Tecnología en Endocrinología - ACE

Tecnología en Endocrinología

Tiempos, conceptos e implementaciónAlex Ramírez Rincón

Editor

Una publicación de:

Recomendaciones elaboradas con el apoyo financiero de Abbott; estas reflejan las posiciones

de los autores y no las de la compañía patrocinadora.

Tecnología en Endocrinología:tiempos, conceptos eimplementación

Consensos, recomendaciones, guías y perspectivasMonografía

Tecnología en Endocrinología: Tiempos, conceptos eimplementación

Propósito. La ciencia aplicada, una de las aristas definitorias de la tecnología, ha tenido un acercamiento ala medicina desde su aurora; dicho aspecto llega a lo más profundo de la Endocrinología. El presente textotiene por objetivo denotar conceptos de aproximación, para así describir la implementación práctica deltándem entre tecnología y Endocrinología en los diferentes tiempos que lo han acompañado.Contenidos. Se empieza con algunos elementos históricos puntuales de encuentro entre la tecnología y laEndocrinología. Posteriormente, se introduce un concepto de vibrante vigencia: el tiempo en rango comométrica del control glucémico en la actualidad. Se reconoce el rol protagónico del monitoreo continuo deglucosa en la diabetes, al igual que se exploran sus potenciales usos. En el cuarto capítulo se hace un altoen el camino para comprender la inmediación entre la matemática y la Endocrinología. En los dos últimoscapítulos sehaceuna inmersión almundode los ecosistemasdigitales, a travésdel caminode la inteligenciaartificial y recursos funcionales como las apps.Conclusiones. El apasionante mundo de la tecnología nos seduce cada vez más en los diferentes ámbitos;su relación con la Endocrinología es y será en el tiempo de una contundencia irrebatible. De esta manera,se ofrece una invitación abierta a vivir los procesos venideros de dicha fusión conceptual.

Palabrasclave: tecnología, Endocrinología, hormona,modelosmatemáticos,monitoreocontinuodegluco-sa, inteligencia artificial, apps, ecosistema digital.

Technology in Endocrinology: Stages, Concepts andImplementation

Purpose. As one of the defining edges of technology, applied science has had an approach to medicinesince its dawn, having a significant influence on Endocrinology. The present text aims to denote concepts ofapproximation, in order to describe the practical implementation of the tandem between technology andEndocrinology.Overview. We begin with some specific historical elements regarding the encounter between technologyand Endocrinology. Subsequently, we introduce a concept of vibrant validity: time in range as a metric ofglycemic control today. We highlight the leading role of continuous glucose monitoring in diabetes, andwe explore its potential uses. In the fourth chapter, we make a stop to understand the immediacy betweenmathematics and Endocrinology. In the last two chapters, we immerse ourselves into theworld of digitalecosystems, through the path of artificial intelligence and functional resources such as apps.Contribution.Theexcitingworldof technology seducesusmoreandmore indi�erent areas; its relationshipwith Endocrinology is and will be in time of an irrefutable forcefulness. In this way, we extend an invitationto experience the coming processes of said conceptual fusion.

Keywords. technology, Endocrinology, hormone, mathematical models, continuous glucose monitoring,artificial intelligence, apps, digital ecosystem.

Cómo citar:Ramírez-Rincón A, Tovar-Cortés H, Builes-Montaño CE, Gómez Medina AM, Marín Sánchez A, HenaoCarrillo DC,Matallana Rhoades AM, Botero- Arango JF, Cure Cure CA, GuzmánGómezGE, Fériz BoneloK, Vallejo González S. Tecnología en Endocrinología: tiempos, conceptos e implementación. Rev.Colomb. Endocrinol. Diabet. Metab. 2021 Nov 12. 8(1): 1-120. https://doi.org/10.53853/encr.8.1.702

Asociación Colombiana de Endocrinología, Diabetes y MetabolismoTecnología en Endocrinología: tiempos, conceptos e implementación / Asociación

Colombiana de Endocrinología, Diabetes y Metabolismo; Alex Ramírez Rincon, editor. – Colombia:Entrelibros, 2021. 121 páginas.

ISBN (impreso) 978-958-53762-0-5ISBN (digital) 978-958-53762-1-2

1. Endocrinología – Glándulas Endocrinas | 2. Endocrinología – Tecnología – Diagnósticopor Imagen | 3. Diabetes Mellitus – Tecnología Médica | 4. Diagnostico – Métodos de Simulación– Pronostico Medico – Modelos Matemáticos | 5. Aprendizaje Automático (Inteligencia Artificial)| 6. Hipoglucemia | 7. Diabetes pediátrica | 8. Monitoreo de la Glicemia – Glicemia-Análisis | 9.Metabolismo – Gluconeogénesis | 10. Terapéutica – Telemedicina

1. Enfermedades del sistema endocrino | 2. Endocrinología – Anatomía e Histología | 3.Endocrinología – Diagnostico | 4. Diagnostico – Estadísticas y Datos Numéricos | 5. metabolismo –Clasificación – Análisis.

616.4075 AS837 SCDD 23Catalogación en la fuente — Entrelibros.

Noviembre de 2021Cite como:Ramírez-Rincón A, editor. Tecnología en Endocrinología: tiempos, conceptos e implementación.Bogotá: Asociación Colombiana de Endocrinología, Diabetes y Metabolismo. 2021.

Tecnología en Endocrinología tiempos, conceptos e implementación©Asociación Colombiana de Endocrinología, Diabetes y MetabolismoBogotá, noviembre de 2021©Alex Ramírez Rincón, editor©Alex Ramírez Rincón, Henry Tovar Cortes, Carlos Esteban BuilesMontaño, AnaMaría GómezMedina, AlejandroMarínSánchez, Diana CristinaHenao Carrillo, AudreyMaryMatallana Rhoades, José FernandoBotero Arango, Carlos AlbertoCure Cure, Guillermo Edinson Guzmán Gómez, Karen Fériz Bonelo, Santiago Vallejo González.

ISBN (impreso): 978-958-53762-0-5ISBN (digital): 978-958-53762-1-2

Revista Colombiana de Endocrinología, Diabetes y MetabolismoE-ISSN: 2805-5853 | L-ISSN: 2389-9786DOI (digital object identifier): https://doi.org/10.53853/encr.8.1.702

Coordinación editorialNatalia Andrea Arcila MurciaAsociación Colombiana de Endocrinología, Diabetes y Metabolismo

Manfred Acero GómezEntrelibros

Producción editorialCorrección de estilo: Osmar PeñaDiseño y composición: Julián Arcila-ForeroPortada: Juan Sebastián Salamanca Nossa

Entrelibroswww.entrelibros.co

Impreso en Bogotá, Colombia. Depósito legal según el Decreto 460 de 1995.La Asociación Colombiana de Endocrinología, Diabetes y Metabolismo se adhiere a la filosofía del acceso abierto y permite libremente la consulta,descarga, reproducciónoenlaceparausodesuscontenidos,bajouna licenciadeCreativeCommonsReconocimiento-NoComercial-SinObraDerivada4.0 Internacional. http://creativecommons.org/ licenses/by-nc-nd/4.0/

Contenido

Prefacio VIAlex Ramirez Rincón

Desde los albores a la actualidad. Hitos de los desarrollostecnológicos en Endocrinología 1Alex Ramirez Rincón • Henry Tovar Cortes • Carlos Esteban Builes Montaño

Tiempo en rango: del concepto a la implementación 17Ana María Gómez Medina • Alejandro Marín Sánchez • Diana Henao Carillo

Tecnología en enfermedad disglucémica: monitoreo continuode glucosa más allá de la diabetes 42Alejandro Marín Sánchez • Audrey Mary Matallana Rhoades

Modeladomatemático y Endocrinología 69Carlos Builes Montaño • Alex Ramírez Rincón • José Botero Arango

Inteligencia artificial: una nueva dimensión en Endocrinología 87Carlos Alberto Cure Cure • Guillermo Edinson Guzmán Gómez

Apps en Endocrinología: del universo a la individualidad 105Karen Fériz Bonelo • Santiago Vallejo González

PrefacioLapresente separataesproductodel esfuerzomancomunadode líderesdeopiniónsobrecómo la tecnología

se aplica en nuestra subespecialidad. Tiene una meticulosa selección de temas con el único propósito de

motivar al lector a sumergirse en un universo apasionante y de vibrante vigencia.

El primer capítulohaceun ligero trasegarporalgunosde loshitosmás importantesde la tecnología, enel

marco de la Endocrinología, conmatices que resaltan cómo su influencia vamás allá del marco terapéutico

y se reconoce su rol protagónico en la consolidación de la Endocrinología como una subespecialidad de la

medicina interna. Amodo de cierre, el capítulo hace una aproximación pragmática almundo delmonitoreo

continuo de glucosa.

En el segundo capítulo los autores reconocen la evolución de lasmétricas de glucemia hasta consolidar

el «tiempo en rango» como una de las nuevas y más relevantes medidas a considerar en el espectro del

control glucémico; todoesto, sindesconocer al valor de la «HbA1c»pero resaltando lapotencial complemen-

tariedad de estos dos parámetros.

En el tercer capítulo, demaneramagistral, semuestra cómo se rompen las fronteras del uso práctico del

monitoreo continuo de glucosa, se exploran los mundos más allá de diabetes como entidad específica y se

abordan patologías que seguramente fortalecerán la evidencia en años venideros.

La prosa del cuarto capítulo nos demuestra cuán cercanos están elmundo de lamatemática y elmundo

de la Endocrinología que, aparentemente, son segmentos disímiles del pensamiento, pero si se miran con

cuidado, terminan siendo sorprendentemente sinérgicos. Esa sinergia permite comprender el comportami-

ento de las variables biológicas y su profundo misterio e invita a que el lector se sumerja en el mundo

conceptual del modeladomatemático.

El quinto capítulo nos traslada hacia una nueva dimensión: la inteligencia artificial. Aquí los autores

destacan cómo la medicina moderna da apertura a una herramienta técnica e ingenieril que penetra en

diferentes alas del pensamiento y reconocen su incorporación práctica en la Endocri-

nología. El capítulonosdejaunambientedegranexpectativapor la consolidaciónde la inteligencia artificial

en las próximas décadas.

Finalmente, en el sexto capítulo, nuestros dos últimos autores, embebidos en una constelación de apps

en Endocrinología, dan una mirada refrescante sobre un mundo de oportunidades para seleccionar y usar

dichos recursos tecnológicos, en el ámbito de un ecosistema digital.

Comoel lectorhapodidopercibir, esta esuna someraaproximacióna los capítulosque tendrá laposibili-

dad de disfrutar. Nos queda por delante todo un camino de maduración conceptual y de consolidación en

el tiempo, para seguir avanzando en el proceso de implementación tecnológica en nuestro campo.

Alex Ramírez-RincónEditor

Tecnología en Endocrinología: tiempos, conceptos e implementación

Coordinador del Comité de Tecnología Innovación y Desarrollo en Endocrinología

VI

Consensos, recomendaciones, guías y perspectivas

Capítulo 1

Desde los albores a la actualidadHitos de los desarrollos tecnológicos

en EndocrinologíaAlex Ramirez-Rincón�

https://orcid.org/0000-0002-3925-6201Profesor Titular, Facultad de Medicina, Universidad Pontificia Bolivariana

Endocrinólogo, Clínica Integral de Diabetes (CLID)Coordinador del Comité de Tecnología Innovación y Desarrollo en Endocrinología

Miembro de Número de la Asociación Colombiana de Endocrinología

Henry Tovar-Corteshttps://orcid.org/0000-0003-0591-2562

Profesor Asociado, Facultad de Medicina, Fundación Universitaria de Ciencias de la SaludEndocrinólogo, Estudios e Inversiones Médicas S.A. (ESIMED)Presidente de la Asociación Colombiana de Endocrinología

Carlos Esteban Builes-Montañohttps://orcid.org/0000-0002-2418-6159

Profesor Asociado, Facultad de Medicina, Universidad de AntioquiaEndocrinólogo, Hospital Pablo Tobón Uribe

Comité de Tecnología, Innovación y Desarrollo en Endocrinología Miembro de Número de la AsociaciónColombiana de Endocrinología

� Autor de correspondencia: Alex Ramirez-Rincón, Facultad de Medicina, Universidad PontificiaBolivariana (UPB), calle 78b # 72a-159, Medellín, Colombia.Correo-e: [email protected]

Desde los albores a la actualidadHitos de los desarrollos tecnológicos en

EndocrinologíaAlex Ramirez-Rincón , Henry Tovar-Cortés y Carlos Esteban Builes-Montaño

Resumen

Propósito. La tecnología, en su actual esplendor, ha permeado todas las esferas de nuestra vida cotidiana; elejercicio clínico no se escapa a dicho proceso. En este capítulo, se reconoce que la tecnología es un agente decambio histórico y social, con un impacto innegable en la salud; sus progresos permitieron la comprensión desucesospatológicos,métodosdiagnósticosyblancos terapéuticos. Ladefinicióndel términode tecnologíapermitehacerunadiseccióndesuconceptomásalládelpuritanismode losdispositivosyampliar sushorizontesadiferentescampos de la medicina. La Endocrinología, como subespecialidad médica, se consolidó gracias a los avancespropios de la tecnología en los diferentes niveles.Contenidos. En el presente capítulo trasegamos desde el concepto fundamental de hormona, sus medicionesobjetivas y algunos de los hitos históricosmás importantes, hasta llegar a la contemporaneidad y a lamención deprocesos tecnológicos de vanguardia, como el monitoreo continuo de glucosa y su articulación con ecosistemasdigitales.Conclusiones. Esta perspectiva histórica de la tecnología, desde la Endocrinología, ofrece una óptica global delproceso evolutivo que nos lleva a la actualidad, con la oportunidad de explorar, en futuros textos, algunos temasespecíficos más en profundidad.

