Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
En lugar de confiar en los enfoques tradicionales que solo pueden predecir si el control del az\u00facar en la sangre de los pacientes pasar\u00e1 de la prediabetes a la diabetes En los pr\u00f3ximos cinco a 10 a\u00f1os, un equipo de investigadores descubri\u00f3 que la combinaci\u00f3n de datos en tiempo real de monitores port\u00e1tiles y enfoques de aprendizaje autom\u00e1tico podr\u00eda crear una predicci\u00f3n precisa y a corto plazo del control del az\u00facar en la sangre con solo seis meses de datos. La investigaci\u00f3n, 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 poblaci\u00f3n a trav\u00e9s de intervenciones m\u00e1s inmediatas. Estos hallazgos fueron publicados en npj Digital Medicine. <\/p>\n
\u00abAunque uno de cada tres adultos en los Estados Unidos tiene prediabetes, carecemos de una manera de identificar en tiempo real si un paciente est\u00e1 progresando o alej\u00e1ndose de desarrollar diabetes\u00bb, dijo el autor principal Mitesh Patel, MD, MBA, profesor asociado de Medicina en Penn y vicepresidente de Transformaci\u00f3n Cl\u00ednica en Ascension. \u00abLos sistemas de salud y las aseguradoras pueden usar este tipo de informaci\u00f3n para recomendar mejor cambios en el comportamiento o medicamentos para prevenir la diabetes de la misma manera que ya se usan los puntajes de predicci\u00f3n de riesgo para prevenir enfermedades card\u00edacas\u00bb.<\/p>\n
La prediabetes es una afecci\u00f3n en la que el nivel de az\u00facar en la sangre de un paciente est\u00e1 elevado, pero no a los niveles observados en la diabetes. Estos pacientes corren el riesgo de progresar a esa enfermedad, por lo que los m\u00e9dicos suelen tomar decisiones sobre la atenci\u00f3n de los pacientes en funci\u00f3n de modelos desarrollados para predecir el control del az\u00facar en la sangre t\u00e9cnicamente llamado control \u00abgluc\u00e9mico\u00bb con datos de referencia puntuales en el tiempo, como pruebas o informaci\u00f3n recopilada. de una cita. Los datos sobre la predicci\u00f3n a corto plazo siguen siendo limitados y la mayor\u00eda de las predicciones se centran en los pr\u00f3ximos cinco a 10 a\u00f1os.<\/p>\n
Eso deja mucho que desear en lo que respecta a la prevenci\u00f3n. Entonces, los investigadores de Penn Medicine se propusieron ver si se pod\u00eda crear un modelo que hiciera que las predicciones fueran m\u00e1s inmediatas, utilizando combinaciones de dispositivos port\u00e1tiles y f\u00f3rmulas de predicci\u00f3n con o sin t\u00e9cnicas de aprendizaje autom\u00e1tico aplicadas.<\/p>\n
Los participantes fueron reclutados a trav\u00e9s de Penn Medicina y asignados al azar a diferentes brazos del estudio. Cada paciente recibi\u00f3 un dispositivo que rastreaba la actividad f\u00edsica, la frecuencia card\u00edaca y la actividad del sue\u00f1o, y se les asign\u00f3 un dispositivo port\u00e1til que se usaba en la mu\u00f1eca o en la cintura. Los dispositivos se sincronizaron con Way to Health, una plataforma de Penn Medicine para el seguimiento de datos, que extra\u00eda informaci\u00f3n de los dispositivos todos los d\u00edas. Todos los pacientes tambi\u00e9n recibieron una b\u00e1scula electr\u00f3nica que se sincronizaba de manera similar. Despu\u00e9s de seis meses, todos los pacientes recibieron pruebas de laboratorio y un pesaje final. En total, 150 participantes completaron el estudio.<\/p>\n
Cuando el equipo de investigaci\u00f3n analiz\u00f3 sus datos, descubri\u00f3 que, en general, las predicciones sobre el control del az\u00facar en la sangre eran significativamente mejores entre los pacientes que usaban dispositivos port\u00e1tiles en la mu\u00f1eca. Eso inclu\u00eda si los pacientes ten\u00edan un mejor o peor control del az\u00facar en la sangre. Los investigadores notaron que los pacientes con dispositivos de mu\u00f1eca dieron un promedio de 1000 pasos m\u00e1s que los que ten\u00edan dispositivos port\u00e1tiles en la cintura.<\/p>\n
