A monitorización continua de glicosa pode ser unha excelente ferramenta de predición e estratificación de risco que permita identificar de forma máis precisa e precoz persoas con maior probabilidade de progresar a diabetes ou sufrir eventos cardiovasculares como infartos ou ictus, mesmo superando métricas basais tradicionais. É precisamente isto o que fai ‘GluFormer’, un sistema de intelixencia artificial capaz de predicir o risco de desenvolver estas patoloxías a partir do control constante dos datos da glicosa.
GluFormer é produto dunha investigación internacional que acaba de publicar Nature na que participou a USC, co profesor e investigador da Facultade de Medicina Francisco Gude á cabeza, e que reúne persoal científico de Australia, Dinamarca, Israel, Suíza, Emiratos Árabes Unidos, Estados Unidos e España.
Para aproveitar o potencial da monitorización da glicosa, o equipo de investigación ideou esta ferramenta de IA que se adestrou con máis de 10 millóns de medicións de máis de 10.000 persoas adultas, a maioría delas sen diabetes. Logo do adestramento, o modelo ‘aprendeu’ representacións que se aplicaron con éxito a 19 cohortes externas de distintas etnias, grupos de idade e condicións de saúde, entre elas prediabetes, diabetes tipo 1 e 2, diabetes xestacional e obesidade. Esas representacións, explica Gude, “melloraron de forma importante a predición de niveis de glicosa con respecto ao que proporcionan as medicións basais tradicionais”.
O papel da USC
A achega do equipo da USC centrouse na validación do modelo en preto de 600 adultos seguidos durante unha media de 11 anos, a quen o modelo predixo con precisión o risco de desenvolver diabetes e mortalidade cardiovascular.
Para o equipo de investigadores, GluFormer “abre a porta a intervencións preventivas e terapéuticas máis temperás e personalizadas (incluída a nutrición de precisión), optimizando o seguimento clínico en prediabetes, diabetes, obesidade e diabetes xestacional”, á vez que favorece un enfoque de medicina de precisión en saúde metabólica.
Referencia: A foundation model for continuous glucose monitoring data (Publicado en Nature)