Palabras clave: tecnología, diabetes, hormona, monitoreo continuo de glucosa, ecosistema digital.

Introducción

«La ciencia y la tecnología revolucionan nuestrasvidas, pero la memoria, la tradición y el mito cercan

nuestra respuesta»

Arthur Schlesinger

En este preciso momento, sinmediación alguna de voluntad, todosestamos inmersos de manera directa oindirecta en un ecosistema digital quenos atrae fervorosamente al conceptode tecnología; basta con dar unamirada provista de cautela y matiz

crítico para encontrar esos múltiplesnexos que nos unen a la era digital.Si bien dicho concepto nos pone decara a elementos tecnológicos tangibles,debemos aproximarnos a una definiciónpara acercarnos, de manera más precisa,a lo que es la tecnología. Esta sereconoce como el conjunto de conceptosy conocimientos científicos que permitenlograr un objetivo específico y que, lamayoría de las veces, es compatible conla solución de un problema planteado,generando el aprovechamiento práctico

Tecnología en Endocrinología http://revistaendocrino.org/index.php/rcedm 2

Desde los albores a la actualidadA. Ramirez-Rincón, H. Tovar-Cortés y C. Builes-Montaño

de un conocimiento científico (1, 2).Sin embargo, una definición de estetipo supone una transmisión cognitivaunidireccional entre ciencia y tecnología.En otras palabras, la tecnología pareceríaser ciencia aplicada pero, en realidad,es mucho más que eso; es un agente decambio histórico y social.

Es tan antigua como la naturalezahumana, dada la búsquedaconstante de procesos que mejorenla calidad de vida, pero solo fuehasta el siglo XVIII cuando seacuñó el término específico de«tecnología» para referirse a lavinculación de la técnica y laciencia, en la estructuración demétodos de producción. Múltiplesclasificaciones competen a latecnología, desde los elementosvinculantes, las fases de aplicacióny desde su dimensión (3). Dada laprofundidad científica que conlleva,en campo estaría clasificada comouna tecnología dura; desde el puntode vista sociológico, aquella quenos acompaña sería la de tecnologíaflexible (utilidad en múltiples áreas)y de punta (a la vanguardia), segúncual fuere el tiempo al que nosrefiramos.

En este contexto, la Endocrinología,casi desde su concepción comosubespecialidad de la medicina interna,

ha estado ligada a la tecnología: laencontramos en las técnicas bioquímicasanalíticas que permitieron entendermejor el funcionamiento de los ejeshormonales, así como en los avancestecnológicos en inmunología, bioquímicay biologíamolecular que hicieron posiblecomprender el rol de las hormonas yneurotransmisores; más adelante, enla historia, también en los elementosfarmacológicos de vanguardia queestablecieron la existencia y modulaciónde blancos terapéuticos (4).

Así pues, en la contemporaneidad, eltérmino tecnología, usado de diversasmaneras, pudiese agregarse en lassiguientes categorías: 1) tecnología comoartefacto, 2) tecnología como sistemade manufactura, o 3) tecnología comosaber (5). Algunos filósofos de la ciencia,comoMario Bunge (2002), le han dado unsentido más amplio: «una tecnología esun cuerpo de conocimiento compatiblecon la ciencia coetánea y controlablepor el método científico y se empleapara controlar, transformar o crear cosaso procesos naturales o sociales» (6).Esta diferencia conceptual nos permitiráexplorar los desarrollos tecnológicosque han moldeado la práctica de laEndocrinología sin caer en la tentaciónde limitarnos solo a los artefactos.

Surge entonces uno de los primeroshitos de los desarrollos tecnológicosen Endocrinología, el cual data de

Asociación Colombiana de Endocrinología, Diabetes y Metabolismo 3


la segunda mitad del siglo XIX yfundamenta, a su vez, la identificaciónindividual como una subespecialidadde la medicina interna: el concepto dehormona.

Creando un concepto: la hormona

Como materia de conocimiento, lamedicina se considera una tecnologíaenmarcada en la ciencia de la biología;el hecho de que fuera posible verificar,en el cuerpo humano, la existenciade mensajeros químicos que actuarana distancia fue uno de sus avancestecnológicos más importantes. Estanoción tiene su origen en el siglo XIX conlas investigaciones deAdolpheBerthold yClaude Bernard, pero fue Ernest Starling(1905) quien utilizó, por primera vez,la palabra hormona para definir «losmensajerosquímicosque viajande célulaa célula a través del torrente sanguíneologrando coordinar las actividades yel crecimiento de diferentes partes delcuerpo» (7).La introducción de la palabra

hormona y su conceptualización tuvierongrandes repercusiones en la técnicamédica. Inicialmente, la mayoría de losacadémicos interesados en el estudiode las hormonas tenían una formaciónprevia en bioquímica. Incluso la primerasociedad científica dedicada a losestudios hormonales, fundada en 1917,la Asociación para el Estudio de las

Secreciones Internas (Association for theStudy of Internal Secretions, ASIS), futuraSociedad de Endocrinología (EndocrineSociety), acogía a biólogos y médicosinteresados en este nuevo campodel pensamiento médico. Durante lasprimeras décadas del siglo XX aumentó elinterés por la investigación en el campo,especialmente por la identificación dela fuente de estos mensajeros. Comoresultado, múltiples hormonas fueronnombradas de acuerdo con el órgano delcual derivan (ej., la hormona tiroidea),pero este sistema de clasificaciónrápidamente se tornó problemático enel momento en que se hizo evidente queun mismo órgano podía ser la fuente demúltiples hormonas.

El primer modelo que surgió delestudio de las hormonas fue elmodelo del comportamiento humano,íntimamente ligado al estudio de lashormonas sexuales, que llegaron aconocerse como las hormonas maestras(8). Esta línea de pensamiento llevó aldescubrimiento y caracterización de lashormonas tiroideas, la insulina y lashormonas sexuales, descubrimientosque fueron galardonados con variospremios Nobel.

El modelo de pensamiento fueevolucionando a medida que lainvestigación se trasladó del estudio delos órganos fuente de las hormonas a lainterconexión que existe entre estos y de



allí emanó un nuevo modelo: el sistemaendocrino. Solo fue cuestión de tiempohasta la aparición de la terapia hormonal.Estos avances en el pensamiento

médico, mediados por la tecnología,son el fundamento de lo que hoyen día conocemos como el sistemaendocrino, con sus intrincadas relacionesde retroalimentación y, por ende,la disciplina que se dedica a suestudio y práctica: la Endocrinología.La consolidación conceptual da pasoa un segundo hito: la medición de lashormonas.

Lamedición de las hormonas

Un elemento es el descubrimiento delas hormonas y otro es su cuantificación.La mayoría de las hormonas seencuentran en concentraciones tan bajasen el cuerpo humano que representanun reto para lograr aproximarse, demanera más o menos precisa, a susniveles séricos circulantes. Tal reto solo

fue superado a través de múltiplesdesarrollos tecnológicos.Los primeros métodos para medir las

hormonas fueron los bioensayos. Estosrequerían de la recolección de grandesvolúmenes de orina, largos periodosde tiempo para su procesamiento,procedimientos de cebado o la inyecciónde sustancias en animales paramejorar su rendimiento, y aun así eraninespecíficos.Uno de los pasos más importantes en

la medición hormonal fue el desarrollodel radioinmunoensayo por los doctoresRosalyn Yalow y Solomon Berson,quienes requirieron de avances en lafísica, química y biología (9). Lamediciónde pequeñas cantidades de hormonasfue posible gracias a la radiación queemitían isótopos como el yodo 131 y 125unidos a anticuerpos que los proveíande una mayor especificidad. Estossirvieroncomobasepara inmunoensayosbasados en enzimas, fluorescencia



y quimioluminiscencia, los cualessuperaron las barreras logísticasasociadas con la exposición y disposiciónde los materiales radioactivos.

El siguiente gran paso en lamedición hormonal fue eldesarrollo de los anticuerposmonoclonales, permitiendola transición a ensayos nocompetitivos, los que, acopladosa métodos de detección porquimioluminiscencia y aunadosa avances en computarización eingeniería de precisión, lograronen conjunto disminuir de días ahoras el tiempo de análisis. Laautomatización de los métodosde medición hace hoy posible elprocesamiento y cuantificación demúltiples muestras en minutos;esto revolucionó la investigacióny el cuidado de las personas conendocrinopatías.

Avances tecnológicos han permitidomasificar la medición de ciertassustancias, redefiniendo laepidemiologíade algunas enfermedades; un ejemplohistórico notorio es el del hiperparatiroi-dismo primario. Hasta la segundamitad del siglo XX no era posiblemedir de manera sencilla y rápida losniveles de calcio en la sangre, peroesto cambió con el uso rutinario deanalizadores multicanal alrededor delaño 1970. Debido a ello, era usual

que, en la gran mayoría de los casos,el hiperparatiroidismo primario sedetectara solo cuandopresentaba algunade sus formas sintomáticas típicas comoconsecuencia de los altos niveles decalcio en la sangre, el compromisoesquelético o renal (10).

Un reporte en la población deRochester, Minnesota (EE. UU.), permiteapreciar cómo la incidencia de laenfermedad varía en función deltiempo de acuerdo con diferentesfactores políticos, sociales, técnicosy tecnológicos. Por ejemplo, en ladécada de los años 70, cuando se hizoposible la medición rutinaria de calcio,se presentó un notable incrementoen la incidencia con una posteriordisminución, lo cual se atribuye alefecto de barrido ocasionado por eldiagnóstico de las personas previamente«sanas» que antes no habían podidoser detectadas. En la década de losaños 80 se presenta nuevamente unpequeño incremento en la incidencia, loque logra, probablemente, alcanzar laincidencia esperada de la enfermedad.En la década de los 90 las políticasestatales para la inclusión de la mediciónde calcio en las mediciones rutinariascambiaron y el calcio fue excluido delos paneles generales, lo que provocóuna nueva disminución en la incidencia,pero nunca hasta lograr los nivelesiniciales en los que la mayoría de



Figura 1. Incidencia del hiperparatiroidismo primario. Cambios en la incidencia (por 100.000 personas/año) delhiperparatiroidismo primario en una población de Rochester, Minnesota, Estados Unidos, a través del tiempo.

Fuente: adaptado de (11).

las personas presentaban síntomas dehiperparatiroidismo primario (figura 1)(11).Gracias a estos dos primeros

hitos en el avance tecnológico, encasi un siglo de evolución, se dioapertura a majestuosos procesoscientíficos para la Endocrinología comosubespecialidad de medicina interna,consolidando múltiples horizontes encampos diagnósticos y terapéuticosa través del tiempo. Tarea titánica,casi inconmensurable, sería intentarmencionar cadaunodeestosdesarrollos,además a riesgo de no evocar elementoscardinales en las diferentes disciplinas de

la subespecialidad. Por ello citaremos tansólo dos momentos históricos más quehan sido, en el mayor sentido figuradode la palabra, un cuasi parteaguas enel enfoque diagnóstico y terapéuticode dos espectros patológicos de granprevalencia: la disfunción tiroidea y lostrastornos en el metabolismo de loscarbohidratos.

El yodo radioactivo

Los avances tecnológicos confrecuencia surgen de la comunión delconocimiento de diferentes ramas, perotambién de algunas coincidencias y talvez de una pequeña dosis de suerte. En



1936,Karl TaylorCompton, presidentedelMassachusetts Institute of Technology(MIT), dictó una conferencia en la cualmencionó los potenciales usos de losisótopos radiactivos para el estudio demecanismos metabólicos. Acto seguidofue interrogado por Saul Hertz, jefe dela clínica de tiroides en el MassachussetsGeneral Hospital (MGH), acerca la posibleexistencia de un isótopo radioactivo delyodo, a lo que Compton respondió quenoestabaal tantoperoque lepreguntaríaa Robley Evans, quién había preparadola sección en cuestión (12). Tan sólodos años antes los esposos Joliet-Curiehabían descrito su descubrimiento de laradiación artificial y Enrico Fermi habíalogrado crear los primeros elementosradiactivos; dentro de estos isótoposse encontraba el yodo 128 (13, 14). Estapregunta resultó en la colaboración entrefísicos del MIT (Evans) y médicos delMGH (Hertz y James Howard Means).Los frutos de este trabajo fueron: eldescubrimiento de la regulación tiroideamediada por la disponibilidad de yodo(15); la creación del primer ciclotróndedicado exclusivamente a la producciónde isótopos para uso médico y eltratamiento de los primeros pacientescon isótopos radiactivo de yodo 130 (16),mezclas de yodo 130 y yodo 131 (17); eltratamiento del cáncer de tiroides (18); yposteriormente la producción masiva deisótopos con fin médico.

Los adelantos tecnológicos que llevóal uso del yodo radiactivo incluyentodo el conocimiento previo de lafísica relacionado con la radioactividadartificial, su unión con el conocimientobiológico del papel del yodo en laproducción de hormonas tiroideas, lacreación de ciclotrones con solo finesmédicos, el cambio en la técnica médicapara tratar el hipertiroidismo y el cáncerde tiroides. Como si ello fuera poco,también fue la antesala de una nuevarama en medicina, la medicina nuclear,además de la expansión del uso deisótopos radiactivos en otras áreas de lamedicina lo que permitió un aumentoen los conocimientos en fisiología,diagnóstico y tratamiento de múltiplesenfermedades. Todos estos caminos sinduda continuarán en ampliación duranteel siglo XXI y por ello consolidan uno delos más importantes hitos, no sólo en laEndocrinología sino en toda la dimensiónde la medicina.

