{"id":37566,"date":"2023-03-28T09:06:54","date_gmt":"2023-03-28T15:06:54","guid":{"rendered":"https:\/\/saluddigital.com\/?p=37566"},"modified":"2025-10-19T23:29:43","modified_gmt":"2025-10-20T05:29:43","slug":"estudio-muestra-la-automatizacion-de-la-administracion-de-insulina-a-traves-de-la-deteccion-de-comidas-utilizando-ia","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/estudio-muestra-la-automatizacion-de-la-administracion-de-insulina-a-traves-de-la-deteccion-de-comidas-utilizando-ia\/","title":{"rendered":"Estudio muestra la automatizaci\u00f3n de la administraci\u00f3n de insulina a trav\u00e9s de la detecci\u00f3n de comidas utilizando IA"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Oregon Health & Science University, probaron un sistema de administraci\u00f3n de insulina, que incluye la detecci\u00f3n autom\u00e1tica de comidas y a trav\u00e9s de aprendizaje autom\u00e1tico.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los sistemas de circuito cerrado para la administraci\u00f3n automatizada de insulina son un est\u00e1ndar de atenci\u00f3n importante en el control de la diabetes tipo 1, los cuales permiten que las personas que viven con diabetes controlen mejor su glucosa. Sin embargo, los sistemas actuales requieren que el paciente cuente los carbohidratos manualmente y le indique las comidas al sistema.\u00a0 El conteo de carbohidratos es un desaf\u00edo para las personas que viven con diabetes tipo 1 ya que puede generar imprecisiones en el manejo de la diabetes.<\/p>

Existen varios enfoques probados para la detecci\u00f3n automatizada de comidas, por ejemplo, la l\u00f3gica difusa, el filtrado de Kalman, modelos probabil\u00edsticos, detecci\u00f3n de aumento de glucosa, entre otros. Tambi\u00e9n han sido utilizados recordatorios de comidas basados \u200b\u200ben gestos de relojes inteligentes o wearables<\/em> para mejorar el control gluc\u00e9mico.<\/p>

El estudio presenta \u201cun nuevo modelo de aprendizaje autom\u00e1tico para la detecci\u00f3n de comidas y la estimaci\u00f3n del tama\u00f1o de las comidas que se incorpora a un sistema s\u00f3lido de administraci\u00f3n de insulina y se prueba en humanos para evaluar la viabilidad y la seguridad de la administraci\u00f3n semiautom\u00e1tica de insulina en comidas con una intervenci\u00f3n m\u00ednima del usuario\u201d, explican los autores.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este sistema de administraci\u00f3n de insulina incluye la detecci\u00f3n autom\u00e1tica de comidas y la estimaci\u00f3n del contenido de carbohidratos, logrando as\u00ed la dosificaci\u00f3n de la insulina en las comidas. A este modelo los autores lo denominan p\u00e1ncreas artificial robusto (RAP, en ingl\u00e9s).<\/p>

Para probar el modelo realizaron un ensayo cruzado aleatorizado de un solo centro para comparar el control de la glucosa posprandial (despu\u00e9s de la comida) en las cuatro horas posteriores a las comidas no anunciadas utilizando un algoritmo y el sistema RAP. El sistema incluye un modelo de red neuronal que detecta las comidas y administra la dosis recomendada de insulina.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En cuanto a los participantes, participaron en el estudio pacientes con diabetes tipo 1 de 18 a 65 a\u00f1os de edad, con diagn\u00f3sticos de al menos un a\u00f1o y con uso de bomba de insulina durante al menos tres meses.<\/p>

El algoritmo de detecci\u00f3n de comidas tiene una sensibilidad del 83,3 %, una tasa de descubrimiento falso del 16,6 % y un tiempo medio de detecci\u00f3n de 25.9 minutos. A pesar de que no existe una diferencia significativa en el \u00e1rea incremental bajo la curva de glucosa, el sistema RAP reduce significativamente el tiempo por encima del rango, seg\u00fan explican los autores.<\/p>

\u201cLos resultados de este estudio indican que, si una comida se detecta con precisi\u00f3n dentro de los 25 a 30 minutos posteriores a la comida y se dosifica un porcentaje de la insulina prandial nominal requerida, el tiempo de hiperglucemia puede reducirse significativamente y no hay un aumento significativo del riesgo de hipoglucemia posprandial\u201d, explica el estudio.<\/p>

