Inteligencia artificial y diabetes mellitus de tipo 2

Puntos clave La inteligencia artificial (IA) emerge como una herramienta prometedora en el diagnóstico y tratamiento de la DM2[1,2]. La IA permite un control glucémico personalizado[3–6] y un apoyo continuo al paciente a través de aplicaciones móviles y asistentes virtuales que podrían tener un efecto beneficioso en su salud[7,8]. La detección de la retinopatía diabética mediante sistemas basados en la IA podría desempeñar un papel importante en la prevención de la ceguera causada por la diabetes[9,10]. La IA tiene un gran potencial para realizar diagnósticos tempranos y predecir complicaciones de la DM2, lo que puede ser clave para realizar intervenciones tempranas que mejoren el pronóstico de los pacientes[2,3,11,12,12]. La transparencia de los modelos de aprendizaje, la privacidad de los datos de los pacientes y la equidad en el acceso a la tecnología son desafíos de la IA para su aceptación clínica en el abordaje de la DM2[2,13].

El rápido crecimiento que está experimentando la prevalencia de la diabetes mellitus de tipo 2 (DM2) a nivel mundial representa un gran desafío para los sistemas de salud. Una gestión eficaz basada en una atención personalizada y la implementación de soluciones basadas en datos podrían ser claves para mejorar los desenlaces clínicos de los pacientes y reducir la carga que soportan los profesionales sanitarios^[3].

En este contexto, la inteligencia artificial (IA) emerge como una herramienta prometedora para mejorar la atención médica y el tratamiento de la DM2 debido a su capacidad para analizar grandes conjuntos de datos^[1,2].

A día de hoy, las aplicaciones de IA para el cuidado de la DM2 se pueden dividir en las siguientes categorías^{[2–11,14–16]}:

1. Autogestión del paciente: aplicaciones cuyo objetivo es ayudar a los pacientes a controlar sus niveles de glucemia^[3–6], mejorar su conocimiento sobre la DM2^[7] y favorecer su propio autocuidado^[8].
2. Análisis de imágenes: aplicaciones cuyo uso principal es el diagnóstico mediante el análisis de imágenes de patologías asociadas a la DM2^[3,9,10,14], como la retinopatía diabética.
3. Apoyo a la toma de decisiones clínicas: aplicaciones cuyo objetivo es predecir complicaciones asociadas a la DM2^[3,12], ayudar en el diagnóstico precoz^[2,11,15] y favorecer el tratamiento personalizado de los pacientes^[16].

Aplicaciones de la inteligencia artificial para la autogestión del paciente con diabetes de tipo 2

• Control de la glucemia^[3–6]

En la actualidad existen numerosas tecnologías comerciales basadas en la IA para el control de la glucemia^[3]. Los dispositivos de monitorización continua de la glucosa permiten evaluar la glucemia de los pacientes en todo momento^[4].

Asimismo, los algoritmos de IA pueden analizar los datos obtenidos por los dispositivos en tiempo real y proporcionar recomendaciones personalizadas sobre la administración de insulina, los ajustes en la dieta y la actividad física^[3,5,6].

Este grado de información podría ayudar a detectar patrones y ayudar al paciente a tomar decisiones respecto a los alimentos y bebidas que consume, la actividad física que realiza y los medicamentos que toma^[3]. Esto no solo mejora el control glucémico de los pacientes, sino que también reduce el riesgo de hipoglucemia y de otras complicaciones relacionadas con la DM2^[5]. De hecho, las técnicas de aprendizaje automático para predecir la hipoglucemia constituyen un campo de investigación activo en la actualidad^[3].

• Aplicaciones móviles y asistentes virtuales^[7,8]

Las aplicaciones móviles basadas en la IA y los asistentes virtuales pueden proporcionar apoyo continuo a los pacientes con DM2 a través de recordatorios sobre la toma de medicamentos y recomendaciones sobre cambios en la dieta y el ejercicio, así como generando alertas ante posibles complicaciones^[7,8]. Esta asistencia virtual podría ser un apoyo importante para mejorar la adherencia al tratamiento de los pacientes con DM2^[8].

Asimismo, las herramientas digitales que ofrecen contenidos educativos a medida y asesoramiento personalizado permiten capacitar al paciente y que comprenda mejor su estado de salud^[3].

Aplicaciones de la inteligencia artificial en el análisis de imágenes de patologías asociadas a la diabetes de tipo 2

• Retinopatía diabética^[3,9,10]

Actualmente existen diversos sistemas autónomos de IA que han demostrado su seguridad y eficacia para la detección de la retinopatía diabética. Así lo evidencia la aprobación de varios de estos sistemas por parte de la Administración de Fármacos y Alimentos (de los EE.UU.) (FDA)^[3,9,10].

Los algoritmos de aprendizaje automático y profundo han demostrado reducir los costes y mejorar la precisión diagnóstica de la retinopatía diabética, así como aumentar el acceso de los pacientes con DM2 al cribado^[3,9,10].