Para llegar al último hito de losdesarrollos tecnológicos en Endocrinolo-gía, tiene lugar fijarnos en procesosmás contemporáneos, de los cualessomos testigos de primera mano. Enlas últimas décadas se ha dado unascenso vertiginoso del área, siendoprobablemente la diabetes uno de lossegmentos de mayor expansión, graciasal impulso en investigación que dan lascifras de prevalencia a nivel mundial.



No es sorpresivo ver cómo cada vezmás el personal de salud tendrá asu disposición una gran cantidad dedatos clínicos originados desde distintosrecursos: el monitoreo de glucosacontinuo, las bombas de insulina, losdispositivos portátiles que monitoreanla temperatura, los patrones de sueño,el ejercicio, los niveles de estrés, lasaplicaciones, entre otros (19). Con elobjetivo de mejorar la comprensión deun ecosistema digital tan amplio sobreuna sola patología, se ha propuesto unaclasificación en 4 áreas: suministro deinsulina, monitoreo de glucosa, sistemasde suministro de insulina que responde ala glucosa y herramientas de manejo dedatos; las 3 primeras son conocidas comotecnología proximal y la última de ellascomo tecnología distal (20).Desde el inicio de su uso clínico, hace

ya un siglo, los progresos en el suministrode insulina han sido abrumadores,

partiendo de modificaciones propias delamolécula para obtenermejores perfilesde farmacocinética/farmacodinámicahasta los dispositivos tipo «pen»,disponibles desde 1981 (21) y quedesde ese momento no han paradode avanzar, hasta contar a la fechacon elementos de conectividad quepermiten la comunicación vía bluetoothcon aplicaciones y glucómetros. Eneste mismo escenario se ubican losdispositivos de suministro tipo bombasde infusión, los cuales, desde elmodelo pionero de Kadish en 1963, hanredimensionado el manejo de diabetes,a tal punto de contar con una variedadde modelos que no superan en tamañoa la palma de una mano, ademásde características en su so�ware quepermiten funciones como dosis basalessegmentarias y diferenciales, calculadorintegrado de bolos prandiales, ajustes desensibilidad, modificaciones temporales



de segmentos basales, entre otras (22).

En una segunda área se encuentrael monitoreo de glucosa. La primeraaproximación a este monitoreo fueronlas mediciones urinarias pero mostrabanmarcadas falencias en su precisión. Sinembargo, rápidamente el monitoreoevolucionó hasta contar con medicionescapilares, popularmente conocidascomo glucometrías, que marcaron elcamino del control y su relación concomplicacionesasociadasaundesenlacesubrogado, ampliamente conocido comolo es la HbA1c (23,24). En esamisma línease consolidó un avance que cambió laperspectiva estática de las lecturas poruna de mayor dinamismo: el monitoreocontinuo de glucosa. Este monitoreomarcó uno de los puntos de inflexiónmás importantes en diabetes, en lasúltimas dos décadas, al mostrar lecturasintersticiales y frecuentes (entre 1 y 5minutos). Desde ese mismo momentocontinuó evolucionando hasta contar,hoy por hoy, con dispositivos de lecturaretrospectivos, en tiempo real o ademanda (FreeStyle), incluso estosúltimos sin necesidad de calibracióny con una precisión y exactitudinimaginables hasta hace pocos años(25, 26).

La tercera área de este ecosistemadigital es la interacción de las dosanteriores, es decir, el suministro deinsulina como respuesta al monitoreo

continuo de glucosa. Este gran pasoa la automatización trajo consigouna serie de logros paulatinos, entreellos, la suspensión del suministro deinsulina en un umbral de hipoglucemia(programable) o en una tendencia debajaprevista con reactivaciónautomáticade la infusión, si los niveles de glucemiacambian de rango (27, 28) e, igualmente,la posibilidad de automatizaciónabsoluta de los segmentos basales deinfusión (29), con horizontes cercanosa la automatización de un asa cerradade respuesta en estados de hipo ehiperglucemia (20).

En la cuarta área, llamadatecnología distal, se incluyen losdispositivos y tecnologías utilizadaspara la comunicación, educación einteracción de los diferentes actoresen salud (pacientes, personalmédico yde apoyo, recursohumanoadministrativo, instituciones) (30).Aquí están implícitos los conceptosde telesalud, aplicaciones móvilesde salud móviles, ludificación,plataformas sociales, entre otros.

Por todo lo anteriormente expuesto,no hubiese sido posible un ecosistemadigital, en diabetes, sin los progresosdisponibles al momento. El cuarto hitoa destacar en el desarrollo tecnológicoen Endocrinología es el monitoreocontinuo de glucosa; su ideación,



Figura 2. Ecosistema digital y rol del monitoreo continuo de glucosa.

Fuente: autores.

diseño, estructuración y consolidaciónfueron el resultado de la interacciónde múltiples campos del conocimiento:bioquímica, ingeniería, matemática,medicina, entre otros. Lo anteriorpermitió generar datos dinámicosde glucosa y elementos propios dela interacción digital, afianzando latransición entre la tecnología proximal ydistal (figura 2).

Conclusiones

Esta constante generación de datosclínicos ofrece retos de gran envergadura(ej., consolidación, manejo y soportede estadísticas) y permite a losprofesionales de la salud, pacientes y a

su respectiva red de apoyo implementarcambios terapéuticos individualizados,fomentando así un mayor cumplimientode los objetivos metabólicos, sucesoque ha sido ratificado con evidenciapublicada a la fecha (31, 32). Las barrerastecnológicas son derribadas a medidaque los hardwares y so�wares soncada vez más amigables e intuitivos,además de contar con estructurasdigitales robustas y de gran respaldo.La presentación de la informaciónusualmente incluye tablas, gráficos depatrones y tendencia de glucemia, loque facilita la toma rápida y precisade conductas terapéuticas (33). Cadadispositivo cuenta con herramientasdiseñadas y patentes (ej., Libreview de



Abbott, Clarity de Dexcom, Carelink deMedtronic) que permiten la vinculaciónde los pacientes con cuentas personalesy la interacción con el clínico a travésde cuentas profesionales, a las que sepuede ingresar de manera remota.

Articulado a este gran hito delmonitoreo continuo de glucosa, otro rolprotagónico en el área de tecnologíadistal lo asumen las aplicacionesmóviles;para el 2018 se calculaban unas 165.000aplicaciones para salud, más de 1.100específicas para diabetes (20), con unamplio espectro de funciones desdeel registro simple de glucometríashasta calculadores de bolos integrados,facilitando aún más el objetivo deempoderar a los pacientes sobre estapatología (34).

Tras esta aproximación a algunosde los momentos históricos másimportantes de la interacción entreEndocrinología y tecnología, desde elComité de Tecnología Innovación yDESarrollo en Endocrinología (TIDES)de la Asociación Colombiana deEndocrinología, invitamos a quenos continúen acompañando en lasrevisiones periódicas que se realizaránen el marco de una separata detecnología de la Revista Colombiana deEndocrinología, Diabetes y Metabolismo.Allí tendremos la oportunidad deprofundizar en tópicos de vibrantevigencia y evaluar procesos desde

sus fundamentos teóricos hasta susimplementaciones prácticas, del díaa día, en nuestro ejercicio clínico,develando así la abrumante realidad depertenecer a un ecosistema digital.

Referencias

[1] Hughes TP. History of technology.En: International Encyclopediaof the Social & BehavioralSciences. Elsevier; 2001;6852–7.https://doi.org/10.1016/B0-08-043076-7/02648-6 ↑Verpágina 3

[2] Real Academia Española: Diccionariode la lenguaespañola, 23.ª ed., [versión23.4 en línea]. <https://dle.rae.es>[citadoel 22 jul 2021].↑Verpágina 3

[3] Díaz-Caballero JR. Notas sobre elorigen del hombre y la ciencia. En:Grupo de Estudios Sociales de laTecnología. Tecnología y Sociedad.1999:3–10. ↑Ver página 3

[4] Reflexión Editorial de Zarate-Triviño.↑Ver página 3

[5] Schar� RC, Dusek V. Philosophyof Technology: The TechnologicalCondition: An Anthology. 2a ed.Hoboken, NJ, Estados Unidos deAmérica: Wiley-Blackwell; 2014. 736 p.↑Ver página 3



[6] Bunge M. Epistemología: Cursode actualización. 3a ed. Siglo XXIEdiciones; 2002. ↑Ver página 3

[7] The Croonian lectures on thechemical correlation of the functionsof the body: delivered before the RoyalCollege of Physicians of London onJune 20th, 22nd, 27th & 29th, 1905 /by Ernest Henry Starling [Internet].Wellcomecollection.org. [citado 12jul 2021]. Disponible en: https://wellcomecollection.org/works/rd4gsvmp ↑Ver página 4

[8] Brush SG, Nettie M. Stevens and thediscovery of sex determination bychromosomes. Isis. 1978;69(2):163—72.https://doi.org/10.1086/352001 ↑Ver página 4

[9] Yalow RS, Berson SA. Immunoassayof endogenous plasma insulin inman. J Clin Invest. 1960;39(7):1157–75.https://doi.org/10.1172/JCI104130 ↑Ver página 5

[10] Cusano NE, Silverberg SJ,Bilezikian JP. Normocalcemicprimary hyperparathyroidism.J Clin Densitom. 2013;16(1):33–9.https://doi.org/10.1016/j.jocd.2012.12.001 ↑Ver página 6

[11] Wermers RA, Khosla S, AtkinsonEJ, Achenbach SJ, Oberg AL, GrantCS, et al. Incidence of primaryhyperparathyroidism in Rochester,

Minnesota, 1993-2001: an updateon the changing epidemiology ofthe disease. J Bone Miner Res.2006;21(1):171–7. https://doi.org/10.1359/JBMR.050910 ↑Verpágina 7

[12] Means JH. Historical backgroundof the use of radioactiveIodine in medicine. N EnglJ Med. 1955;252(22):936–40.https://doi.org/10.1056/NEJM195506022522204 ↑Verpágina 8

[13] Joliot F, Curie I. Artificial productionof a new kind of radio-element.Nature. 1934;133(3354):201–2. https://doi.org/10.1038/133201a0↑Ver página 8

[14] Fermi E. Radioactivity inducedby neutron bombardment. Nature.1934;133(3368):757. https://doi.org/10.1038/133757a0↑Ver página 8

[15] Hertz S, Roberts A, Evans RD.Radioactive iodine as an indicator inthe study of thyroid physiology. ExpBiol Med (Maywood). 1938;38(4):510–3.https://doi.org/10.3181/00379727-38-9915P ↑Ver página 8

[16] Hertz S, Roberts A. Radioactiveiodine in the study of thyroidphysiology; the use of radioactiveiodine therapy in hyperthyroidism.



J Am Med Assoc. 1946;131:81–6.https://doi.org/10.1001/jama.1946.02870190005002↑Ver página 8

[17] Chapman EM, Evans RD. Thetreatment of hyperthyroidismwith radioactive iodine. J AmMed Assoc. 1946;131(2):86–91.https://doi.org/10.1001/jama.1946.02870190010003↑Ver página 8

[18] Keston AS, Ball RP, Frantz VK, PalmerWW. Storage of radioactive iodine ina metastasis from thyroid carcinoma.Science. 1942;95(2466):362–3.https://doi.org/10.1126/science.95.2466.362 ↑Verpágina 8

[19] Heintzman ND. A digital ecosystemof diabetes data and technology:Services, systems, and tools enabledby wearables, sensors, and apps. JDiabetes Sci Technol. 2015;10(1):35–41.https://doi.org/10.1177/1932296815622453 ↑Ver página 9

[20] Tauschmann M, Hovorka R.Technology in the management oftype 1 diabetes mellitus - currentstatus and future prospects. NatRev Endocrinol. 2018;14(8):464–75.https://doi.org/10.1038/s41574-018-0044-y ↑Verpágina 9, 10, 12

[21] Paton JS, Wilson M, IrelandJT, Reith SB. Convenient pocketinsulin syringe. Lancet (Londres,Inglaterra) 1981;1(8213):189–190.https://doi.org/10.1016/S0140-6736(81)90063-5 ↑Verpágina 9

[22] Renard E. Insulin pump use inEurope. Diabetes Technol Ther. 2010;12Suppl 1(S1): S29–32. https://doi.org/10.1089/dia.2009.0189↑Ver página 10

[23] Holman RR, Paul SK, Bethel MA,Matthews DR, Neil HAW.10-YearFollow-up of Intensive GlucoseControl in Type 2 Diabetes. NEngl J Med. 2008;359(15):1577–89.https://doi.org/10.1056/NEJMoa0806470 ↑Ver página 10

[24] Diabetes Control and ComplicationsTrial (DCCT)/Epidemiology of DiabetesInterventions and Complications(EDIC) StudyResearchGroup. Intensivediabetes treatment and cardiovascularoutcomes in type 1 diabetes: TheDCCT/EDIC study 30-year follow-up.Diabetes Care. 2016;39(5):686–93.https://doi.org/10.2337/dc15-1990 ↑Ver página 10

