Investigadores de la Universidad de Girona desarrollaron un modelo explicable que predice eventos de hipoglucemia e hiperglucemia y optimiza la dosis de insulina tras las comidas.
A study published in PLOS Digital Health propone un avance importante en el manejo de la diabetes tipo 1, el cual consiste en un sistema de machine learning or machine learning capaz de predecir tanto bajadas como subidas de glucosa después de comer, ofreciendo además recomendaciones personalizadas para ajustar la dosis de insulina. La innovación no solo mejora la precisión en la predicción de estos eventos, sino que también proporciona explicaciones claras sobre cómo el modelo toma decisiones, lo que fortalece la confianza de médicos y pacientes.
El equipo liderado por científicos de la Universidad de Girona, en España, desarrolló un marco de aprendizaje basado en clústeres que combina técnicas de artificial intelligence (AI) y análisis explicable para anticipar eventos glucémicos dentro de un periodo de cuatro horas después de una comida.
El modelo utiliza información de monitores continuos de glucosa, datos sobre la cantidad de carbohidratos ingeridos y la dosis de insulina administrada antes de comer. Mediante algoritmos de agrupamiento no supervisado, que organizan los datos según patrones similares, el sistema genera perfiles personalizados de comportamiento glucémico. A partir de estos perfiles, entrena clasificadores especializados para predecir episodios de hipoglucemia e hiperglucemia.
Los investigadores evaluaron su propuesta con datos reales de 179 pacientes y con simulaciones virtuales. En comparación con modelos tradicionales, su enfoque mostró un desempeño superior: el sistema alcanzó un área bajo la curva (AUC, en inglés) de 0.84 para hipoglucemia y 0.93 para hiperglucemia, además de una alta correlación en las predicciones. Estas métricas indican una notable capacidad del modelo para anticipar con precisión los eventos de riesgo.
Una de las principales características del sistema es su transparencia, pues los autores implementaron métodos de AI explicable, como SHAP y LIME, que permiten identificar qué variables influyen más en cada predicción. De esta manera, tanto pacientes como profesionales pueden comprender cómo factores como la cantidad de carbohidratos, la dosis de insulina o los niveles recientes de glucosa afectan el resultado.
Además, el modelo incluye un módulo de ajuste de insulina que sugiere modificaciones en la dosis preprandial, antes de comer, basadas en el riesgo estimado. En pruebas simuladas, este ajuste redujo los episodios de hipoglucemia sin incrementar significativamente los de hiperglucemia, manteniendo los niveles de glucosa dentro de rangos seguros durante la mayor parte del tiempo.