• Otros usos del diagnóstico por imagen^[3,14]

Mas allá del diagnóstico de la retinopatía, existen muchas otras aplicaciones que utilizan el análisis de imágenes en la DM2. Uno de los ejemplo más destacados es su uso en la detección del pie diabético y el análisis de las heridas asociadas^[14].

Aplicaciones de la inteligencia artificial en la toma de decisiones clínicas

• Ayuda en el diagnóstico temprano de la DM2^[2,11,15]

La IA puede desempeñar un importante papel en el diagnóstico temprano de la DM2 a través de los algoritmos de aprendizaje automático^[2,11]. Estos algoritmos son capaces de analizar grandes cantidades de datos de los pacientes y realizar predicciones tempranas sobre su diagnóstico. De hecho, existen estudios prometedores sobre el uso de modelos de aprendizaje en la detección de pacientes prediabéticos, que permitirán detectar estados previos a la enfermedad, así como realizar intervenciones médicas adecuadas antes de que se produzcan daños significativos en los pacientes^[11].

Otra herramienta prometedora en el campo del diagnóstico temprano de la DM2 es el desarrollo de sistemas que combinan datos metabolómicos con los algoritmos de aprendizaje automático con el objetivo identificar individuos en riesgo de desarrollar DM2 en el futuro^[15].

• Sistemas de apoyo a la toma de decisiones clínicas (SADC) y gestión del riesgo^[3,12]

Los métodos de aprendizaje profundo han mejorado drásticamente diferentes campos de la atención y la investigación médicas^[17]. Los sistemas de apoyo a la toma de decisiones clínicas (SADC) son programas informáticos que respaldan el análisis de grandes conjuntos de datos con el objetivo de proporcionar información oportuna que permita mejorar la calidad del cuidado y los resultados clínicos^[3].

En este sentido, uno de los usos más importantes de los macrodatos en la diabetes es la predicción de complicaciones a corto y largo plazo (como hospitalización, hiper- e hipoglucemia, complicaciones macro y microvasculares ―como enfermedades cardiovasculares, retinopatía, nefropatía y pie diabético^[3]― y muerte) que permitan a los profesionales de la salud tomar decisiones clínicas que mejoren el pronóstico de la enfermedad. Estas herramientas predictivas en desarrollo buscan identificar individuos de alto riesgo con el objetivo de realizar intervenciones tempranas y, de esta manera, mejorar el pronóstico de los pacientes^[12].

• Medicina personalizada de precisión^[16]

La integración de la IA con la genómica y otras tecnologías «ómicas» está abriendo nuevas vías para la medicina de precisión^[16]. Por ejemplo, la IA puede analizar datos genómicos para identificar marcadores genéticos asociados con la respuesta a diferentes tratamientos, con el objetivo de permitir una selección más precisa de medicamentos y dosis. Esta aproximación no solo mejoraría la eficacia del tratamiento, sino que también minimizaría los efectos secundarios^[16].

Desafíos y consideraciones éticas

• Interpretabilidad y transparencia^[2]

A pesar de sus beneficios, la aplicación de la IA en la DM2 todavía se enfrenta a varios desafíos. Uno de los más importantes es la interpretabilidad de los modelos de IA.

Los algoritmos pueden identificar relaciones entre variables, pero no pueden determinar las verdaderas causas subyacentes, lo que puede provocar que lleguen a decisiones erróneas si no se tiene en cuenta el contexto clínico^[2].

Para que los endocrinólogos confíen en las recomendaciones generadas por la IA, es crucial que comprendan cómo se llegan a estas conclusiones. La transparencia en los algoritmos y la capacidad de explicar los resultados son esenciales para su aceptación clínica^[2].

• Privacidad y seguridad de los datos^[2]

El uso de grandes volúmenes de datos plantea preocupaciones sobre la privacidad y la seguridad de los pacientes. El manejo de los datos de los pacientes de manera confidencial y segura es fundamental.

Es necesario establecer regulaciones claras sobre el uso de estos datos para evitar abusos y garantizar el consentimiento informado de los pacientes^[2].

• Desigualdad en la representatividad de los datos y en el acceso a la tecnología^[2,13]

La efectividad de la IA depende en gran medida de la calidad y representatividad de los datos utilizados para entrenarlas. Actualmente, los métodos de recolección de datos a menudo presentan sesgos que pueden perpetuar las desigualdades existentes en salud^[2,13].

Los datos utilizados deben ser representativos de la población en términos de edad, etnia, género y antecedentes socioeconómicos para garantizar la equidad en las aplicaciones de IA^[13].

Finalmente, es crucial abordar la desigualdad en el acceso a las tecnologías basadas en la IA. Los beneficios de la IA en la DM2 no deben ser exclusivos de aquellos con acceso a dispositivos avanzados y conectividad. Es necesario desarrollar estrategias para que estas innovaciones sean accesibles y asequibles para todas las poblaciones, independientemente de su ubicación geográfica o situación socioeconómica.

