Intervención de la inteligencia artificial en la diabetes

La inteligencia artificial (IA) está revolucionando el campo de la medicina y, en particular, la gestión de la diabetes. Ofrece una oportunidad de oro para mejorar la eficiencia en el tratamiento de la diabetes, optimizando recursos médicos y promoviendo la autogestión de los pacientes.

En el contexto de la Atención Primaria, la IA se presenta como una herramienta poderosa para mejorar la gestión de la diabetes, ofreciendo un enfoque más personalizado y eficiente (1).

La IA se ha utilizado en diversas áreas de la gestión de la diabetes, como la predicción del riesgo de diabetes, la clasificación de los diferentes tipos de diabetes, la monitorización de la glucosa en sangre y el control de los factores de riesgo modificables (2). Además, se han implementado sistemas de apoyo a la decisión clínica basados en IA para mejorar el diagnóstico y el tratamiento, con especial énfasis en el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning) (3,4).

La inteligencia artificial (IA) está transformando la forma en que se maneja la diabetes, especialmente la diabetes tipo 2. A través del análisis de grandes volúmenes de datos y la capacidad de adaptarse a las necesidades individuales, la IA está ayudando tanto a los pacientes como a los profesionales de la salud a mejorar el tratamiento y la calidad de vida.

LA INTELIGENCIA ARTIFICIAL ESTÁ TRANSFORMANDO LA FORMA EN QUE SE MANEJA LA DIABETES, ESPECIALMENTE LA DIABETES TIPO 2. A TRAVÉS DEL ANÁLISIS DE GRANDES VOLÚMENES DE DATOS Y LA  CAPACIDAD DE ADAPTARSE A LAS NECESIDADES INDIVIDUALES, LA IA ESTÁ AYUDANDO TANTO A LOS PACIENTES COMO A LOS PROFESIONALES DE LA  SALUD A MEJORAR EL TRATAMIENTO Y LA CALIDAD DE VIDA

Algunos de los buscadores de información de IA son ChatGPT, Gemini y Copilot, con versiones web y app. Realizan búsquedas más concretas, interaccionando mediante los promts (solicitud diseñado para guiar la interacción entre un sistema de IA) de forma precisa.

Los principales avances en este campo se pueden dividir en varios puntos clave:

1. Personalización de la gestión de la diabetes
La IA permite crear planes de tratamiento que se adaptan a las necesidades específicas de cada paciente. Esto se debe a su capacidad para analizar diferentes factores, como los niveles de glucosa, la actividad física y la dieta.

Ejemplos:

• Planes personalizados de tratamiento: Un paciente puede llevar un monitor continuo de glucosa (MCG), y la IA analizará los datos de su glucosa, dieta y ejercicio. Esto permitirá ajustar las dosis de insulina o los medicamentos de manera individualizada.
• Predicción de eventos: Los algoritmos de IA pueden prever cuándo una persona podría tener una bajada (hipoglucemia) o elevación (hiperglucemia) en los niveles de azúcar, basándose en datos históricos. Por ejemplo, un sistema de IA puede enviar una alerta si anticipa una bajada de azúcar debido a la actividad física reciente.

2. Mejora de la monitorización
La tecnología de MCG ha mejorado significativamente gracias a la IA, lo que facilita un análisis detallado y en tiempo real de los datos de los pacientes.

Ejemplos:

• Análisis en tiempo real: La IA analiza los datos recogidos por dispositivos como sensores de glucosa. Si un paciente usa un sensor que mide su glucosa cada pocos minutos, la IA puede detectar patrones que podrían pasar desapercibidos.
• Detección temprana de complicaciones: Mediante el análisis de imágenes médicas, como las retinas de los pacientes, la IA puede detectar signos tempranos de complicaciones como la retinopatía diabética antes de que se manifiesten clínicamente (5,6).

