No existe un tratamiento único para la diabetes tipo 1, según un estudio

Hay factores más allá de los carbohidratos que tienen una influencia sustancial en los niveles de glucosa en sangre, lo que significa que los sistemas automatizados de administración de insulina actuales pierden información vital necesaria para la regulación de la glucosa, según ha descubierto un nuevo estudio.

Un equipo de investigadores de la Universidad de Bristol que analiza datos de administración automatizada de insulina de personas con diabetes tipo 1 (DT1) ha descubierto que los patrones inesperados en las necesidades de insulina son tan comunes como los bien establecidos.

El estudio, publicado como preimpresión en JMIRx Medtuvo como objetivo identificar patrones en los cambios en las necesidades de insulina y analizar con qué frecuencia ocurren en personas con diabetes tipo 1 que usan OpenAPS, un sistema automatizado de administración de insulina (AID) de última generación.

La autora principal, Isabella Degen, de la Facultad de Ciencias e Ingeniería de Bristol, explicó: «Los resultados respaldan nuestra hipótesis de que factores más allá de los carbohidratos desempeñan un papel sustancial en la euglucemia, el estado en el que los niveles de glucosa en sangre están dentro del rango estándar.

«Sin embargo, sin información mensurable sobre estos factores, los sistemas AID deben ajustar la insulina con cautela, con el efecto de que los niveles de glucosa en sangre bajen o aumenten demasiado».

La diabetes tipo 1 es una enfermedad crónica en la que el cuerpo produce muy poca insulina, una hormona necesaria para regular la glucosa en sangre.

El tratamiento principal para la diabetes tipo 1 es la insulina inyectada o bombeada. La cantidad y el momento de la administración de insulina deben adaptarse hábilmente a la ingesta de carbohidratos para evitar un aumento de los niveles de glucosa en sangre. Más allá de los carbohidratos, otros factores como el ejercicio, las hormonas y el estrés afectan las necesidades de insulina.

Sin embargo, se ha explorado poco con qué frecuencia estos factores causan efectos inesperados significativos en los niveles de glucosa en sangre, lo que significa que a pesar de todos los avances, la dosificación de insulina sigue siendo una tarea compleja que puede salir mal y dar como resultado niveles de glucosa en sangre fuera del rango que protege a las personas con diabetes tipo 1. efectos adversos para la salud.

Los hallazgos resaltan la complejidad de la regulación de la glucosa en la diabetes tipo 1 y demuestran la heterogeneidad en las necesidades de insulina entre las personas con diabetes tipo 1, lo que subraya la necesidad de enfoques de tratamiento personalizados.

Para que factores más allá de los carbohidratos se incluyan de manera más sistemática en la práctica clínica, los científicos deben encontrar una manera de medir y cuantificar su impacto y utilizar esta información en la dosificación de insulina. Esto también podría ayudar a realizar un pronóstico más preciso de la glucosa en sangre, lo que el estudio demostró que no es siempre posible a partir de información sobre la insulina y los carbohidratos únicamente.

Degen añadió: «Nuestro estudio destaca que controlar la diabetes tipo 1 es mucho más complejo que contar carbohidratos. La riqueza de conocimientos que se pueden obtener al estudiar los datos de administración automatizada de insulina vale la pena el esfuerzo que implica trabajar con este tipo de datos de la vida real. .

«Lo que más nos sorprendió fue la gran variedad de patrones que observamos, incluso dentro de nuestro grupo relativamente pequeño y homogéneo de participantes. Está claro que cuando se trata del control de la diabetes, no hay una solución única que sirva para todos.

«Esperamos que nuestros resultados inspiren más investigaciones sobre factores menos explorados que influyen en las necesidades de insulina para mejorar la dosificación de insulina».

El equipo ahora está trabajando en métodos avanzados de búsqueda de patrones de series temporales que puedan manejar la naturaleza diversa y compleja de los datos médicos de la vida real, incluidos los muestreos irregulares y los datos faltantes. Su enfoque actual es desarrollar técnicas innovadoras de segmentación y agrupamiento para datos de series temporales multivariadas diseñadas para descubrir patrones más granulares y manejar los desafíos que plantean los datos de la AID.

Para respaldar esta investigación futura, el equipo busca conjuntos de datos sobre la AID de acceso abierto y a largo plazo que incluyan una amplia gama de mediciones de sensores de posibles factores y una cohorte diversa de personas con diabetes Tipo 1.

Además, su objetivo es colaborar con expertos en series temporales y aprendizaje automático para abordar desafíos técnicos, como el manejo de datos muestreados de manera irregular con intervalos variables entre variables y el descubrimiento de causalidades detrás de los patrones observados para, en última instancia, impulsar innovaciones en la atención personalizada.