Referencias

1. Mohsen, Farida, Al-Absi, Hamada R H, Yousri Noha A, El Hajj Nady, Shah, Zubair. A scoping review of artificial intelligence-based methods for diabetes risk prediction. NPJ Digit Med 2024;25(6):197. Available from: https://pubmed.ncbi.nlm.nih.gov/37880301/
2. Beneyto A, Contreras I, Vehi J. Inteligencia artificial y diabetes. Rev Diabetes 2023;Available from: https://www.revistadiabetes.org/tecnologia/inteligencia-artificial-y-diabetes/
3. Mackenzie SC, Sainsbury CAR, Wake DJ. Diabetes and artificial intelligence beyond the closed loop: a review of the landscape, promise and challenges. Diabetologia 2024;67(2):223-35. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10789841/
4. ElSayed NA, Aleppo G, Aroda VR, Bannuru RR, Brown FM, Bruemmer D, et al. 7. Diabetes Technology: Standards of Care in Diabetes—2023. Diabetes Care 2022;46(Supplement_1):S111-27. Available from: https://doi.org/10.2337/dc23-S007
5. Anjum M, Saher R, Saeed MN. Optimizing type 2 diabetes management: AI-enhanced time series analysis of continuous glucose monitoring data for personalized dietary intervention. PeerJ Comput Sci 2024;10:e1971. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11057654/
6. Krall JS, Ng JM, Mehrotra N, Ruppert K, Siminerio LM. Insights into the Feasibility and Acceptability of a Mobile Insulin Titration Application in Clinical Practice and Its Effects on Diabetes Outcomes. TouchREVIEWS Endocrinol 2024;20(1):52-7. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11132646/
7. Cunningham SG, Stoddart A, Wild SH, Conway NJ, Gray AM, Wake DJ. Cost-Utility of an Online Education Platform and Diabetes Personal Health Record: Analysis Over Ten Years. J Diabetes Sci Technol 2023;17(3):715-26. Available from: https://doi.org/10.1177/19322968211069172
8. Roca S, Lozano ML, García J, Alesanco Á. Validation of a Virtual Assistant for Improving Medication Adherence in Patients with Comorbid Type 2 Diabetes Mellitus and Depressive Disorder. Int J Environ Res Public Health 2021;18(22):12056. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8620667/
9. Grzybowski A, Brona P, Lim G, Ruamviboonsuk P, Tan GSW, Abramoff M, et al. Artificial intelligence for diabetic retinopathy screening: a review. Eye Lond Engl 2020;34(3):451-60. Available from: https://www.nature.com/articles/s41433-019-0566-0
10. Sesgundo Iii JA, Maeng DC, Tukay JA, Ascano MP, Suba-Cohen J, Sampang V. Evaluation of Artificial Intelligence Algorithms for Diabetic Retinopathy Detection: Protocol for a Systematic Review and Meta-Analysis. JMIR Res Protoc 2024;13:e57292. Available from: https://www.researchprotocols.org/2024/1/e57292
11. Alsadi B, Musleh S, Al-Absi HRH, Refaee M, Qureshi R, El Hajj N, et al. An ensemble-based machine learning model for predicting type 2 diabetes and its effect on bone health. BMC Med Inform Decis Mak 2024;24(1):144. Available from: https://doi.org/10.1186/s12911-024-02540-0
12. Lei MH, Hsu YC, Chung SL, Chen CC, Chen WC, Chen WM, et al. Assessing mortality risk in Type 2 Diabetes patients with prolonged ASCVD risk factors: the inclusive Poh-Ai predictive scoring system with CAC Score integration. Diabetol Metab Syndr 2024;16(1):104. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11103845/
13. Chan SCC, Neves AL, Majeed A, Faisal A. Bridging the equity gap towards inclusive artificial intelligence in healthcare diagnostics. BMJ 2024;384:q490. Available from: https://www.bmj.com/content/384/bmj.q490
14. Wang Z, Tan X, Xue Y, Xiao C, Yue K, Lin K, et al. Smart diabetic foot ulcer scoring system. Sci Rep 2024;14:11588. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11109117/
15. Leiherer A, Muendlein A, Mink S, Mader A, Saely CH, Festa A, et al. Machine Learning Approach to Metabolomic Data Predicts Type 2 Diabetes Mellitus Incidence. Int J Mol Sci 2024;25(10):5331. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11120685/
16. Abdelhalim H, Berber A, Lodi M, Jain R, Nair A, Pappu A, et al. Artificial Intelligence, Healthcare, Clinical Genomics, and Pharmacogenomics Approaches in Precision Medicine. Front Genet 2022;13. Available from: https://www.frontiersin.org/journals/genetics/articles/10.3389/fgene.2022.929736/full
17. Chien TY, Ting HW, Chen CF, Yang CZ, Chen CY. A Clinical Decision Support System for Diabetes Patients with Deep Learning: Experience of a Taiwan Medical Center. Int J Med Sci 2022;19(6):1049-55. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9254376/

ES-NPR-2400035