Inteligencia Artificial detecta niveles bajos de glucosa sin necesidad de punción

Investigadores de la Universidad de Warwick han desarrollado una nueva tecnología para detectar niveles bajos de glucosa a través de electrocardiograma (ECG) utilizando un sensor portátil no invasivo, que con la última inteligencia artificial puede detectar eventos hipoglucémicos a partir de señales de ECG sin procesar.

Actualmente, se dispone de monitores continuos de glucosa (MCG) para la detección de hipoglucemia (niveles de azúcar en sangre o derma).

Miden la glucosa en el líquido intersticial utilizando un sensor invasivo con una pequeña aguja, que envía alarmas y datos a un dispositivo de visualización.

En muchos casos, requieren calibración dos veces al día con pruebas invasivas de nivel de glucosa en sangre con punción digital.

Sin embargo, el equipo del Dr. Leandro Pecchia en la Universidad de Warwick publicó los resultados en un documento titulado ‘Medicina de precisión e inteligencia artificial: un estudio piloto sobre aprendizaje profundo para la detección de eventos hipoglucémicos basado en ECG’ en la revista Nature Springer que prueba que utilizando los últimos hallazgos de Inteligencia Artificial (es decir, aprendizaje profundo), pueden detectar eventos hipoglucémicos a partir de señales de ECG sin procesar, con sensores portátiles no invasivos.

Dos estudios piloto con voluntarios sanos encontraron que la sensibilidad y especificidad promedio es de aproximadamente el 82% para la detección de hipoglucemia, que es comparable con el rendimiento actual de MCG, aunque no invasivo.

El Dr. Leandro Pecchia de la Facultad de Ingeniería de la Universidad de Warwick comenta:

“Las punciones en los dedos nunca no son agradables y en algunas circunstancias son particularmente engorrosas.

Tomar un dedo durante la noche ciertamente es desagradable, especialmente para pacientes en edad pediátrica.

“Nuestra innovación consistió en utilizar inteligencia artificial para detectar automáticamente la hipoglucemia a través de unos pocos latidos de ECG.

Esto es relevante porque el ECG se puede detectar en cualquier circunstancia, incluido el sueño“.

La figura muestra la salida de los algoritmos a lo largo del tiempo: la línea verde representa los niveles normales de glucosa, mientras que la línea roja representa los niveles bajos de glucosa.

La línea horizontal representa el valor de glucosa de 4 mmol/L, que se considera el umbral significativo para los eventos hipoglucémicos.

El área gris que rodea la línea continua refleja la barra de error de medición.

El modelo de Warwick destaca cómo cambia el ECG en cada sujeto durante un evento de hipoglucemia.

La siguiente figura es un ejemplo.

Las líneas continuas representan los latidos promedio de dos sujetos diferentes cuando el nivel de glucosa es normal (línea verde) o bajo (línea roja).

Las sombras rojas y verdes representan la desviación estándar de los latidos alrededor de la media.

Una comparación destaca que estos dos sujetos tienen diferentes cambios en la forma de onda del ECG durante los hipo eventos.

En particular, el Sujeto 1 presenta un intervalo QT visiblemente más largo durante la hipo, mientras que el sujeto 2 no.

Las barras verticales representan la importancia relativa de cada onda de ECG para determinar si un latido se clasifica como hipo o normal.

A partir de estas barras, se ve que para el Sujeto 1, el desplazamiento de la onda T influye en la clasificación, lo que refleja que cuando el sujeto está en hipo, la repolarización de los ventrículos es más lenta.

En el Sujeto 2, los componentes más importantes del ECG son la onda P y el aumento de la onda T, lo que sugiere que cuando este sujeto está en hipo, la despolarización de las aurículas y el umbral para la activación ventricular se ven particularmente afectados.

Esto podría influir en las intervenciones clínicas posteriores.

Este resultado es posible porque el modelo de Warwick de IA está entrenado con los propios datos de cada sujeto.

Las diferencias intersubjetivas son tan significativas que entrenar el sistema utilizando datos de cohortes no daría los mismos resultados.

Del mismo modo, la terapia personalizada basada en este sistema podría ser más efectiva que los enfoques actuales.

El Dr. Leandro Pecchia comenta:

“Las diferencias resaltadas podrían explicar por qué fallaron los estudios previos que usaron ECG para detectar eventos hipoglucémicos.

El rendimiento de los algoritmos de IA entrenados sobre los datos de ECG de cohorte se vería obstaculizado por estas diferencias entre sujetos“.

“Nuestro enfoque permite la sintonización personalizada de algoritmos de detección y enfatiza cómo los eventos hipoglucémicos afectan el ECG en los individuos.

Basándose en esta información, los médicos pueden adaptar la terapia a cada individuo.

Claramente se requiere más investigación clínica para confirmar estos resultados en poblaciones más amplias. Por eso estamos buscando socios“.

Fuente: Warwick News