15 oct 2024
Resumen
La inteligencia artificial es un tema en boga, aplicable prácticamente para todas las áreas del saber humano, y la medicina no es la excepción. Y dentro de esta, la diabetes es una enfermedad que puede verse grandemente beneficiada con esta tecnología. La disponibilidad de nuevos dispositivos que permiten un mejor control de la diabetes, la recopilación de los datos tanto objetivos como subjetivos de los pacientes, aunados al procesamiento adecuado, pueden llevar a un mejor control global y personal para estos pacientes. Sin embargo, con el avance de los sistemas de inteligencia artificial en el manejo de la diabetes y sus innegables beneficios, surge la importante cuestión sobre la responsabilidad en las decisiones tomadas por estos sistemas. Los siguientes años serán decisivos para valorar con mayor certeza los resultados de la aplicación masiva de estos sistemas.
Palabras clave: inteligencia artificial, diabetes, prevención, dispositivos
Abstract
Artificial intelligence is a trending topic that can be applied to nearly all areas of human knowledge, and medicine is no exception. Within this field, diabetes is a condition that can greatly benefit from this technology. The availability of new devices that facilitate better diabetes management, along with the collection of both objective and subjective data from patients and appropriate processing, can lead to improved overall and personal control for these patients. However, as artificial intelligence systems advance in diabetes management and their undeniable benefits become apparent, an important question arises regarding responsibility for the decisions made by these systems. The coming years will be crucial for accurately assessing the outcomes of the widespread application of these systems.
Keywords: artificial intelligence, diabetes, prevention, devices
Introducción
Cada día se registran grandes cantidades de datos en bases médicas de todo el mundo, incluyendo diagnósticos, prescripciones y resultados de pruebas que son documentados por los proveedores de salud en las historias clínicas de los pacientes. Esta vasta cantidad de información, sin precedentes en la historia de la medicina, está impulsando un cambio de paradigma en la forma en que comprendemos el desarrollo de las enfermedades. Se está pasando de un enfoque centrado en el conocimiento y la experiencia de los especialistas a uno que aprovecha el análisis de grandes volúmenes de datos con herramientas modernas.1
Este nuevo enfoque tiene claras ventajas, especialmente en el manejo de enfermedades crónicas y complejas como la diabetes. Analizar la evolución de la enfermedad en millones de pacientes está transformando la manera en que se diagnostica y trata la diabetes, mejorando la calidad de vida de los pacientes y los resultados en salud, al mismo tiempo que reduce costos para el sistema sanitario.1
Inteligencia artificial (IA)
En los últimos años, la inteligencia artificial (IA) se ha convertido en un tema de gran importancia en diversos sectores, incluyendo el ámbito de la salud. A pesar del uso extendido de las tecnologías inteligentes y de los esfuerzos por regular su implementación, aún no se ha llegado a un acuerdo universal sobre qué es exactamente la IA. En términos generales, puede describirse como la capacidad de los sistemas artificiales, como las computadoras, para resolver problemas que tradicionalmente se atribuyen a la inteligencia humana. Hoy día existen aplicaciones de IA para múltiples propósitos. Algunos algoritmos se utilizan para recomendar productos a posibles compradores, mantener conversaciones (como ChatGPT), componer música, vencer a maestros del ajedrez o reconocer objetos específicos en imágenes o videos.2
La inteligencia artificial ha proporcionado nuevos enfoques poderosos para abordar diversos problemas en la medicina. Los datos utilizados pueden ser subjetivos, objetivos o una combinación de ambos. Las fuentes subjetivas de datos incluyen diarios llevados por el paciente, sus respuestas a cuestionarios y la información autoinformada, como las comidas y las actividades físicas ingresadas en diversas aplicaciones que recopilan dichos datos. Los datos objetivos son recopilados por dispositivos que registran mediciones de numerosas variables fisiológicas y resultados de pruebas reportadas.3
Los desafíos para la calidad de los datos objetivos incluyen la precisión de las mediciones, los efectos del ruido y artefactos en las mediciones, valores faltantes y valores atípicos en los datos. La subestimación o sobreestimación de los alimentos consumidos, las variaciones en el grado de estrés o dolor percibido por el paciente y el olvido de ingresar datos en los diarios son comunes en los datos subjetivos. Cuando los datos se recopilan para diversas clases de eventos, el equilibrio en el número de muestras en cada clase también puede influir o sesgar los resultados de los algoritmos de IA.3
El uso de la inteligencia artificial permite integrar información proveniente de diversas fuentes, como los datos registrados por el médico en el expediente clínico electrónico (p. ej., ehCOS), sistemas de información de laboratorio (como LABSIS, SisLab, InterLab), microbiológicos (Microclin), sistemas de archivo y comunicación de imágenes (PACS) e informes de patología (SIPAM). Además, se puede incluir el análisis farmacogenético de los pacientes. Estos datos pueden ser procesados e interpretados fácilmente por algoritmos de IA, permitiendo al médico acceder a la información de manera rápida y eficiente para tomar decisiones inmediatas en la prevención, diagnóstico y tratamiento de sus pacientes.4