3. Facilitación de la toma de decisiones
La IA también permite a los pacientes y médicos tomar decisiones más informadas y acertadas sobre el manejo de la diabetes.

Ejemplos:

• Asesoramiento personalizado: Las aplicaciones con IA pueden responder a las preguntas de los pacientes y dar consejos inmediatos. Por ejemplo, si un paciente pregunta cómo ajustar su dosis de insulina después de una comida rica en carbohidratos, la IA le sugerirá el ajuste adecuado.
• Optimización de la terapia con insulina: Algunos algoritmos pueden ajustar las dosis de insulina automáticamente en función de los niveles de glucosa, la actividad física y otros factores. Un ejemplo sería un sistema de asa cerrada híbrida que administra insulina en pequeñas dosis continuas, simulando la función del páncreas endocrino (7).

LA IA TAMBIÉN TIENE UN PAPEL IMPORTANTE EN  AYUDAR A LOS PACIENTES A SEGUIR SUS PLANES DE  TRATAMIENTO DE MANERA MÁS CONSISTENTE LO  QUE ES ESENCIAL PARA EL CONTROL EFICAZ DE LA  DIABETES

4. Aumento de la adherencia al tratamiento
La IA también tiene un papel importante en ayudar a los pacientes a seguir sus planes de tratamiento de manera más consistente lo que es esencial para el control eficaz de la diabetes.

Ejemplos:

• Motivación a través de aplicaciones: Aplicaciones basadas en IA pueden motivar a los pacientes mediante gráficos de progreso y recordatorios personalizados para tomar medicamentos o realizar controles de glucosa.
• Recordatorios personalizados: Si un paciente olvida tomar su medicamento o medir su nivel de glucosa, la IA puede enviar recordatorios en función de sus hábitos y horarios. Por ejemplo, una app podría recordar a un paciente que se mida el azúcar antes de las comidas.

5. Reducción de la carga asistencial
La IA puede automatizar muchas de las tareas rutinarias que tradicionalmente requerían la intervención humana, liberando tiempo para que los profesionales de la salud puedan enfocarse en aspectos más complejos del tratamiento.

Ejemplos:

• Automatización de tareas: La IA puede encargarse de tareas como el ajuste de dosis de insulina, basándose en los datos del paciente. Esto reduce la necesidad de que el médico ajuste el tratamiento manualmente en cada consulta (8).
• Optimización de recursos: Al permitir un control más preciso y personalizado de la diabetes, la IA puede ayudar a reducir los costos médicos a largo plazo, evitando hospitalizaciones por complicaciones y mejorando la eficiencia del tratamiento.

ESTOS AVANCES NO SOLO MEJORARÁN LA CALIDAD  DE VIDA DE LOS PACIENTES, SINO QUE TAMBIÉN  HARÁN QUE EL TRATAMIENTO DE LA DIABETES SEA  MÁS ACCESIBLE Y EQUITATIVO, REDUCIENDO LA  CARGA FINANCIERA TANTO PARA LOS PACIENTES  COMO PARA LOS SISTEMAS DE SALUD