[25] Bailey T, Bode BW, Christiansen MP,Kla� LJ, Alva S. The performance andusability of a factory-calibrated flashglucose monitoring system. DiabetesTechnol Ther. 2015;17(11): 787–94.



https://doi.org/10.1089/dia.2014.0378 ↑Ver página 10

[26] Bergenstal RM. Continuousglucose monitoring: transformingdiabetes management step by step.Lancet. 2018;391(10128):1334–36.https://doi.org/10.1016/S0140-6736(18)30290-3 ↑Verpágina 10

[27] Bergenstal RM, Klono� DC, Garg SK,Bode BW, Meredith M, Slover RH, etal. Threshold-based insulin-pumpinterruption for reduction ofhypoglycemia. N Engl J Med.2013;369(3):224–32. https://doi.org/10.1056/NEJMoa1303576↑Ver página 10

[28] Battelino T, Nimri R, Dovc K,Phillip M, Bratina N. Preventionof hypoglycemia with predictivelow glucose insulin suspension inchildren with type 1 diabetes: arandomized controlled trial. DiabetesCare. 2017;40(6):764–70. https://doi.org/10.2337/dc16-2584↑Ver página 10

[29] Garg SK, Weinzimer SA, TamborlaneWV, Buckingham BA, Bode BW,Bailey Ts, et al. Glucose Outcomeswith the in-home use of a hybridclosed-loop insulin delivery systemin adolescents and adults with type1 diabetes. Diabetes Technol Ther.2017;19(3):155–63. https://doi.

org/10.1089/dia.2016.0421↑Ver página 10

[30] Duke DC, Barry S, Wagner DV,Speight J, Choudhary P, HarrisMA. Distal technologies and type1 diabetes management. LancetDiabetes Endocrinol. 2018;6(2):143–56.https://doi.org/10.1016/S2213-8587(17)30260-7 ↑Verpágina 10

[31] Bolinder J, Antuna R,Geelhoed-Duijvestijn P, Kröger J,Weitgasser R. Novel glucose-sensingtechnology and hypoglycemia in type1 diabetes: a multicentre, non-masked,randomised controlled trial. [Nuevatecnología de sensores de glucosae hipoglucemia en diabetes tipo 1:un ensayo multicéntrico, controladoy aleatorizado, no enmascarado].Lancet. 2016;388(10057):2254–63.https://doi.org/10.1016/S0140-6736(16)31535-5 ↑Verpágina 11

[32] Haak T, Hanaire H, Ajjan R,Hermanns N, Riveline J-P, RaymanG. Use of flash glucose-sensingtechnology for 12 months as areplacement for blood glucosemonitoring in insulin-treatedtype 2 diabetes. [TecnologíaFlash de sensores de glucosa ensustitución de la monitorizaciónde glucemia para el manejo de



la diabetes tipo 2 en tratamientocon insulina: ensayo controlado,aleatorizado, abierto y multicéntrico].Diabetes Ther. 2017;8(3):573–86.https://doi.org/10.1007/s13300-017-0255-6 ↑Verpágina 11

[33] Battelino T, Danne T, BergenstalRM, Amiel SA, Beck R, BiestelT, et al. Clinical targets forcontinuous glucose monitoring datainterpretation: Recommendationsfrom the international consensus

on time in range. Diabetes Care.2019;42(8):1593–1603. https://doi.org/10.2337/dci19-0028↑Ver página 11

[34] Trawley S, Browne JL, Hagger VL,Hendrieckx C, Holmes-Truscott E,Pouwer F, et al. The use of mobileapplications among adolescents withtype 1 diabetes: Results from DiabetesMILES Youth-Australia. DiabetesTechnol Ther. 2016;18(12),813–9.https://doi.org/10.1089/dia.2016.0233 ↑Ver página 12

Cómo citar:Ramírez-Rincón A, Tovar-Cortés H, Builes-Montaño CE. Desde los albores a la actualidad. Hitos delos desarrollos tecnológicos en Endocrinología. Rev. Colomb. Endocrinol. Diabet. Metab. 2021. 8(1):1-16. https://doi.org/10.53853/encr.8.1.702



Capítulo 2

Tiempo en rango: del concepto a laimplementación

Ana María Gómez-Medina�https://orcid.org/0000-0002-8907-3470

Médica internista, endocrinólogaJefe del Servicio de Endocrinología del Hospital Universitario San Ignacio, Pontificia Universidad Javeriana

Miembro de número de la ACE, Bogotá

Alejandro Marín-Sánchezhttps://orcid.org/0000-0003-1717-1642

Médico internista, endocrinólogoDirector médico de EndoEje

Docente Adscrito de la Universidad Tecnológica de PereiraPresidente del Capítulo Eje Cafetero y miembro de número de la ACE, Pereira

Diana Cristina Henao-Carrillohttps://orcid.org/0000-0002-1353-148X

Médica internista, endocrinólogaProfesora asistente del Hospital Universitario San Ignacio, Pontificia Universidad Javeriana

Miembro de número de la ACE, Bogotá

� Autor de correspondencia: Ana María Gómez-Medina, Unidad de Endocrinología, HospitalUniversitario San Ignacio, Carrera 7 No 40-62, Bogotá Colombia.Correo-e: [email protected]

Tiempo en rango: del concepto a laimplementación

A. Gómez-Medina , A. Marín-Sánchez y D. Henao-Carrillo

Resumen

Propósito. La evolución de los sistemas de monitoreo continuo de glucosa (MCG) ha estado a la par de lageneración de grandes volúmenes de información y métricas para el análisis del control metabólico en diabetes,pudiendo resolver algunas de las limitaciones de la Hemoglobina glicosilada (HbA1c) como el estándar deevaluación. La presente revisión analiza al tiempo en rango (TIR) como una de las nuevas y más relevantesmedidas a considerar.Contenidos. Se analizan las limitaciones de la HbA1c y la complementariedad de las medidas derivadas del MCG.Se discute el concepto del TIR, su asociación con temporalidad, identificación de perfiles y variabilidad glucémica.Se consideran los objetivos y recomendaciones del TIR necesarios para un óptimo control, su correlación desdela evidencia con complicaciones micro y macrovasculares, hipoglucemia, y su posible integración con algunascondiciones clínicas particulares.Conclusiones. La actual revisión constituye una visión general del amplio potencial y gran impacto clínico delTIR, en una aproximación a la medicina de precisión para el control glucémico, complementando la informaciónde los marcadores bioquímicos usuales, a partir de una evidencia clínica creciente cada día, gracias a la mayoraplicación de la tecnología en el manejo de la diabetes.

Palabras clave: tiempo en rango, monitoreo continuo de glucosa, hemoglobina glicosilada, variabilidadglucémica, hipoglucemia.

Introducción

La hemoglobina glicosilada (HbA1c) seha convertido en un marcador clínico yuna métrica valiosa para la comparaciónde tratamientos en estudios clínicos, laevaluación de tendencias glucémicas ylas comparaciones transversales de con-trol glucémico en diferentes poblaciones;sin embargo, a pesar de su utilizacióncomo predictor importante del riesgo dedesarrollar complicaciones de la diabe-tes, en algunas ocasiones se encuentralimitado como indicador del verdadero

control glucémico de un paciente porla amplia variación de rangos de glu-cosa que se pueden presentar indivi-dualmente, los cambios rápidos de lasconcentraciones por excursiones altas ohipoglucemia y los perfiles particularesque pueden asociarse con un valor dadodeHbA1c,pudiendosobreosubestimarel“promedio” de glucosa (1).

A pesar de su papel revolucionarioen el diagnóstico y monitoreo de la dia-betes, múltiples variables no glucémicaspueden afectar su significancia clínica,incluyendo condiciones como edad,


Tiempo en rango: del concepto a la implementaciónA. Gómez-Medina, D. Henao-Carrillo y A. Marín-Sánchez

etnicidad, presencia de anemia, disfun-ción tiroidea, hemoglobinopatías, ges-tación y falla renal (2). La glucometríacapilar es una herramienta utilizada par-ticularmente en pacientes con regímenesinsulínicos para lograr metas de controlmetabólicoymonitorizaciónambulatoriapermitiendo ajustes en la terapia, peropresenta como desventajas que es uninstrumento usuario-dependiente y sucorrelación con otras medidas de controlmetabólico depende de su frecuenciade uso y de la interpretación juiciosapor parte del paciente para la toma dedecisiones.

Aunque algunos estudios consideranque las glucometrías capilares puedentener impacto clínico (hasta -0,2% deHbA1c por medición adicional), este de-pende de un mayor número de me-diciones. Adicionalmente, el dolor y lanecesidad de procesos adecuados parala toma de las muestras, así como posi-bles interferencias según el dispositivo,pueden limitar su utilización y hacerlasinconvenientes enalgunos casos (3). Antedichas dificultades, el uso del monitoreocontinuode glucosa (MCG) se hapopulari-zado en los últimos años, permitiendo laevaluación de parámetros de control me-tabólico adicionales como el tiempo enrango (TIR: time in range) y la variabilidadglucémica en el paciente tratado con in-sulina, logrando elmanejo personalizadode la diabetes y aproximándose al ideal

actual de la medicina de precisión (4).

Necesidad demétricas de controladicionales a la HbA1c

La HbA1c, introducida en la prácticaclínica desde 1976, se ha consideradocomo una piedra angular en el diagnós-tico y el seguimiento ambulatorio delcontrol glucémico en los individuos condiabetes, según las recomendaciones demúltiples guías internacionales, pero fueimplementada como criterio paraclínicohace solo algunos años (5).La HbA1c es el resultado de una reac-

ción no enzimática de condensación en-tre el grupo aldehído de la glucosa y elgrupo amino N-terminal de la cadena be-ta de la hemoglobina (valina). El 60% dela glucosa está unida a esta y la restantea la valina N- Terminal de las cadenas alfay la lisina de cadenas laterales alfa y beta.Inicialmente, la reacción entre la glucosay la hemoglobina es reversible, peroluego, un reajuste de Amadori produceuna Cetoamina irreversible y estable (5–7).La formación de la HbA1c es depen-

diente de la interacción entre las con-centraciones de glucosa y la expectativade vida de los eritrocitos. Al ser losglóbulos rojos libremente permeables ala glucosa, dependiendo de los nivelesde esta se generará la unión irreversiblea una tasa que depende de la concen-tración. Aunque se ha planteado que



la vida media de los eritrocitos puedealcanzar los 120 días, el valor de HbA1creflejaría los niveles promedio de glucosade las últimas 8-12 semanas (5), aunqueel recambio continuo de los eritrocitos seda en realidad en una escala variable. El50% de un valor dado de HbA1c sería elresultado de la exposición a la glucosa delos 30 días previos, 40%de los 30-90 díasprevios y 10% de los 91-120 días previos(6).

La HbA1c tiene varias ventajas en com-paración con otras pruebas diagnósticascomo la glucosa en ayunas y la pruebacon carga de glucosa, entre ellas: ma-yor comodidad (no se requiere ayuno),mayor estabilidad pre-analítica y menosperturbaciones diarias durante el estrés,cambios en la dieta o en enfermedadintercurrente; sin embargo, estas venta-

jas pueden verse afectadas por su mayorcosto, disponibilidad limitadadepruebasde HbA1C en ciertas regiones del mundoen desarrollo y variaciones técnicas quehacenque se presentendiferencias en losresultados y que no estén estandarizadoscon los de los estudios de la DiabetesControl and Complications Trial (DCCT) yde United Kingdom Prospective DiabetesStudy (UKPDS), requiriendo disponer deunmétodocertificadoporelNationalGly-cohemoglobin Standardization Program(NGSP), condición para poder plantearuna correlación directa entre sus nive-les, los riesgos de complicaciones y losdesenlaces clínicos (8,9).

En el proceso de estandarización, laInternational Federation of Clinical Che-mistry (IFCC) plantea la expresión deresultados de HbA1c en unidades SI, co-



mo mmol/mol (derivadas de la ecuaciónvalor NGSP= [0,09148 × valor IFCC] +2,152), pero estos cálculos generan valo-res menores vs. el método de referenciay han generado confusión, por lo cual suadopción no ha sido generalizada (6–8).Los resultados derivados de los ensayosclínicos DCCT y su extensión en el estudioEpidemiology of Diabetes Interventionsand Complications (EDIC) en sujetos condiabetes mellitus tipo 1 (DM1) (10, 11)y el UKPDS en pacientes con diabetesmellitus tipo 2 (DM2) (12) mostraron unfuerte valor predictivo de la HbA1c conlas complicaciones de la diabetes tantomicro comomacrovasculares (13).

Al ser la HbA1c el parámetro principalcorrelacionado con los desenlaces, seconsolidó como un indicador de controlglucémico y el punto de corte de 7,0%fue considerado como el umbral para lareducción del riesgo de dichas compli-caciones. Por tal motivo, la HbA1c es lavariable principal en la consideración de

intensificación de terapia en las guías demanejo a nivel global (14, 15).

A pesar de sus múltiples ventajas, laHbA1c tiene grandes limitaciones, entreellas queno es unpredictor de hipogluce-mia (16), no refleja los cambios rápidos enel control diario de glucosa, que un mis-mo valor de HbA1c puede correspondera un amplio rango y patrones diferentesde valores de glicemia y que no permiteidentificar la magnitud ni la frecuenciade variaciones inter e intra diarias (1, 4,17). Estas últimas pueden evaluarse demúltiples formas, pero una de las mássencillas es el coeficiente de variación(CV) dado por la división de la desvia-ción estándar sobre el promedio de losvalores. La variaciónbiológica intrasujetoes un cambio fisiológico inherente delpunto de ajuste o de meta homeostáticaglucémica individual.

