Investigadores de Oregon Health & Science University, probaron un sistema de administración de insulina, que incluye la detección automática de comidas y a través de aprendizaje automático.
Los sistemas de circuito cerrado para la administración automatizada de insulina son un estándar de atención 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 desafío 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 detección automatizada de comidas, por ejemplo, la lógica difusa, el filtrado de Kalman, modelos probabilísticos, detección de aumento de glucosa, entre otros. También han sido utilizados recordatorios de comidas basados en gestos de relojes inteligentes o wearables para mejorar el control glucémico.
El estudio presenta “un nuevo modelo de aprendizaje automático para la detección de comidas y la estimación del tamaño de las comidas que se incorpora a un sistema sólido de administración de insulina y se prueba en humanos para evaluar la viabilidad y la seguridad de la administración semiautomática de insulina en comidas con una intervención mínima del usuario”, explican los autores.
Este sistema de administración de insulina incluye la detección automática de comidas y la estimación del contenido de carbohidratos, logrando así la dosificación de la insulina en las comidas. A este modelo los autores lo denominan páncreas artificial robusto (RAP, en inglés).
Para probar el modelo realizaron un ensayo cruzado aleatorizado de un solo centro para comparar el control de la glucosa posprandial (después 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 años de edad, con diagnósticos de al menos un año y con uso de bomba de insulina durante al menos tres meses.
El algoritmo de detección de comidas tiene una sensibilidad del 83,3 %, una tasa de descubrimiento falso del 16,6 % y un tiempo medio de detección de 25.9 minutos. A pesar de que no existe una diferencia significativa en el área incremental bajo la curva de glucosa, el sistema RAP reduce significativamente el tiempo por encima del rango, según explican los autores.
“Los resultados de este estudio indican que, si una comida se detecta con precisión 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”, explica el estudio.
De esta forma, el estudio muestra evidencia de que los modelos de aprendizaje automático para la detección de comidas y conteo de carbohidratos, se pueden integrar en sistemas de automatizados de administración de insulina para mejorar el control de la glucosa posprandial.
Consulta el estudio completo en el siguiente enlace