6. Ejemplos de IA en España

1. Mediktor: Triage Inteligente para Pacientes. Es una herramienta basada en IA que realiza un triage o clasificación de pacientes según sus síntomas. Utiliza algoritmos que analizan los síntomas reportados por el paciente y ofrece una lista de posibles diagnósticos, recomendando si es necesario acudir a urgencias o a un médico de atención primaria. El uso de Mediktor ha mostrado una precisión superior al 91% en sus diagnósticos preliminares y ha sido implementado en centros de salud en varias comunidades autónomas de España, incluyendo Cataluña y Madrid.
2. Cognitive Healthcare by Savana. Savana es una empresa española que utiliza IA para analizar millones de historiales clínicos en busca de patrones y tendencias que ayuden a mejorar la atención médica. La plataforma emplea procesamiento de lenguaje natural (NLP) para leer y analizar los textos no estructurados de los historiales médicos. En varios estudios, Savana ha mejorado la detección de enfermedades no diagnosticadas previamente y ha optimizado el seguimiento de los pacientes, reduciendo las complicaciones asociadas a las enfermedades crónicas.
3. Telemedicina y IA en el Servicio Catalán de Salud (CatSalut). En Cataluña, el Servicio Catalán de Salud (CatSalut) ha implementado soluciones de IA y telemedicina para mejorar el diagnóstico y seguimiento de pacientes a distancia. Los sistemas de IA integrados analizan datos de salud de los pacientes recogidos mediante dispositivos conectados, que ayuda a predecir exacerbaciones en pacientes con enfermedades crónicas y proporciona recomendaciones automáticas a los médicos de atención primaria para ajustes en el tratamiento. El sistema ha mostrado una reducción del 30% en las hospitalizaciones evitables de pacientes crónicos y ha mejorado la calidad de vida de los pacientes al ofrecer una monitorización constante.
4. Florence. Este chatbot, que actúa como una enfermera virtual, permite a los usuarios recibir recordatorios de medicamentos y realizar un seguimiento de su estado de salud. Es útil para pacientes con diabetes que necesitan controlar sus niveles de glucosa y administrar medicamentos de manera regular. También rastrea parámetros como el peso y el estado de ánimo.

Un resumen de todas las aplicaciones posibles de la IA para profesionales y pacientes se presenta en las tablas 1 y 2.

Impacto en la sociedad
Estos avances no solo mejorarán la calidad de vida de los pacientes, sino que también harán que el tratamiento de la diabetes sea más accesible y equitativo, reduciendo la carga financiera tanto para los pacientes como para los sistemas de salud.

Conclusiones

La adaptación a la IA es inminente. No es una opción, sino una necesidad.

Se integrará en cada aspecto de nuestra vida, desde lo más simple hasta lo más complejo. En lugar de resistirnos, debemos aprovechar su potencial y aprender a utilizarla a nuestro favor. Adaptarse es la opción.

Bibliografía

1. Mayer MA. Inteligencia artificial en atención primaria: un escenario de oportunidades y desafíos [Artificial intelligence in primary care: A scenario of opportunities and challenges]. Aten Primaria. 2023 Nov;55(11):102744
2. Zhouyu G, Huating L, Ruhan L, Chun C, Yuexing L, Jiajia L, et al. Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell Rep Med. 2023;4(10):101213.
3. Choi BG, Rha SW, Kim SW, Kang JH, Park JY, Noh YK, et al. Machine learning for the prediction of new-onset diabetes mellitus during 5-year follow-up in non-diabetic patients. Korean Circ J. 2019;49(6):566-73.
4. Ravaut M, Haralambiev L, Varakina Y, Sanejouand R, El Kanfoud D, Merle C, et al. Development and validation of a machine learning model to predict type 2 diabetes risk using non-traditional risk factors. PLoS One. 2019;14(9)
5. Zhang X, Thibault V, Perrot A, Bourdon-Lacombe J, Aubert CE, Claris O, et al. Machine learning algorithm for risk prediction of retinopathy of prematurity in preterm infants. Sci Rep. 2022;12(1):438.
6. Dai R, Huang Z, Zhang K, Zhang A, Guo X, Zhang M, et al. Deep learning-based diabetic retinopathy grading system applied in eye clinics. Am J Ophthalmol. 2021;223:52-60.
7. Acharya UR, Mookiah MR, Chua CK, Lim CM, Ng EY, Laude A, et al. Computer-aided diagnosis of diabetic retinopathy: A review. Comput Biol Med. 2014;43(12):2136-55.
8. Pesl P, Herrero P, Reddy M, Xenou M, Oliver N, Johnston DG, et al. Case-based reasoning for insulin bolus advice: Evaluation of case parameters in a six-week pilot study. J Diabetes Sci Technol. 2017;11(1):37-42.