Aunque tradicionalmente el CV se haaplicado a las mediciones glucémicas,tambiénaplicapara laHbA1c y enalgunos



estudios se ha calculado como máximoaceptable 1,8-1,9% (en valores del DDCT).Las diferencias entre dos mediciones se-riadas de HbA1c dependen del CV analíti-co y los cambios en el estado de salud delpaciente, así como múltiples variablesy condiciones fisiológicas y patológicas,como las mencionadas anteriormente (7,9).De acuerdo con la sobrevida del eri-

trocito, la HbA1c puede tener variacionesque se alejan del valor real, encontrandoniveles falsamente altos cuando el re-cambio celular es bajo, como en el casode anemias por deficiencia de sustratos(17) y niveles falsamente bajos cuando elrecambio celular es rápido comoencasosde anemia hemolítica, anemia carencialen tratamiento, uso de eritropoyetina ytransfusiones (17, 18). Por otro lado, enpacientes con enfermedad renal cróni-ca por mecanismos multifactoriales queincluyen anemia, uso de eritropoyeti-na, hemodiálisis y la generación de he-moglobina carbamilada, las medicionestambién pueden presentar diferenciasrespecto al valor real (18). De igual forma,en pacientes embarazadas se han en-contrado niveles significativamente másbajos durante la gestación temprana ytardía. Durante el embarazo normal sepresenta una disminución de los valoresde glucosa en ayuno, estando los nuevoseritrocitos expuestos a concentracionesmenores, también con una menor vida

media. De allí la discusión previa encuanto a la utilización en diagnóstico y lameta ideal de HbA1c durante la gestación(9, 19).En varios estudios se ha demostrado

que las características raciales puedeninfluir en los valores de HbA1c, encon-trando niveles más altos en afroame-ricanos (2,4%, 2,8 mmol/mol, IC 95%0,18-0,33), latinos (2,2%, 0,9 mmol/mol,IC 95% 0,06-0,1) y asiáticos (2,38%, 2,6mmol/ml, IC 95% 0,16-0,33) vs. caucási-cos, a pesar de tener promedios de glu-cemia similares, con un potencial mayorde sobrediagnóstico y sobretratamiento(2,20,21). Cerca del 20% de los pacientescon diabetes tienen valores de HbA1csubstancialmente altos o bajos (20, 21).Por esta razón, las guías consideranvariascondiciones clínicas en las cuales nose debería utilizar la HbA1 por su bajarelación con la glucemia:

• En afecciones asociadas con un au-mento del recambio de glóbulosrojos como anemia drepanocítica,embarazo (segundo y tercer trimes-tre), deficiencia de glucosa-6-fosfatodeshidrogenasa (22, 23), hemodiáli-sis, pérdida de sangre o transfusiónreciente, o tratamiento con eritropo-yetina, donde solo se deben utilizarlos criterios de glucemia plasmáticapara diagnosticar la diabetes (9).

• El estado posparto (24–26), el Virusde Inmunodeficiencia Humana VIH



tratado con ciertos inhibidores dela proteasa (IP) e inhibidores de latranscriptasa inversa de nucleósidos(NRTI) (27) y en anemias por deficien-cia de hierro (28).

Posicionando el tiempo en rango en elmanejo de la diabetes

Al buscar un mejor control de la enfer-medad y una obtención de informaciónmás confiable y personalizada, en lasúltimasdécadas sehandesarrolladonue-vas tecnologías para definir un adecuadocomportamiento glucémico. El MCG se haconvertido en una herramienta esencialpara la evaluación de los perfiles diariosde glucemia y, actualmente, las mejorastécnicas y su rápida evolución han per-mitido una mayor precisión (con buenacorrelación con la glucosa plasmática)y amplia disponibilidad, logrando asistirtanto el automanejopor parte del pacien-te, como la evaluación de la terapia por elpersonal de salud (4).Hoy en día, los sistemas de MCG se

componen de un sensor, el cual realizala medición de la glucosa en el líquidointersticial en intervalos de uno a cincominutos y un transmisor que recolectala información y la dirige a un tercercomponente (receptor), responsable dela visualización de los datos. Existen dostipos básicos de dispositivos: los de pro-piedad del paciente, no enmascarados ocegados, destinados para el uso frecuen-

te o continuo con retroalimientación entiempo-real (rt-MCG) o a demanda, paraescaneo intermitente (is-MCG) o flash, yaquellos que son aplicados por personalde salud, obteniendo datos cegados (ocon opción de no enmascaramiento) porun periodo discreto de tiempo (MCG pro-fesional) (3, 29, 30).

Dado el gran volumen de infor-mación generada por las múltiplesmediciones del MCG, se ha plantea-do una gran variedad de métricaspara evaluar el control glucémicoen los usuarios del MCG, algunas deellas con el potencial de resolverlas limitaciones de la HbA1c y de laautomonitorización capilar (SBGMpor sus siglas en inglés), obteniendoun perfil más completo del estadoglucémico durante todo el día, in-cluyendo el tiempo pasado en lasmetas de control, así como indica-dores de variabilidad. El tiempo enrango es una de estas métricas y seha transformado en una de las másútiles en la evaluación de las metasde terapia (3, 30, 31).

Definición y correlación con HbA1c

Para generar un estándar que per-mitiera utilizar de la mejor manera lainformación obtenida del MCG, se realizóun consenso en relación a su uso, desa-rrollando desenlaces clínicamente bien



definidos más allá de la HbA1c y en2019 se amplió y actualizó el papel delTIR (4, 32), el cual se define como eltiempo pasado en un rango de metasindividual y que puede expresarse comoporcentaje (%) de las medidas de MCG,como el promedio de tiempo (horas yminutos) pasados en el rango por día,o ambos. Por tanto, el% de TIR es unamétrica simple e intuitiva que proveeinformación con respecto al control glu-cémico, permitiendo la individualizaciónde las metas según el caso y tomando encuenta factores específicos como tipo dediabetes, edad, gestación o deseo de estay comorbilidades.

En general, el TIR se ha entendidocomo el abarcado entre 70-180 mg/dlpara la mayoría de los pacientes con DM1y DM2 (32, 33). Para la visión completa delperfil glucémico, el TIR se asocia con eltiempo por encima del rango (TAR: timeabove range) y el tiempo bajo el rango(TBR: time below range) (32–34). Los lí-mites para el TIR tienen una correlaciónclínica: el límite superior de 180 mg/dlha sido establecido como el objetivorecomendado como máximo de glucosaposprandial en pacientes con diabetes(32, 33, 35) y el inferior en 70 mg/dl,el cual refleja el umbral de liberaciónde las hormonas contrarreguladoras enrespuesta a hipoglucemia (32, 33, 35).El TAR y el TBR presentan subdivisionesque parten de las recomendaciones del

consenso en relación a consecuenciaspor hipoglucemia inadvertida, riesgo dehipoglucemia severa y aumento de mor-talidad para los valores bajos y riesgo decetoacidosis (CAD) o de complicaciones alargo plazo para hiperglucemia. De igualforma, se han planteado metas de losporcentajes necesarios dentro del TIR.Por ejemplo, para la mayoría de los pa-cientes no gestantes la meta es de >70%de lecturas dentro de los límites de TIR.Esta se seleccionó por ser el promedioalcanzado en sistemas de asa cerradoshíbridos, como reflejo de la terapia másavanzada en DM1 y por la correlación conlos valores de HbA1c. Los valores segúnlas características de los pacientes sereportan en la figura 1 (32, 33, 35).En la tabla I se resume un análisis

de 18 estudios, con 1137 pacientes utili-zando datos de MCG durante un periodode 10 años, reportando una excelentecorrelación del TIR con la HbA1c. De igualforma se logró establecer que un cambioabsoluto de 10% de TIR se traduce en uncambio de HbA1c del 0,8% (9mmol/mol)y una intervención terapéutica efectiva,equivalente a una reducción de 0,4% deHbA1c, implicaría un incremento del 5%del% TIR (16).Es así como el TIR plantea una alterna-

tiva y una visiónmás integral de lasmetasdel paciente diabético, permitiendo la to-ma de decisiones a corto y posiblementea largo plazo (4, 32, 36).



Asociación con desenlacesmicrovascu-lares

El% de TIR ha mostrado asociacióncon desenlaces clínicos y riesgo de com-plicacionesmicrovasculares. En un análi-sis de 1440 pacientes con DM1 que eranparticipantes delDCCTquienes realizabanen promedio siete glucometrías capila-res/día, se evaluó la progresión de retino-patía desde la línea de base y microalbu-minuria (tasadeexcrecióndealbumina≥30mg/24 h) en dos visitas consecutivas.Este mostró que el riesgo de progresiónde la retinopatía aumenta en un 64%por cada 10% de reducción en TIR y elriesgo de presentar microalbuminuria seincrementó en un 40% por cada 10% dela misma variable (36).En el caso de DM2 también hay demos-

tración de su impacto en el compromisomicrovascular. Un estudio que incluyó a3262 participantes evaluó la asociaciónentre el TIR y el MCG por tres días y laseveridad de retinopatía diabética, diag-nosticada por fotografía de retina. Lospacientes con retinopatía más avanzadatenían TIR menor y mayor variabilidad(p < 0,01). Se evidenció una asociaciónentre el TIR y todos los estadios del com-promiso ocular (leve p = 0,018, moderadap = 0,014, amenazante de la visión p= 0,019), independientemente de edad,género, índice de masa corporal (IMC),duración de la diabetes, presión arterial,perfil de lípidos y HbA1c (37).

De forma similar, en un análisis con364 pacientes (341 con DM2, sistemais-MCG), incluyendo a 189 sujetos condiagnóstico de neuropatía diabética do-lorosa, se evidenció que los valores me-noresdeTIR seasociabancondolor leve ymoderado/severo (p< 0,05), también enforma independiente de la HbA1c y otrosfactores de riesgo (38).

Asociación con desenlaces macrovas-culares

Ante el aumento continuado de la en-fermedad arterial coronaria (EAC) a nivelmundial, se han tratado de establecermarcadores adicionales a los convencio-nales para su evaluación. El grosor de laíntima media carotídea (GIMC) se ha con-siderado como un marcador subrogadode enfermedad cardiovascular, aunquecon la ventaja de ser un procedimientono invasivo y de detección tempranade aterosclerosis, en miras de realizarintervención en pacientes asintomáticoscon factores de riesgo, particularmentecon diabetes (39). En un análisis de 2215pacientes con DM2, aquellos con GIMCanormal tenían TIRmenores vs. aquelloscon imagen normal (p < 0,001), en unarelación que se evidencia en la figura 2(40).En un modelo ajustado para los facto-

res de riesgo convencionales (edad, sexo,IMC, duraciónde ladiabetes, hipertensiónarterialHTA, triglicéridos,HDL, LDL, HbA1c,



Figura 1. Recomendaciones y metas de tiempo en rango según población

Fuente: adaptado de referencias (32, 33, 35).

tabaquismo, uso de aspirina y estatinas),por cada 10% de aumento del TIR seevidenció una disminución del 6,4% delriesgo de GIMC anormal, con una asocia-ción en particular para el género mascu-lino e independiente de la presencia decomplicaciones microvasculares (40).

Un estudio retrospectivo publicado re-cientemente, con 6225 pacientes recluta-dos entre 2005 y 2015 con DM2 y seguidos

en promedio por 6,9 años (edad prome-dio de 61,7 años, HbA1c 8,9%) evidencióque el riesgo de mortalidad de cualquiercausa y la mortalidad cardiovascular seincrementan cuando se disminuye el%del TIR. En comparación con TIR > 85%,el hazard ratio (HR) para mortalidad detodas las causas, con el TIR< 50% fue de1,83 (IC 95% 1,48-2,28, p < 0,01), siendoesta una primera validación del TIR como



Tabla I. Correlación del porcentaje de tiempo en rango entre 70-180 mg/dl (% de TIR) con HbA1c

Fuente: adaptado de Vigersky y McMahon, 2019 (66).

un marcador de desenlaces “duros” alargo plazo (figura 3) (41).

Implementación del MCG para lograrmetas de% del TIR

La mayoría de los pacientes con diag-nóstico de DM1 no alcanzan la meta deHbA1c y pasan gran parte del tiempofuera de lasmetas ideales. Estudios comoel COMISAIR han demostrado la supe-rioridad del MCG en tiempo real incre-mentado el% del TIR y disminuyendo

la hipoglucemia en pacientes con DM1,independiente del método en aplicaciónde insulina (42). De igual forma, estudiosclínicos controlados y estudios de vidareal han mostrado el beneficio individualdel MCG en tiempo real e intermitente enlosdesenlaces glucémicos y en calidaddevida de los pacientes.

Recientemente se publicó un estudioclínico controlado, paralelo ymulticéntri-co que comparó el rt-MCG y el is-MCG enpacientes con DM1 (n = 246 al final del



Figura 2. Prevalencia de GIMT anormal de acuerdo con categorías de tiempo en rango

Fuente: adaptado de ().

ensayo), con adecuado control metabó-lico y con percepción de hipoglucemiaconservada en 80% de los participantes(43). A los seis meses de seguimiento seencontró que el TIR fue mayor (6,85%de diferencia, p < 0,0001) y se presentóuna disminución estadísticamente signi-ficativa de HbA1c en los usuarios del MCGen tiempo real (p < 0,001), con menortiempo en hipoglucemia (p = 0,0070) ymenores eventos severos (3 vs. 13, p =0,0082) (43). En comparación con otrosensayos clínicos, el tipo de dispositivoempleado en este estudio no se encuen-tra disponible en nuestro medio.