La diabetes tiene un gran impacto en la calidad de vida de las personas que la padecen y representa una carga financiera significativa para los individuos y la sociedad. La diabetes tipo 1 (DM1) y la diabetes tipo 2 (DM2) son dos tipos principales de diabetes. La DM1 es causada por una deficiencia absoluta de insulina, resultado de la pérdida de las células beta productoras de insulina del páncreas. La DM2 se caracteriza por el uso ineficaz de la insulina en el cuerpo y defectos en su secreción que conducen a una deficiencia relativa de esta en relación con el aumento de los requisitos de insulina impuestos por el estado de resistencia. Si bien la cura de la diabetes es el objetivo de muchos programas de investigación activos, hasta la fecha no existe una cura aprobada para eliminar la diabetes. Muchas actividades se centran en mejorar su tratamiento mediante diversas clases de fármacos y dispositivos médicos que pueden ayudar a mejorar la regulación de las concentraciones de glucosa en sangre (CGB) en personas con diabetes.3
Herramientas de evaluación para diabetes tipo 1
En los últimos años, para esta enfermedad, la administración de insulina más común ha sido a través de plumas o bolígrafos de insulina lenta y la medición de glucosa se realizaba con lancetas y glucómetros. Sin embargo, esta situación está evolucionando con el desarrollo de nuevas tecnologías que buscan mejorar la calidad de vida de las personas con diabetes.5
Uno de los principales avances son los monitores continuos de glucosa (MCG). Estos dispositivos miden las concentraciones de glucosa a intervalos regulares, dependiendo del modelo. Están compuestos por un sensor que se conecta a un pequeño filamento insertado bajo la piel a nivel intersticial (fig. 1). Este sensor envía los datos a un transmisor, que luego transmite la información a un receptor o monitor en que el usuario puede revisar su concentración de glucosa en tiempo real. Este tipo de monitorización mejora el control y manejo de la diabetes.5
Figura 1. Monitor continuo de glucosa.
Los sensores de los MCG miden las concentraciones de glucosa a nivel del líquido intersticial, es decir, en el espacio entre las células y los vasos sanguíneos. Por esta razón, los valores que ofrecen no corresponden exactamente a las concentraciones de glucosa en la sangre en tiempo real. Existe un retraso de aproximadamente 10 minutos entre los cambios en la glucemia y su reflejo en los valores intersticiales. Esto significa que los MCG pueden presentar una pequeña diferencia temporal en la medición de los cambios rápidos en las concentraciones de glucosa, pero siguen siendo una herramienta valiosa para el monitoreo continuo.5
Por otro lado, las bombas de insulina son dispositivos diseñados para administrar insulina de manera continua y automática. Tienen un tamaño compacto, similar al de un teléfono móvil, y están compuestas por dos partes principales: un infusor de insulina y un catéter. El infusor es una pequeña computadora programada para liberar insulina de acción rápida las 24 horas del día, ajustando las dosis según las necesidades del usuario. La insulina se administra a través de un catéter de plástico que se inserta bajo la piel de manera subcutánea, permitiendo un control preciso y constante de las concentraciones de glucosa en sangre. Este sistema imita el funcionamiento natural del páncreas, ayudando a mantener estables las concentraciones de glucosa y facilitando la vida de las personas con diabetes.5
El páncreas artificial (PA), también conocido como sistema de infusión automática de insulina o sistema de asa cerrada, es una tecnología en desarrollo que tiene como objetivo regular las concentraciones de glucosa en personas con diabetes tipo I. Este sistema administra insulina de manera automática y continua, ajustando las dosis en función de las concentraciones de glucosa del cuerpo. Al imitar el comportamiento de las células beta del páncreas, se busca mantener la glucosa en sangre dentro de los rangos adecuados, recreando un perfil de insulina lo más similar posible al de un páncreas saludable. La Administración de Medicamentos y Alimentos (FDA) aprobó el uso de páncreas artificiales en niños de 2 a 6 años con diabetes tipo 1. Se espera que en menos de una década, este tipo de tratamiento esté disponible ampliamente en la clínica diaria.5
En los últimos años, los parches inteligentes de insulina han sido objeto de investigación, especialmente en Estados Unidos. Son dispositivos de tamaño pequeño, de alrededor de 5 cm, diseñados para detectar las concentraciones de glucosa en sangre y administrar automáticamente la dosis adecuada de la hormona (fig. 2). Su estructura es relativamente simple: consisten en una lámina que contiene decenas de microagujas, junto con vesículas diminutas donde se almacena la insulina. Lo innovador de estos parches es que las microagujas están fabricadas con materiales sensibles a la glucosa, lo que permite una liberación controlada de la insulina en respuesta a los cambios en las concentraciones de glucosa del usuario. Esto promete una forma más eficiente y menos invasiva de controlar la diabetes.5
Figura 2. Parche inteligente de insulina.
