Para diagnosticar diabetes tipo 2 o prediabetes, los médicos suelen basarse en un valor de laboratorio conocido como HbA1c. Esta prueba registra el promedio de glucosa en sangre de una persona durante los últimos meses. Sin embargo, la HbA1c no puede predecir quién tiene mayor riesgo de progresar de una condición sana a prediabética, ni de prediabética a diabetes completamente desarrollada.
por el Instituto de Investigación Scripps
Ahora, los científicos de Scripps Research han descubierto que la inteligencia artificial puede utilizar una combinación de otros datos (incluidos los niveles de glucosa en tiempo real obtenidos mediante monitores portátiles) para proporcionar una visión más matizada del riesgo de diabetes .
El nuevo modelo, descrito en Nature Medicine , utiliza datos del monitor continuo de glucosa (MCG) junto con información del microbioma intestinal, la dieta, la actividad física y la genética. Detecta signos tempranos de riesgo de diabetes que las pruebas estándar de HbA1c podrían pasar por alto.
«Demostramos que dos personas con la misma puntuación de HbA1c pueden tener perfiles de riesgo subyacentes muy diferentes», afirma el coautor principal Giorgio Quer, director de inteligencia artificial y profesor adjunto de Medicina Digital en Scripps Research. «Al incorporar más datos —cuánto tardan en resolverse los picos de glucosa, qué sucede con la glucosa durante la noche, cuál es la ingesta de alimentos e incluso qué sucede en el intestino— podemos empezar a identificar quién está en una vía rápida hacia la diabetes y quién no».
«En última instancia, el objetivo de este trabajo es comprender mejor qué impulsa la progresión de la diabetes y cómo podemos intervenir más tempranamente en la clínica», agrega el coautor principal Ed Ramos, director sénior de ensayos clínicos digitales en Scripps Research.
Si bien es normal que haya alguna variación en el nivel de azúcar en sangre , especialmente después de comer, los picos de glucosa frecuentes o exagerados pueden indicar que el cuerpo tiene dificultades para controlar el azúcar eficazmente. En personas sanas, el nivel de azúcar en sangre suele subir y bajar de forma gradual. Sin embargo, en personas con riesgo de diabetes, estos picos pueden volverse más agudos, más frecuentes o más lentos en resolverse, incluso antes de que las pruebas de laboratorio rutinarias, como la HbA1c, detecten un problema. El nuevo estudio demuestra que el seguimiento de estas dinámicas diarias proporciona una visión mucho más detallada de la salud metabólica de una persona y podría ayudar a identificar problemas con mayor antelación.
Los hallazgos son el resultado de un programa de investigación digital plurianual denominado Estudio de Predicción de la Respuesta Glucémica (PROGRESS). El estudio utilizó las redes sociales para inscribir a más de 1000 personas de todo Estados Unidos en un ensayo clínico completamente remoto. Participaron personas con diagnóstico de prediabetes o diabetes, así como personas sanas.
Durante diez días, usaron el monitor continuo de glucosa (CGM) Dexcom G6, registraron sus comidas y ejercicio, y enviaron muestras de sangre, saliva y heces para análisis. Los investigadores también tuvieron acceso a sus historiales médicos electrónicos, que incluían análisis previos y diagnósticos médicos.
«Este fue un esfuerzo verdaderamente pionero en el ámbito de los ensayos clínicos remotos», afirma Ramos. «Tuvimos que diseñar un estudio que los participantes pudieran completar completamente por su cuenta, desde la aplicación de sensores hasta la recolección y el envío de muestras biológicas, sin necesidad de visitar una clínica. Ese nivel de participación autoguiada requería una infraestructura completamente diferente a la habitual».
Utilizando los datos, los investigadores entrenaron un modelo de IA para distinguir a las personas con diabetes tipo 2 de los individuos sanos.
Una de las señales más claras de riesgo de diabetes que encontraron los investigadores fue el tiempo que tardaba un pico de azúcar en sangre en normalizarse. En personas con diabetes tipo 2, la glucemia solía tardar 100 minutos o más en disminuir tras un pico, mientras que las personas más sanas volvían a sus valores iniciales mucho más rápido. El estudio también reveló que las personas con un microbioma intestinal más diverso y un mayor nivel de actividad tendían a tener un mejor control de la glucosa, mientras que una frecuencia cardíaca en reposo más alta se relacionaba con la diabetes.
Es importante destacar que el modelo de IA no solo detectó el riesgo en personas con HbA1c ya elevada. Al aplicarlo a personas prediabéticas, se observó que algunas presentaban un metabolismo similar al de quienes tenían diabetes, mientras que otras se asemejaban a las de personas sanas, a pesar de presentar valores de laboratorio similares. Este nivel de granularidad podría ayudar a los profesionales clínicos a personalizar el tratamiento, centrándose en cambios en el estilo de vida o terapias tempranas para pacientes con mayor riesgo de progresión de la enfermedad.
Si bien el estudio actual fue una instantánea, los investigadores continúan el seguimiento de los participantes para comprobar si las predicciones del modelo se traducen en la progresión de la enfermedad en la práctica clínica. También validaron el modelo utilizando un conjunto independiente de datos de pacientes de Israel, lo que refuerza su potencial para un uso clínico más amplio.
El equipo prevé que los médicos, o incluso las personas que utilizan CGM en casa, puedan utilizar futuras versiones del modelo para evaluar el riesgo metabólico y monitorear cómo las elecciones diarias afectan la diabetes.
«En definitiva, se trata de brindar a las personas mayor comprensión y control», afirma Quer. «La diabetes no aparece de un día para otro, sino que se desarrolla lentamente, y ahora contamos con las herramientas para detectarla antes e intervenir de forma más inteligente».
Más información: Mattia Carletti et al., Correlaciones de la IA multimodal con picos de glucosa en personas con regulación normal de la glucosa, prediabetes y diabetes tipo 2, Nature Medicine (2025). DOI: 10.1038/s41591-025-03849-7
Leyenda de imagen principal:
Recopilación de datos multimodales en curso. Crédito: Nature Medicine (2025). DOI: 10.1038/s41591-025-03849-7