Gran cantidad de estudios descripti-vos y del mundo real, incluyendo unaevaluación con más de 60 millones dedatos utilizando el MCG intermitente en

pacientes con DM1, reportan una me-joría significativa de los niveles de TIRy una disminución de la HbA1c clínica-mente relevante (desde -0,4% a -1,3%).La evaluación de estos demuestra quelos mejores resultados se obtienen enuna combinación de análisis de trazados,programas educativos del paciente y unamayor frecuencia de escaneos/día (44–52). Este tipo de dispositivo se encuentradisponible ennuestromedio y cuenta concobertura por nuestro sistema de salud.

Aproximadamente el 30% de los pa-cientes con DM2 utiliza insulina y soloel 31% de los individuos tratados coninsulina logran una HbA1c ≤ 7,0% (53).La implementación del perfil ambulato-rio de glucosa como una herramientaeducativa y de comunicación entre el



Figura 3. HR demortalidad de todas las causas según niveles del TIR

Fuente: adaptado de ().

personalde saludyelpaciente requiere lautilización de la tecnología en los gruposde cuidado primario (3, 4, 32). Un estudioaleatorizado controlado y paralelo conpacientes con DM2 mal controlados coninsulina basal, en seguimiento en cuida-do primario, comparó el uso del MCG entiempo real vs. la glucometría capilar conseguimiento a ocho meses, encontrandouna disminución significativa en HbA1cen el grupo usuario del MCG (-1,1% vs.-0,6%]; p = 0,02). De igual forma, enla comparación con glucometría capilar,una mayor proporción de pacientes al-

canzó un%del TIR de 70-180mg/dl (59%vs. 43%, p <0,001) (53).Otro estudio multicéntrico comparó

el is-MCG retrospectivo vs. glucometríascapilares en DM2, tratados con múltiplesdosis de insulina (MDI) con mal controlmetabólico. El 70% de la población in-cluida se encontraba en seguimiento encuidado primario y fueron educados enla interpretación de los datos. Aunqueno se evidenció una diferencia mayor enel% de TIR, en el grupo con evaluaciónfrecuente de datos del MCG se logróuna reducción significativa de la HbA1c



(0,44% ± 0,81%; p = 0,0003) (54). Enuna evaluación similar de Yaron et al.(55), se evidenciaron que el 68% de lospacientes con DM2, usuarios del is-MCGen terapia MDI (n = 101), disminuyeron laHbA1c en 0,5%y el 39%enmás de un 1%(vs. 30,2% y 18,6% respectivamente, p =0,0023).

Tiempo en rango en embarazo ydesenlaces neonatales

Una mención especial es necesaria enel caso del TIR y el embarazo. Hasta un6,2% de los casos de diabetes durantela gestación corresponden a diabetespregestacional (tanto DM1 como DM2) yglobalmente 21,3 millones de los 131,4millones de nacidos vivos de mujeres en-tre los 20 y los 49 años (correspondienteal 16,2%) se encuentran afectados porhiperglucemia en el embarazo (56).La gestación se caracteriza por un

incremento de la resistencia a la insulinaen el segundo y tercer trimestre, debidoa la liberación de hormonas placentariascomo gonadotropina coriónica humana,la hormona de crecimiento placentaria,cortisol, prolactina, factor de necrosistumoral alfa y leptina, favoreciendo elmal control glicémico en las pacientescon DM1 durante este periodo. (57).En un análisis con cerca de 200.000

pacientes, Battarbe et al. (58) documen-taron que las pacientes con diabetes pre-gestacional presentabanmayores desen-

laces adversos neonatales, siendo losmás notables el aumento de morbilidady la muerte neonatal, vs. madres sin dia-betes o con diabetes gestacional. Dentrode las complicaciones asociadas a la hi-perglucemia materna se incluyenmalfor-maciones, aborto espontáneo, macroso-mía, hipoglucemianeonatal, síndromededificultad respiratoria del recién nacido,hiperbilirrubinemia e ictericia y aumentode riesgo de ingreso a cuidado intensivoneonatal (UCIN), sumadas al aumentodel riesgo para toda la vida futura delneonato de obesidad y DM2 (56).

Como complicaciones obstétricas seevidencian el aumento de la frecuenciade parto por cesárea, el parto pretér-mino y un mayor riesgo de preeclampsia(56). Por tanto, el control estricto de lahiperglucemia durante el embarazo seasocia con disminución del riesgo demacrosomía y de los riesgos que estaconlleva (59). Aunque en las metas decontrol para la gestación consideradaspor la Asociación Americana de Diabetes(ADA) se incluyen los valoresdeglucosaenayuno< 95mg/dl, valores posprandialesa una hora < 140 mg/dl o a dos horas <120mg/dl, lametausual deHbA1c cambiaa< 6% si se logra alcanzar sin presentarhipoglucemia, pues como se mencionóanteriormente, en el embarazo los valo-res de HbA1c son ligeramente más bajosen el embarazo por condiciones como elaumento del volumen circulatorio



efectivo y el recambio plasmático y dichonivel se ha asociado con disminución delriesgo de macrosomía, preeclampsia yparto pretérmino (60).

Al considerar dichas variaciones fisio-lógicas de la HbA1c y la no confiabili-dad en presencia de anemia o que norefleja las excursiones agudas glucémi-cas, limitando la evaluación de hiper ohipoglucemia a lo largo del día, el usodelMCGha incrementado en el embarazo.Un elemento a favor es que el% delTIR no depende de las variaciones de lavida media eritrocitaria en la gestación(56). Diferentes estudios con MCG handemostrado que un bajo porcentaje deembarazadas se encuentran en las me-tas del TIR recomendadas (mencionadaspreviamente en la figura 1), en especial alinicio de la gestación; sin embargo, los%del TIRmejoran amedida que progresa elembarazo, pasando de un 43% - 57% enel primer trimestre a un 56%- 75% en eltercer trimestre (61).

Un análisis de los perfiles obtenidospor elMCGdemostró que las complicacio-nes como producto grande para la edadgestacional son más frecuentes en laspacientes con niveles relativamente másaltos durante el día desde la mediciónbasal, a las 24 y a las 34 semanas (62).De igual forma, aunque la proporción depacientes que alcanzan un TIR > 70%,como el ideal para desenlaces óptimoses muy bajo (entre el 50% y el 60%según la edad gestacional), el análisisde los estudios clínicos plantea que ladisminución de un 5% del TIR entre63-140 mg/dl en el segundo y tercertrimestre se asocia con un incrementodel riesgo de producto grande para laedad gestacional, hipoglucemia neonatale ingreso a UCIN (63). Un ensayo clínicocontrolado, con uso de rt-MCG, demostróque el uso del dispositivo aumenta el%del TIR (hasta 68%), con una menorincidencia de desenlaces como grandepara edad gestacional (OR 0,51, IC 95%



0,28-0,9, p = 0,0210), ingreso a UCINmayor a 24 h (OR 0,48, IC 95% 0,26-0,86,p =0,0157), hipoglucemia neonatal (OR0,45, IC 95% 0,22-0,89, p = 0,0250) yacortamiento de estancia hospitalaria enun día (p = 0,0091) (64). A partir de estosdatos se calculó que el número necesarioa tratar (NNT) para prevenir un productogrande para la edad gestacional e ingresoa UCIN > 24 h con el uso de rt-MCG esde seis y para evitar hipoglucemia conrequerimiento de dextrosa es de ocho(61). Con la evidencia reciente y los datosdel impacto clínico, en la actualizaciónde las guías del National Institute forHealth and Care Excellence (NICE) dediabetes en el embarazo de 2020, seincluyó en las recomendaciones el usodel rt-MCG y el is-MCG en el manejo de laspacientes gestantes con DM1, en miras delograr las metas glucémicas y mejorar losdesenlaces neonatales (65).

Conclusiones

Aunque la HbA1c continúa siendo unode los estándares para la evaluación delcontrol glucémico, se ha hecho evidenteen la práctica y en los estudios clínicosque, en muchas instancias, las nuevasmétricas derivadas de las tecnologíasactuales, y en particular el% del TIR,complementan la visión de esta. Todoslos biomarcadores actuales tienen ven-tajas y limitaciones, por tanto, debemosexpandir nuestra definición del control

óptimo glucémico, incluyendo la HbA1cy las métricas que reflejan la naturalezadinámica de la glucosa.

La evidencia apoya el surgimientodel TIR como un parámetroclave, simple, intuitivo y capazde reflejar los efectos agudosde la terapia (farmacológica yno farmacológica), haciendo yaparte de la comunicación entre lospacientes y el personal de salud,convirtiéndose en una herramientaadicional educativa y motivadora.Ese mismo dinamismo permiteque se adapte a poblacionesespecíficas como meta diferencialen el caso del adulto mayor, niñosy adolescentes, pacientes con altoriesgo de hipoglucemia o gestantes.

De igual forma, su correlación inver-samente proporcional con la HbA1c y lademostración reciente de su asociacióncon el riesgo de complicaciones a largoplazo, hacen que un objetivo adicionalde la terapia en DM1 y DM2 sea el in-cremento del% del TIR, reduciendo elTBR, el TAR y la variabilidad glucémicaen la mayor medida posible, logrando uncontrol más integral de estas patologías.Posiblemente, con el crecimiento y elfortalecimiento de la evidencia clínicapueda llegarmásallá y convertirseenunode los desenlaces estándar en los



estudios clínicos y por qué no, en unelemento con propósitos regulatorios.

Referencias

[1] Beck RW, Connor CG, Mullen DM,Wesley DM, Bergenstal RM. The fallacyof average: how using HbA1c aloneto assess glycemic control can bemisleading. Diabetes Care. 2017ag.;40(8):994-9. https://doi.org/10.2337/dc17-0636 ↑Verpáginas 18, 21

[2] Campbell L, Pepper T,Shipman K. HbA1c: a reviewof non-glycaemic variables. JClin Pathol. 2019 en.;72(1):12-9.https://doi.org/10.1136/jclinpath-2017-204755 ↑Verpáginas 19, 22

[3] American Diabetes Association.Diabetes technology: standardsof medical care in diabetes 2021.Diabetes Care. 2021 en.;44(supl.1):S85-99. https://doi.org/10.2337/dc21-S007 ↑Ver páginas 19,23, 29

[4] Danne T, Nimri R, Battelino T,Bergenstal RM, Close KL, DeVriesJH, et al. International consensus onuse of continuous glucose monitoring.Diabetes Care. 2017 dic.;40(12):1631-40.https://doi.org/10.2337/dc17-1600 ↑Ver páginas 19, 21, 23,24, 29

[5] Oppenheimer M, Jensen R, Hunting-ton MK. When 7 isn’t 7: glycohemo-globin and chronic kidney disease.S D Med. 2013 febr.;66(2):59-61. ↑Verpáginas 19

[6] Lenters-Westra E, Schindhelm RK,Bilo HJ, Slingerland RJ. HaemoglobinA1c: historical overview andcurrent concepts. Diabetes ResClin Pract. 2013 febr. 1;99(2):75-84.https://doi.org/10.1016/j.diabres.2012.10.007 ↑Verpáginas 19, 20, 21

[7] Weykamp C. HbA1c: a review ofanalytical and clinical aspects. AnnLab Med. 2013 nov.;33(6):393-400.https://doi.org/10.3343/alm.2013.33.6.393 ↑Verpáginas 19, 21, 22

[8] Consensus Committee. Consensusstatement on the worldwidestandardization of the hemoglobinA1C measurement: the AmericanDiabetes Association, EuropeanAssociation for the Study of Diabetes,International Federation of ClinicalChemistry and Laboratory Medicine,and the International DiabetesFederation. Diabetes Care. 2007sept. 1;30(9):2399-400. https://doi.org/10.2337/dc07-9925↑Ver página 20, 21

[9] American Diabetes Association.Classification and diagnosis of



diabetes: standards of medical carein diabetes 2021. Diabetes Care. 2021en.;44(supl. 1):S15-33. https://doi.org/10.2337/dc21-S002↑Ver páginas 20, 22

[10] The Diabetes Control andComplications Trial ResearchGroup. The e�ect of intensivetreatment of diabetes on thedevelopment and progressionof long-term complications ininsulin-dependent diabetes mellitus.N Engl J Med. 1993;329(14):977- 86.https://doi.org/10.1056/NEJM199309303291401 ↑Verpágina 21

[11] Nathan DM, for the DCCT/EDICResearch Group. The diabetes controland complications trial/epidemiologyof diabetes interventions andcomplications study at 30 years:overview. Diabetes Care. 2014en.;37(1):9-16. https://doi.org/10.2337/dc13-2112 ↑Verpágina 21

[12] Intensive blood-glucose control withsulphonylureas or insulin comparedwith conventional treatment andrisk of complications in patients withtype 2 diabetes (UKPDS 33). TheLancet. 1998 sept.;352(9131):837-53.https://doi.org/10.1016/S0140-6736(98)07019-6 ↑Verpágina 21

[13] American Diabetes Association.Glycemic targets: standards of medicalcare in diabetes 2021. Diabetes Care.2021 en.;44(supl. 1):S73-84.https://doi.org/10.2337/dc21-S006↑Ver página 21

[14] American Diabetes Association.Pharmacologic approaches toglycemic treatment. Diabetes Care.2017 en.;40(supl. 1):S64-74.https://doi.org/10.2337/dc17-S011↑Ver página 21

[15] Garber AJ, Handelsman Y, Grunber-ger G, Einhorn D, Abrahamson MJ,Barzilay JI,et al. Consensus statementby the American Association of Cli-nical Endocrinologists and AmericanCollege of Endocrinology on the com-prehensive type 2 diabetes manage-ment algorithm – 2020 executive sum-mary. Endocr Pract. 2020 en.;26(1):107-39. https://doi.org/10.4158/CS-2019-0472 ↑Ver página 21

[16] Vigersky RA, McMahon C. Therelationship of hemoglobin A1Cto time-in-range in patients withdiabetes. Diabetes Technol Ther. 2019febr. 1;21(2):81-5. https://doi.org/10.1089/dia.2018.0310↑Ver páginas 21, 24

[17] Panzer S, Kronik G, Lechner K,Bettelheim P, Neumann E, DudczakR. Glycosylated hemoglobins (GHb):an index of red cell survival. Blood.