Estas nuevas tecnologías han representado un avance significativo en comparación con las plumas de insulina y los glucómetros que las personas con diabetes han utilizado durante décadas. Se ha comprobado que mejoran el control de la glucemia, reducen las concentraciones de HbA1c, aumentan la satisfacción y comodidad de los usuarios, y disminuyen la frecuencia de episodios de hipoglucemia, así como los efectos adversos a corto y largo plazo. Son herramientas a considerar en la utilización de la IA en la diabetes.5
Aplicación de la IA en diabetes
La comprensión de la diabetes ha avanzado notablemente con la ayuda de algoritmos de aprendizaje automático, los cuales permiten analizar grandes volúmenes de datos clínicos para identificar patrones de evolución de la enfermedad. Un ejemplo clave es el estudio de Alqvist et al. (2018), en el que, a partir de seis variables (como la edad al diagnóstico, hemoglobina glucosilada, IMC, función de las células beta y resistencia a la insulina) y utilizando algoritmos no supervisados de agrupamiento, segmentaron a más de 10,000 pacientes recién diagnosticados en seis grupos con distintos perfiles clínicos. Este enfoque abrió el debate sobre la necesidad de actualizar la clasificación de la diabetes, ya que varios investigadores han intentado replicar este tipo de agrupación en otras cohortes.1
En cuanto a la predicción del riesgo, los modelos de aprendizaje profundo (DL) han sido útiles para determinar la probabilidad de que un paciente desarrolle ciertas enfermedades. Un ejemplo relevante es DeepPatient, un modelo que analizó datos de más de 700,000 pacientes (edad, género, diagnósticos, tratamientos) para crear representaciones vectoriales de cada uno. Pacientes con vectores cercanos presentan evoluciones clínicas similares, lo que permite asignar riesgos futuros basándose en casos similares. Este enfoque ha mostrado una buena capacidad predictiva, especialmente en el caso de la diabetes y ciertos tipos de cáncer, lo que sugiere un gran potencial en la prevención y el cribado de enfermedades a gran escala.1
Por su parte, el uso de técnicas de aprendizaje automático (ML) está desempeñando un papel fundamental en el desarrollo de herramientas para el apoyo en la toma de decisiones clínicas, tanto para el personal médico como para los pacientes. Una de las áreas en que el ML ha mostrado excelentes resultados es en la detección de lesiones retinianas. Por ejemplo, se ha comprobado que las redes neuronales convolucionales (CNN), un tipo de modelo de aprendizaje profundo (DL), resultan eficaces para generar mapas de probabilidad que indican la presencia de lesiones patológicas sutiles en imágenes del fondo de ojo. Estas técnicas ya se aplican en instrumentos médicos aprobados. En 2018, la FDA autorizó el uso del IDx-DR, una herramienta basada en IA que diagnostica de manera autónoma retinopatía diabética y edema macular.1
Otra aplicación prometedora de ML es la predicción de la respuesta de los pacientes a tratamientos específicos. Un estudio de 2015 exploró cómo estas técnicas pueden calcular un umbral de adherencia al tratamiento personalizado para cada paciente, prediciendo así el riesgo de hospitalización. Además, en 2019 se obtuvieron resultados alentadores en la predicción de si, tras comenzar el tratamiento con insulina, las concentraciones de hemoglobina glucosilada se mantendrían dentro de los valores adecuados después de 6 y 24 meses. Estas herramientas mejoran la capacidad de personalizar y optimizar los tratamientos, ofreciendo un apoyo crucial en la práctica clínica.1
La implementación de algoritmos de inteligencia artificial permite además identificar pacientes con diabetes utilizando métricas de lípidos en sangre, facilitando así un diagnóstico asistido por computadora. En un estudio reciente, se evaluaron cuatro algoritmos diferentes, todos mostrando valores de AUC (área bajo la curva) estadísticamente significativos, que oscilaron entre 0.613 y 0.727. El algoritmo que presentó el mejor rendimiento fue el de regresión logística, con el mayor valor de AUC.6
Este modelo podrá ser utilizado en futuras aplicaciones, como herramientas que ayuden al personal médico a realizar diagnósticos rápidos en las etapas iniciales de la diabetes. El objetivo es mejorar la asistencia médica, prevenir complicaciones y reducir costos tanto para los pacientes como para el sistema de salud pública al evitar el tratamiento de la enfermedad en etapas más avanzadas.6