\u00abEste fue un ensayo aleatorizado, por lo que los niveles de actividad al inicio deber\u00edan haber sido similares, pero como encontramos un mayor n\u00famero de pasos en los usuarios de mu\u00f1ecas, eso podr\u00eda indicar que usaron los dispositivos durante per\u00edodos m\u00e1s largos del d\u00eda\u00bb, dijo Patel. \u00abEsto podr\u00eda haber llevado a la diferencia en la predicci\u00f3n en comparaci\u00f3n con los usuarios de dispositivos port\u00e1tiles que se usan en la cintura\u00bb.<\/p>\n
Al comparar los modelos de predicci\u00f3n de aprendizaje autom\u00e1tico con los modelos tradicionales utilizados, los investigadores encontraron que los modelos de aprendizaje autom\u00e1tico ten\u00edan una ventaja consistente . Cuando los datos se desglosaron por los tipos de dispositivos utilizados, el poder de predicci\u00f3n del aprendizaje autom\u00e1tico se fortaleci\u00f3 cuando se combin\u00f3 con dispositivos de mu\u00f1eca.<\/p>\n
Sin embargo, el poder de predicci\u00f3n alcanz\u00f3 su punto m\u00e1ximo cuando los m\u00e9todos de aprendizaje autom\u00e1tico tambi\u00e9n se combinaron con los modelos tradicionales (y combinados con un dispositivo de mu\u00f1eca).<\/p>\n
Los investigadores dijeron que el siguiente paso es integrar los modelos de predicci\u00f3n que us\u00f3 el estudio en los sistemas de atenci\u00f3n normales para llegar a una poblaci\u00f3n de pacientes m\u00e1s amplia. Eso podr\u00eda ser un peque\u00f1o obst\u00e1culo, pero Penn ya tiene una ventaja gracias a la plataforma que ha desarrollado.<\/p>\n
\u00abLas 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\u00bb, dijo el autor principal Kevin Volpp, MD, PhD, director del Centro de Incentivos de Salud y Econom\u00eda del Comportamiento. \u00abHemos desarrollado la plataforma Way to Health, que Penn ha utilizado para integrar con \u00e9xito los datos de monitoreo remoto de pacientes en la atenci\u00f3n cl\u00ednica en una amplia variedad de contextos cl\u00ednicos. Esta plataforma es utilizada por varias organizaciones en los EE. UU., y Way to Health o algo as\u00ed podr\u00eda usarse para ayudar a implementar este tipo de enfoques de manera m\u00e1s amplia\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Datos de Smartwatch utilizados para predecir resultados de pruebas cl\u00ednicas M\u00e1s informaci\u00f3n:<\/strong> Mitesh S. Patel et al, Predicci\u00f3n de cambios en el control gluc\u00e9mico entre adultos con prediabetes a partir de patrones de actividad recopilados por dispositivos port\u00e1tiles , npj Medicina digital (2021). DOI: 10.1038\/s41746-021-00541-1 Proporcionado por la Facultad de Medicina Perelman de la Universidad de Pensilvania Cita<\/strong>: Wearables, el aprendizaje autom\u00e1tico puede predecir el control del az\u00facar 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico En lugar de confiar en los enfoques tradicionales que solo pueden predecir si el control del az\u00facar en la sangre de los pacientes pasar\u00e1 de la prediabetes a la diabetes En los pr\u00f3ximos cinco a 10 a\u00f1os, un equipo de investigadores descubri\u00f3 que la combinaci\u00f3n de datos en tiempo real de … Continuar leyendo \u00abUsables, el aprendizaje autom\u00e1tico puede predecir el control del az\u00facar en la sangre a corto plazo en pacientes con prediabetes\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-7561","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7561","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=7561"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7561\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=7561"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=7561"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=7561"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}