«Aunque uno de cada tres adultos en los Estados Unidos tiene prediabetes, carecemos de una manera de identificar en tiempo real si un paciente está progresando o alejándose de desarrollar diabetes», dijo el autor principal Mitesh Patel, MD, MBA, profesor asociado de Medicina en Penn y vicepresidente de Transformación Clínica en Ascension. «Los sistemas de salud y las aseguradoras pueden usar este tipo de información para recomendar mejor cambios en el comportamiento o medicamentos para prevenir la diabetes de la misma manera que ya se usan los puntajes de predicción de riesgo para prevenir enfermedades cardíacas».
La prediabetes es una afección en la que el nivel de azúcar en la sangre de un paciente está elevado, pero no a los niveles observados en la diabetes. Estos pacientes corren el riesgo de progresar a esa enfermedad, por lo que los médicos suelen tomar decisiones sobre la atención de los pacientes en función de modelos desarrollados para predecir el control del azúcar en la sangre técnicamente llamado control «glucémico» con datos de referencia puntuales en el tiempo, como pruebas o información recopilada. de una cita. Los datos sobre la predicción a corto plazo siguen siendo limitados y la mayoría de las predicciones se centran en los próximos cinco a 10 años.
Eso deja mucho que desear en lo que respecta a la prevención. Entonces, los investigadores de Penn Medicine se propusieron ver si se podía crear un modelo que hiciera que las predicciones fueran más inmediatas, utilizando combinaciones de dispositivos portátiles y fórmulas de predicción con o sin técnicas de aprendizaje automático aplicadas.
Los participantes fueron reclutados a través de Penn Medicina y asignados al azar a diferentes brazos del estudio. Cada paciente recibió un dispositivo que rastreaba la actividad física, la frecuencia cardíaca y la actividad del sueño, y se les asignó un dispositivo portátil que se usaba en la muñeca o en la cintura. Los dispositivos se sincronizaron con Way to Health, una plataforma de Penn Medicine para el seguimiento de datos, que extraía información de los dispositivos todos los días. Todos los pacientes también recibieron una báscula electrónica que se sincronizaba de manera similar. Después de seis meses, todos los pacientes recibieron pruebas de laboratorio y un pesaje final. En total, 150 participantes completaron el estudio.
Cuando el equipo de investigación analizó sus datos, descubrió que, en general, las predicciones sobre el control del azúcar en la sangre eran significativamente mejores entre los pacientes que usaban dispositivos portátiles en la muñeca. Eso incluía si los pacientes tenían un mejor o peor control del azúcar en la sangre. Los investigadores notaron que los pacientes con dispositivos de muñeca dieron un promedio de 1000 pasos más que los que tenían dispositivos portátiles en la cintura.
«Este fue un ensayo aleatorizado, por lo que los niveles de actividad al inicio deberían haber sido similares, pero como encontramos un mayor número de pasos en los usuarios de muñecas, eso podría indicar que usaron los dispositivos durante períodos más largos del día», dijo Patel. «Esto podría haber llevado a la diferencia en la predicción en comparación con los usuarios de dispositivos portátiles que se usan en la cintura».
Al comparar los modelos de predicción de aprendizaje automático con los modelos tradicionales utilizados, los investigadores encontraron que los modelos de aprendizaje automático tenían una ventaja consistente . Cuando los datos se desglosaron por los tipos de dispositivos utilizados, el poder de predicción del aprendizaje automático se fortaleció cuando se combinó con dispositivos de muñeca.
Sin embargo, el poder de predicción alcanzó su punto máximo cuando los métodos de aprendizaje automático también se combinaron con los modelos tradicionales (y combinados con un dispositivo de muñeca).
Los investigadores dijeron que el siguiente paso es integrar los modelos de predicción que usó el estudio en los sistemas de atención normales para llegar a una población de pacientes más amplia. Eso podría ser un pequeño obstáculo, pero Penn ya tiene una ventaja gracias a la plataforma que ha desarrollado.
«Las organizaciones necesitan una plataforma escalable para capturar y sintetizar estos datos e, idealmente, generar respuestas automatizadas para que los comentarios se puede proporcionar a escala», dijo el autor principal Kevin Volpp, MD, PhD, director del Centro de Incentivos de Salud y Economía del Comportamiento. «Hemos desarrollado la plataforma Way to Health, que Penn ha utilizado para integrar con éxito los datos de monitoreo remoto de pacientes en la atención clínica en una amplia variedad de contextos clínicos. Esta plataforma es utilizada por varias organizaciones en los EE. UU., y Way to Health o algo así podría usarse para ayudar a implementar este tipo de enfoques de manera más amplia».
Explore más
Datos de Smartwatch utilizados para predecir resultados de pruebas clínicas Más información: Mitesh S. Patel et al, Predicción de cambios en el control glucémico entre adultos con prediabetes a partir de patrones de actividad recopilados por dispositivos portátiles , npj Medicina digital (2021). DOI: 10.1038/s41746-021-00541-1 Proporcionado por la Facultad de Medicina Perelman de la Universidad de Pensilvania Cita: Wearables, el aprendizaje automático puede predecir el control del azúcar en la sangre a corto plazo en pacientes con prediabetes (2022, enero 3) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-01-wearables-machine-near-term-blood-sugar.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.