La inteligencia artificial ofrece también oportunidades significativas para la educación continua y el apoyo personalizado a pacientes con diabetes tipo 2. Mediante el uso de chatbots, que son programas que utilizan IA y procesamiento de lenguaje natural para entender preguntas y mantener conversaciones en tiempo real, los pacientes pueden acceder a información sobre su enfermedad, recibir consejos sobre estilos de vida saludables y recibir recordatorios para la toma de medicamentos o el seguimiento de sus concentraciones de glucosa.2
Además, las aplicaciones de salud basadas en IA proporcionan un canal de comunicación accesible que permite a los pacientes resolver dudas y sentirse apoyados en la gestión de su enfermedad. Este tipo de tecnología puede mejorar la adherencia al tratamiento y empoderar a los pacientes, brindándoles herramientas para manejar su salud de manera más eficaz. Estos avances son cruciales, ya que pueden conducir a mejores resultados en el manejo de la diabetes y mejorar la calidad de vida de quienes la padecen.2
Revisión
Un trabajo denominado “Revisión de revisiones” analizó la eficacia de los sistemas basados en IA para el manejo de la DM por medio de la evidencia disponible hasta abril de 2023. La conclusión de 11 estudios extraídos de bases de datos como PubMed o Cochrane Library, con herramientas de calidad Prisma y Quadas-2, arrojó beneficios como:
Alta adhesión al tratamiento y manejo de la enfermedad
Impacto positivo en el control glucémico
Reducción del número de episodios de hipoglucemia
Mejor predicción, cálculo y pronóstico de las variaciones de glucosa
Las mejoras a nivel tecnológico han permitido contar con dispositivos modernos y funcionales, así como mejor capacidad para combinarse con otros dispositivos inteligentes. Estos aparatos permiten la recopilación continua de datos.7
Todas estas razones refuerzan la implementación de esta tecnología, ya que mejora el entorno de estos pacientes de una manera más satisfactoria que los enfoques tradicionales existentes, contribuyendo a una mejor calidad de atención médica y de enfermería, a una mejor autonomía de los pacientes y a una reducción significativa de las complicaciones propias de esta enfermedad.7
Sin embargo, con el avance de los sistemas de inteligencia artificial en el manejo de la diabetes, surge la importante cuestión sobre la responsabilidad de las decisiones tomadas por estos sistemas. Esto es especialmente relevante en el ámbito médico, donde un error en un algoritmo puede tener graves consecuencias para la salud del paciente. Por lo tanto, es fundamental cuidar la calidad y la privacidad de los datos, así como asegurar la transparencia del modelo utilizado.2
Además, es crucial establecer mecanismos que permitan a los pacientes comprender las recomendaciones proporcionadas por la IA, para que puedan participar activamente en el proceso de toma de decisiones. La comunicación clara y efectiva entre los profesionales de la salud y los pacientes es esencial para fomentar una relación de confianza y asegurar que estas personas se sientan empoderadas en la gestión de su enfermedad.2
Referencias
1. |
Manzini E, Garrido-Aguirre J, Perera-Lluna A. El papel de la inteligencia artificial en el tratamiento de la diabetes: promesas y realidad. Diabetes. 2022. |
2. |
Beneyto A, Contreras I, Vehi J. Inteligencia artificial y diabetes. Diabetes. 2024. |
3. |
Rashid M, Askari M, Chen C, Liang Y, Shu K, Cinar A. Artificial Intelligence Algorithms for Treatment of Diabetes. Algorithms. 2022;15(299). |
4. |
Lanzagorta-Ortega D, Carrillo-Pérez D, Carrillo-Esper R. Inteligencia artificial en medicina: presente y futuro. Gaceta Médica de México. 2022;158:17-21. |
5. |
Vallejo Sánchez V. Nuevas tecnologías aplicadas en el tratamiento de la Diabetes Mellitus Tipo 1. NPunto. 2021;4(44):75-97. |
6. |
Guerrero-Flores M, Galván-Tejada C, Chávez-Lamas N, Galván-Tejada J, Gamboa-Rosales H, et al. Implementación de algoritmos de inteligencia artificial para la identificación de pacientes diabéticos utilizando los niveles de lípidos en sangre. Revisión de autores. Universidad Autónoma de Zacatecas; 2020. |
7. |
Martínez-Ortigosa A, Rodríguez-Arrastia M, Ropero-Padilla C. Inteligencia artificial en el manejo de la diabetes mellitus: una revisión de revisiones. 2023. X Jornadas Internacionales de Graduados en Ciencias de la Salud. |