1982 jun. 1;59(6):1348-50. https://doi.org/10.1182/blood.V59.6.1348.bloodjournal5961348↑Ver página 21, 22

[18] Ng JM, Cooke M, Bhandari S, AtkinSL, Kilpatrick ES. The e�ect of iron anderythropoietin treatment on the A1Cof patients with diabetes and chronickidney disease. Diabetes Care. 2010nov. 1;33(11):2310-3. https://doi.org/10.2337/dc10-0917 ↑Verpágina 22

[19] Nielsen LR, Ekbom P, Damm P,Glumer C, Frandsen MM, Jensen DM,et al. HbA1c levels are significantlylower in early and late pregnancy.Diabetes Care. 2004 my. 1;27(5):1200-1.https://doi.org/10.2337/diacare.27.5.1200 ↑Verpágina 22

[20] Saaddine JB, Fagot-CampagnaA, Rolka D, Narayan KMV, Geiss L,Eberhardt M, et al. Distribution ofHbA1c levels for children and youngadults in the U.S.: third national healthand nutrition examination survey.Diabetes Care. 2002 ag. 1;25(8):1326-30. https://doi.org/10.2337/diacare.25.8.1326↑Ver página 22

[21] Herman WH, Dungan KM,Wol�enbuttel BHR, Buse JB,Fahrbach JL, Jiang H, et al. Racialand ethnic di�erences in mean

plasma glucose, hemoglobin A1c,and 1,5-anhydroglucitol in over 2000patients with type 2 diabetes. JClin Endocrinol Metab. 2009 my.1;94(5):1689-94. https://doi.org/10.1210/jc.2008-1940↑Ver página 22

[22] Paterson AD. HbA1c for type 2diabetes diagnosis in africans andafrican americans: personalizedmedicine now! PLOS Med.2017 sept. 12;14(9):e1002384.https://doi.org/10.1371/journal.pmed.1002384 ↑Verpágina 22

[23] Cappellini MD, Fiorelli G.Glucose-6-phosphate dehydrogenasedeficiency. Lancet Lond Engl.2008 en.;371(9606):64-74.https://doi.org/10.1016/S0140-6736(08)60073-2 ↑Verpágina 22

[24] Megia A, Näf S, Herranz L, SerratN, Yañez R, Simón I, et al. Theusefulness of HbA1c in postpartumreclassification of gestationaldiabetes: HbA1c in postpartumreclassification. BJOG Int J ObstetGynaecol. 2012 jun.;119(7):891-4.https://doi.org/10.1111/j.1471-0528.2012.03325.x ↑Verpágina 22

[25] Picón MJ, Murri M, Muñoz A,Fernández-García JC, Gómez-Huelgas



R, Tinahones FJ. Hemoglobin A1cversus oral glucose tolerance testin postpartum diabetes screening.Diabetes Care. 2012 ag. 1;35(8):1648-53.https://doi.org/10.2337/dc11-2111 ↑Ver página 22

[26] Welsh KJ, Kirkman MS, SacksDB. Role of glycated proteins inthe diagnosis and managementof diabetes: research gaps andfuture directions. Diabetes Care.2016 ag.;39(8):1299-306. https://doi.org/10.2337/dc15-2727↑Ver página 22

[27] Eckhardt BJ, Holzman RS, KwanCK, Baghdadi J, Aberg JA. Glycatedhemoglobin A1c as screening fordiabetes mellitus in HIV-infectedindividuals. AIDS Patient CareSTDs. 2012 abr.;26(4):197-201.https://doi.org/10.1089/apc.2011.0379 ↑Ver página 23

[28] Kim C, Bullard KM, Herman WH,Beckles GL. Association betweeniron deficiency and a1c levels amongadults without diabetes in the nationalhealth and nutrition examinationsurvey, 1999-2006. Diabetes Care. 2010abr. 1;33(4):780-5. https://doi.org/10.2337/dc09-0836 ↑Verpágina 23

[29] Longo R, Sperling S. Personal versusprofessional continuous glucosemonitoring: when to use which on

whom. Diabetes Spectr Publ AmDiabetes Assoc. 2019 ag.;32(3):183-93.https://doi.org/10.2337/ds18-0093 ↑Ver página 23

[30] Maiorino MI, Signoriello S, Maio A,Chiodini P, Bellastella G, ScappaticcioL, et al. E�ects of continuous glucosemonitoring on metrics of glycemiccontrol indiabetes: a systematic reviewwith meta-analysis of randomizedcontrolled trials. Diabetes Care. 2020my.;43(5):1146-56. https://doi.org/10.2337/dc19-1459 ↑Verpáginas 23

[31] Gandhi GY, Kovalaske M, KudvaY, Walsh K, Elamin MB, Beers M, etal. E�icacy of continuous glucosemonitoring in improving glycemiccontrol and reducing hypoglycemia: asystematic review and meta-analysisof randomized Trials. J DiabetesSci Technol. 2011 jul. 1;5(4):952-65.https://doi.org/10.1177/193229681100500419 ↑Verpágina 23

[32] Battelino T, Danne T, Bergenstal RM,Amiel SA, Beck R, Biester T, et al.Clinical targets for continuous gluco-se monitoring data interpretation: re-commendations fromthe internationalconsensus on time in range. DiabetesCare. 2019 ag.;42(8):1593- 603. ↑Verpáginas 24, 26, 29



[33] Bellido V, Pinés-Corrales PJ,Villar-Taibo R, Ampudia-BlascoFJ. Time-in-range for monitoringglucose control: is it time fora change? Diabetes Res ClinPract. 2021 jul.;177:108917.https://doi.org/10.1016/j.diabres.2021.108917 ↑Verpáginas 24, 26

[34] Wright LA-C, Hirsch IB. Metricsbeyond hemoglobin A1C in diabetesmanagement: time in range,hypoglycemia, and other parameters.Diabetes Technol Ther. 2017 my.1;19(supl. 2):S16-26. https://doi.org/10.1089/dia.2017.0029↑Ver página 24

[35] Advani A. Positioning time inrange in diabetes management.Diabetología. 2020 febr.;63(2):242-52.https://doi.org/10.1007/s00125-019-05027-0 ↑Verpáginas 24, 26

[36] Beck RW, Bergenstal RM,Riddlesworth TD, Kollman C, Li Z,Brown AS, et al. Validation of timein range as an outcome measure fordiabetes clinical trials. Diabetes Care.2019 mzo.;42(3):400-5. https://doi.org/10.2337/dc18-1444↑Ver página 24, 25

[37] LuJ,MaX, ZhouJ, ZhangL,MoY, YingL, et al. Association of time in range,as assessed by continuous glucose

monitoring, with diabetic retinopathyin type 2 diabetes. Diabetes Care. 2018nov.;41(11):2370-6. https://doi.org/10.2337/dc18-1131 ↑Verpágina 25

[38] Yang J, Yang X, Zhao D, Wang X, WeiW, YuanH. Association of time in range,as assessed by continuous glucosemonitoring, with painful diabeticpolyneuropathy. J Diabetes Investig.2021;12(5):828-36. https://doi.org/10.1111/jdi.13394 ↑Verpágina 25

[39] Sharma M, Kasliwal R, BansalM, Desai D. Carotid intima-mediathickness: Current evidence, practices,and Indian experience. Indian JEndocrinol Metab. 2014;18(1):13.https://doi.org/10.4103/2230-8210.126522 ↑Ver página 25

[40] Lu J, Ma X, Shen Y, Wu Q, WangR, Zhang L, et al. Time in range isassociated with carotid intima-mediathickness in type 2 diabetes. DiabetesTechnol Ther. 2020 febr. 1;22(2):72-8.https://doi.org/10.1089/dia.2019.0251 ↑Ver páginas 25, 26

[41] LuJ,WangC, ShenY, ChenL, ZhangL,Cai J, et al. Time in range in relation toall-cause and cardiovascular mortalityin patients with type 2 diabetes: aprospective cohort study. DiabetesCare. 2021 febr.;44:549-55. https://



doi.org/10.2337/dc20-1862↑Ver página 27

[42] Šoupal J, Petruželková L,Grunberger G, Hásková A, FlekačM, Matoulek M, et al. Glycemicoutcomes in adults with T1D areimpacted more by continuous glucosemonitoring than by insulin deliverymethod: 3 years of follow-up fromthe comisair study. Diabetes Care.2020 en.;43(1):37-43. https://doi.org/10.2337/dc19-0888 ↑Verpágina 27

[43] Visser MM, Charleer S, Fieuws S,De Block C, Hilbrands R, Van Hu�elL, et al. Comparing real-time andintermittently scanned continuousglucose monitoring in adultswith type 1 diabetes (ALERTT1): a6-month, prospective, multicentre,randomised controlled trial. TheLancet. 2021 jun.;397(10291):2275-83.https://doi.org/10.1016/S0140-6736(21)00789-3 ↑Verpágina 28

[44] Evans M, Welsh Z, Ells S, Seibold A.The impact of flash glucosemonitoringon glycemic control as measured byHbA1c: a meta-analysis of clinical trialsand real-world observational studies.Diabetes Ther. 2020 en.;11(1):83-95.https://doi.org/10.1007/s13300-019-00720-0 ↑Verpágina 28

[45] Charleer S, De Block C, Van Hu�elL, Broos B, Fieuws S, Nobels F, et al.Quality of life and glucose control a�er1 year of nationwide reimbursementof intermittently scanned continuousglucosemonitoring inadults livingwithtype 1 diabetes (future): a prospectiveobservational real-world cohort study.Diabetes Care. 2020 febr.;43(2):389-97.https://doi.org/10.2337/dc19-1610 ↑Ver página 28

[46] Stimson RH, Dover AR, Ritchie SA,Wright RJ, McKnight JA, ZammittNN, et al. HbA1c response andhospital admissions followingcommencement of flash glucosemonitoring in adults with type1 diabetes. BMJ Open DiabetesRes Care. 2020 jul.;8(1):e001292.https://doi.org/10.1136/bmjdrc-2020-001292 ↑Verpágina 28

[47] Hansen KW. E�ects of unrestrictedaccess to flash glucose monitoring intype 1 diabetes. Endocrinol DiabetesMetab. 2020 mzo. 19;3(3):e00125.https://doi.org/10.1002/edm2.125 ↑Ver página 28

[48] Lameijer A, Fokkert MJ, Edens MA,Slingerland RJ, Bilo HJG, van DijkPR. Determinants of HbA1c reductionwith freestyle libre flash glucosemonitoring (FLARE-NL 5). J Clin TranslEndocrinol. 2020 dic.;22:100237.



https://doi.org/10.1016/j.jcte.2020.100237 ↑Ver página 28

[49] Tyndall V, Stimson RH, ZammittNN, Ritchie SA, McKnight JA, DoverAR, et al. Marked improvement inHbA1c following commencementof flash glucose monitoring inpeople with type 1 diabetes.Diabetología. 2019 ag.;62(8):1349-56.https://doi.org/10.1007/s00125-019-4894-1 ↑Verpágina 28

[50] Laurenzi A, Caretto A, BarrassoM, Bolla AM, Dozio N, Molinari C,et al. Frequency of flash glucosemonitoring readings, hemoglobin A1cand time in range: a real life studyin adults with type 1 diabetes. ActaDiabetol. 2020 nov.;57(11):1395-7.https://doi.org/10.1007/s00592-020-01577-7 ↑Verpágina 28

[51] Paris I, Henry C, Pirard F, Gérard A,Colin IM. The new FreeStyle libre flashglucose monitoring system improvesthe glycaemic control in a cohort ofpeople with type 1 diabetes followedin real-life conditions over a periodof one year. Endocrinol DiabetesMetab. 2018;1(3):e00023. https://doi.org/10.1002/edm2.23↑Ver página 28

[52] Dunn TC, Xu Y, Hayter G, AjjanRA. Real-world flash glucose

monitoring patterns and associationsbetween self-monitoring frequencyand glycaemic measures: aeuropean analysis of over 60million glucose tests. Diabetes ResClin Pract. 2018 mzo.;137:37-46.https://doi.org/10.1016/j.diabres.2017.12.015 ↑Verpágina 28

[53] Martens T, Beck RW, Bailey R, RuedyKJ, Calhoun P, Peters AL, et al. E�ectof continuous glucose monitoring onglycemic control in patients with type2 diabetes treated with basal insulin:a randomized clinical trial. JAMA. 2021jun. 8;325(22):2262- 72. ↑Ver página 28,29

[54] Ajjan RA, Jackson N, ThomsonSA. Reduction in HbA1c usingprofessional flash glucose monitoringin insulin-treated type 2 diabetespatients managed in primary andsecondary care settings: a pilot,multicentre, randomised controlledtrial. Diab Vasc Dis Res. 2019 jul.1;16(4):385-95. https://doi.org/10.1177/1479164119827456↑Ver página 30

[55] YaronM,RoitmanE, Aharon-HananelG, Landau Z, Ganz T, Yanuv I, et al.E�ect of flash glucose monitoringtechnology on glycemic control andtreatment satisfaction in patients withtype 2 diabetes. Diabetes Care. 2019



jul.;42(7):1178-84. https://doi.org/10.2337/dc18-0166 ↑Verpágina 30

[56] McCance DR, Casey C. Type 1diabetes in pregnancy. EndocrinolMetab Clin North Am. 2019sept.;48(3):495-509. https://doi.org/10.1016/j.ecl.2019.05.008 ↑Ver páginas 30, 31

[57] Kitzmiller JL, Block JM, Brown FM,Catalano PM, Conway DL, Coustan DR,et al. Managing preexisting diabetesfor pregnancy: summary of evidenceand consensus recommendationsfor care. Diabetes Care. 2008 my.1;31(5):1060-79. https://doi.org/10.2337/dc08-9020 ↑Verpágina 30

[58] Battarbee AN, VenkateshKK, Aliaga S, Boggess KA. Theassociation of pregestational andgestational diabetes with severeneonatal morbidity and mortality.J Perinatol. 2020 febr.;40(2):232-9.https://doi.org/10.1038/s41372-019-0516-5 ↑Verpágina 30

[59] Geurtsen ML, van Soest EEL,Voerman E, Steegers EAP, JaddoeVWV, Gaillard R. High maternalearly-pregnancy blood glucoselevels are associated with alteredfetal growth and increased riskof adverse birth outcomes.