De esta forma, el estudio muestra evidencia de que los modelos de aprendizaje autom\u00e1tico para la detecci\u00f3n de comidas y conteo de carbohidratos, se pueden integrar en sistemas de automatizados de administraci\u00f3n de insulina para mejorar el control de la glucosa posprandial.<\/p>

Consulta el estudio completo en el siguiente enlace<\/p>

https:\/\/www.nature.com\/articles\/s41746-023-00783-1<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41746-023-00783-1<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Oregon Health & Science University, probaron un sistema de administraci\u00f3n de insulina, que incluye la detecci\u00f3n autom\u00e1tica de comidas y a trav\u00e9s de aprendizaje autom\u00e1tico. Los sistemas de circuito cerrado para la administraci\u00f3n automatizada de insulina son un est\u00e1ndar de atenci\u00f3n importante en el control de la diabetes tipo 1, los cuales permiten que las personas que viven con diabetes controlen mejor su glucosa. Sin embargo, los sistemas actuales requieren que el paciente cuente los carbohidratos manualmente y le indique las comidas al sistema.  El conteo de carbohidratos es un desaf\u00edo para las personas que viven con diabetes tipo 1 ya que puede generar imprecisiones en el manejo de la diabetes. Existen varios enfoques probados para la detecci\u00f3n automatizada de comidas, por ejemplo, la l\u00f3gica difusa, el filtrado de Kalman, modelos probabil\u00edsticos, detecci\u00f3n de aumento de glucosa, entre otros. Tambi\u00e9n han sido utilizados recordatorios de comidas basados \u200b\u200ben gestos de relojes inteligentes o wearables para mejorar el control gluc\u00e9mico. El estudio presenta \u201cun nuevo modelo de aprendizaje autom\u00e1tico para la detecci\u00f3n de comidas y la estimaci\u00f3n del tama\u00f1o de las comidas que se incorpora a un sistema s\u00f3lido de administraci\u00f3n de insulina y se prueba en humanos para evaluar la viabilidad y la seguridad de la administraci\u00f3n semiautom\u00e1tica de insulina en comidas con una intervenci\u00f3n m\u00ednima del usuario\u201d, explican los autores. Este sistema de administraci\u00f3n de insulina incluye la detecci\u00f3n autom\u00e1tica de comidas y la estimaci\u00f3n del contenido de carbohidratos, logrando as\u00ed la dosificaci\u00f3n de la insulina en las comidas. A este modelo los autores lo denominan p\u00e1ncreas artificial robusto (RAP, en ingl\u00e9s). Para probar el modelo realizaron un ensayo cruzado aleatorizado de un solo centro para comparar el control de la glucosa posprandial (despu\u00e9s de la comida) en las cuatro horas posteriores a las comidas no anunciadas utilizando un algoritmo y el sistema RAP. El sistema incluye un modelo de red neuronal que detecta las comidas y administra la dosis recomendada de insulina. En cuanto a los participantes, participaron en el estudio pacientes con diabetes tipo 1 de 18 a 65 a\u00f1os de edad, con diagn\u00f3sticos de al menos un a\u00f1o y con uso de bomba de insulina durante al menos tres meses. El algoritmo de detecci\u00f3n de comidas tiene una sensibilidad del 83,3 %, una tasa de descubrimiento falso del 16,6 % y un tiempo medio de detecci\u00f3n de 25.9 minutos. A pesar de que no existe una diferencia significativa en el \u00e1rea incremental bajo la curva de glucosa, el sistema RAP reduce significativamente el tiempo por encima del rango, seg\u00fan explican los autores. \u201cLos resultados de este estudio indican que, si una comida se detecta con precisi\u00f3n dentro de los 25 a 30 minutos posteriores a la comida y se dosifica un porcentaje de la insulina prandial nominal requerida, el tiempo de hiperglucemia puede reducirse significativamente y no hay un aumento significativo del riesgo de hipoglucemia posprandial\u201d, explica el estudio. De esta forma, el estudio muestra evidencia de que los modelos de aprendizaje autom\u00e1tico para la detecci\u00f3n de comidas y conteo de carbohidratos, se pueden integrar en sistemas de automatizados de administraci\u00f3n de insulina para mejorar el control de la glucosa posprandial. Consulta el estudio completo en el siguiente enlace https:\/\/www.nature.com\/articles\/s41746-023-00783-1 BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41746-023-00783-1<\/p>","protected":false},"author":1,"featured_media":37568,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-37566","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37566","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=37566"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37566\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/37568"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=37566"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=37566"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=37566"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}