Diabetología. 2019;62(10):1880-90.https://doi.org/10.1007/s00125-019-4957-3 ↑Verpágina 30

[60] American Diabetes Association.Management of diabetes in pregnancy:standards of medical care in diabetes2021. Diabetes Care. 2021 en.1;44(supl.1):S200- 10. https://doi.org/10.2337/dc21-S014↑Ver página 31

[61] Feig DS, Donovan LE, CorcoyR, Murphy KE, Amiel SA, HuntKF, et al. Continuous glucosemonitoring in pregnant womenwith type 1 diabetes (CONCEPTT): amulticentre international randomisedcontrolled trial. The Lancet. 2017nov.;390(10110):2347-59. ↑Verpáginas 31, 32

[62] Scott EM, Feig DS, Murphy HR, LawGR. Continuous glucose monitoring inpregnancy: importance of analyzingtemporal profiles to understandclinical outcomes. Diabetes Care. 2020jun.;43(6):1178-84. https://doi.org/10.2337/dc19-2527 ↑Verpágina 31

[63] Murphy HR. Continuousglucose monitoring targets intype 1 diabetes pregnancy:every 5% time in range matters.Diabetología. 2019 jul.;62(7):1123-8.https://doi.org/10.1007/



s00125-019-4904-3 ↑Verpágina 31

[64] Feig DS, Donovan LE, CorcoyR, Murphy KE, Amiel SA, HuntKF, et al. Continuous glucosemonitoring in pregnant womenwith type 1 diabetes (CONCEPTT):a multicentre internationalrandomised controlled trial. TheLancet. 2017;390(10110):2347-59.https://doi.org/10.1016/S0140-6736(17)32400-5 ↑Verpágina 32

[65] National Institute for Health and Ca-re Excellence. Diabetes in pregnancy:management from preconception tothe postnatal period. Diabetes Preg-nancy. 2020; 2020 dic. 16. Disponibleen: https://www.nice.org.uk/guidance/ng3 ↑Ver página 32

[66] Vigersky RA, McMahon C. Therelationship of hemoglobin A1Cto time-in-range in patients withdiabetes. Diabetes Technol Ther. 2019febr. 1;21(2):81-5. https://doi.org/10.1089/dia.2018.0310↑Ver página 27

Cómo citar:Gómez-Medina AM, Marín-Sánchez A, Henao-Carrillo DC. Tiempo en rango: del concepto a laimplementación. Rev. Colomb. Endocrinol. Diabet. Metab. 2021. 8(1): 17-41. https://doi.org/10.53853/encr.8.1.702



Capítulo 3

Tecnología en enfermedaddisglucémica: monitoreo continuo de

glucosamás allá de la diabetes

Alejandro Marín-Sánchez�https://orcid.org/0000-0003-1717-1642

Médico internista, endocrinólogo, director médico EndoEjeDocente Adscrito de la Universidad Tecnológica de Pereira

Presidente del Capítulo Eje CafeteroMiembro del Comité de Tecnología Innovación y Desarrollo en Endocrinología

Miembro de número de la ACE, Pereira

Audrey Mary Matallana-Rhoadeshttps://orcid.org/0000-0002-9332-3778

Médica endocrinóloga y pediatra del Hospital Universitario del ValleCoordinadora del Comité de Endocrinología Pediátrica

Miembro de número de la ACE, Cali

�Autor de correspondencia: AlejandroMarín-Sánchez, Carrera 18No 12-75, Megacentro Pinares, 506Torre 2, Pereira, Risaralda, Colombia. Correo-e: [email protected]

Tecnología en enfermedad disglucémica:monitoreo continuo de glucosamás allá de la

diabetesA. Marín-Sánchez y A. Matallana-Rhoades

Resumen

Propósito. La disponibilidad más amplia de los dispositivos de monitoreo continuo de glucosa, sumada a sumayor precisión, mejorías técnicas y análisis de perfiles de glucosa por diferentes métodos han generado un granimpacto en elmanejo de la diabetes, en particular en esquemas avanzados de insulinización. Por la gran cantidadde información generada y los potenciales beneficios clínicos en la evaluaciónmetabólica, el monitoreo continuode glucosa ha ganado nuevos espacios de aplicación. La presente revisión considera la extensión del usomás alláde los pacientes diabéticos o inclusive en sujetos sanos.Contenidos. Se exploran las posibilidades de utilización y la evidencia disponible en condiciones comoprematuros, pacientes pediátricos con hiperinsulinismo y en el contexto del cuidado intensivo, ámbito donde hacrecido su potencial gracias a situaciones como la actual pandemia de COVID-19. En el caso de pacientes adultosse explora su uso en todas las fases de la ahora considerada enfermedad crónica disglucémica, incluyendo laprediabetes y la resistencia a la insulina.Conclusiones. Finalmente se realiza una revisión de otras condiciones donde ha ganado terreno como el excesode corticoides, hiperglucemia de estrés, hipoglucemia no asociada a medicamentos, insulinoma o postcirugíabariátrica, analizando sus potenciales aplicaciones futuras.

Palabras clave: monitoreo continuo de glucosa, neonatos, unidad de cuidados intensivos, hiperglucemia deestrés, corticoides, hipoglucemia, cirugía bariátrica

Introducción

Actualmente tenemos marcadoresbioquímicos glucémicos como lahemoglobina glicosilada (HbA1c), laglucosa capilar (glucometrías) o lasmediciones plasmáticas, sin embargoestos parámetros en ocasiones noalcanzan a reflejar elementos como lasvariaciones agudas, excursiones altaso bajas y perfiles a través del día (1).Es por esto que el monitoreo continuode glucosa (MCG) se ha posicionado

como una herramienta que va másallá de los parámetros de laboratorioconvencionales y ofrece una visión másamplia del comportamiento metabólicoglucémico, por elementos como cambiosrápidos, diferencias inter e intradiarias ypredicción de hipoglucemia.Con su evolución, mejoras técnicas

y mayor precisión al compararlo conmediciones en sangre, el MCG permite elanálisis de perfiles diarios de glucosa ymétricasmúltiples adicionales. Sumayordisponibilidad ha permitido que forme


Tecnología en enfermedad disglucémicaA. Marín-Sánchez y A. Matallana-Rhoades

parte de la evaluación cotidiana en elmanejo ambulatorio de la diabetes, par-ticularmente en pacientes enmanejo conesquemas avanzados de insulinización,pero también se ha abierto espacio enotros contextos clínicos.

Aspectos básicos delMCG

Los sistemas de MCG se componen deun sensor, el cual realiza lamedición de laglucosa en el líquido intersticial en inter-valos de uno a cinco minutos y un trans-misor que recolecta la información y ladirige a un tercer componente (receptor),responsable de la visualización de losdatos (2, 3). La mayoría de MCG realizanlamedición intersticial por sensores elec-troquímicos enzimáticos mediante unareacción de glucosa oxidasa por dosmétodos, oxígeno dependiente o por unmediador-redox activo (que reemplaza aloxígeno). En la reacción, la glucosa seconvierte a ácido glucónico y las concen-traciones de glucosa son determinadasmonitorizando el consumo de oxígeno,la generación de peróxido de hidrógenoo la oxidación del mediador reducido,siendo este producto interpretado porsu relación concentración-dependientecomo un valor específico de glucosa (4–8).Aunque las diferencias en las compa-

raciones capilar e intersticial han me-jorado con los métodos matemáticosde interpretación y la tecnología de los

sensores, fisiológicamente existe una di-ferencia de tiempo (time lag) para que sereflejen las variaciones de concentraciónentre ambos espacios, en especial cuan-do se presentan cambios rápidos comodurante el ejercicio o inmediatamentedespués de comer (3,6,9).

Al incluirse en losmodelos el uso decalibraciones (por mediciones capi-lares, algunas necesarias durante eluso y otras definidas de fábrica),los algoritmos incorporan los datosprevios y futuros en los cálculos,por lo que son una aproximación al“tiempo real”, empleando modelosde regresión y de tendencias (10).Aunque inicialmente la diferenciade tiempo “instrumental” se ha es-timado en 15 minutos, con las me-joras técnicas se ha logrado reducira menos de ocho minutos y se haestablecido que el retraso “fisiológi-co” está cerca de cinco minutos (verfigura 1) (9, 11–13).

Además de esta variación, se puedenpresentar diferencias por factores quemodifiquen la irrigación sanguínea (zonade ubicación, actividad física) (14, 15),sustancias químicas que interactúan conlas cargas eléctricas o medicamentos ysustancias de uso común, con algunasdiferencias según el dispositivo (lisino-pril, albuterol, acetaminofén, atenolol,vino tinto, ácido ascórbico, tetraciclinas).



Figura 1. Diferencia capilar e intersticial en mediciones delMCG, time lags fisiologico e instrumental

Fuente: adaptado de referencias (9, 11–13).

Aunque las diferencias en valores extre-mos han mejorado notoriamente, aún serecomienda la confirmación de valores< 70 o > 200 mg/dl con medicionescapilares (7, 16–19).

Contamos con dos tipos de dispo-sitivos: los primeros de tipo personal,de propiedad del paciente, no enmas-carados o cegados, destinados para unuso frecuente o continuo. Estos puedenbrindar resultados de dos maneras, porretroalimentación en tiempo real (rt-MGC)o por un escaneo a demanda o inter-mitente (is-MCG), también denominadosflash. Los segundos son losMCGutilizadospara diagnóstico médico, con datos que

pueden ser o no cegados-enmascarados,para uso por corto tiempo (en gene-ral entre una y dos semanas), para unanálisis usualmente retrospectivo (MCGprofesional) (2, 3, 20).

La frecuencia de las mediciones su-perior a la lograda con mediciones capi-lares (como en la automonitorización oSMBG) generaunagran cantidaddedatos,la cual debe interpretarse por métricasmuy diferentes a las usuales y que pue-den complementar la visión del controlglucémico de las variables bioquímicascomo la glucemia y la HbA1c. El MCGpermite la identificación de patrones yperfiles del comportamiento glucémico,



estimaciones de variabilidad (como elcoeficiente de variación: CV, entendidocomo la división de la desviación es-tándar sobre el promedio de datos yexpresado como porcentaje) y nuevosobjetivos de control metabólico como eltiempo en rango (TIR): tiempo pasado enun rango de metas individual, expresadocomo porcentaje de las medidas o comoel promedio de tiempo (horas y minutos)pasado en dicha meta durante el día; oambos (siendo lo usual una meta de TIRentre 70 y 180 mg/dl para la mayoría delos pacientes con diabetes mellitus tipo 1[DM1] o tipo 2 [DM2] y no gestantes) (2, 3,21–25).Con un gran volumen de evidencia

en diabetes, particularmente en DM1, y

con datos algo menos robustos para DM2(26), las ventajas demostradas por lossistemas de MCG a nivel ambulatorio hangenerado un gran interés por evaluar suaplicación en otros contextos, incluyen-do el intrahospitalario y de condicionesmetabólicas más allá de la diabetes.La respuesta terapéutica de los estadoshiper e hipoglucémicos y el control meta-bólico de diferentes condiciones clínicastradicionalmente se ha realizado conmúltiples tomas por punción capilar. Losprogresos en tecnología de los sensoreshan permitido la consideración del usoen trastornos disglucémicos diferentes ala diabetes mellitus, tanto en pacientespediátricos como en adultos.



A. Población pediátrica

Uso en neonatos

En neonatos son necesarias múltiplesmediciones capilares (mínimo tres y má-ximo seis al día) según la condición debase, con mayores requerimientos enel caso de prematurez e hipoglucemiapersistente, como en el hiperinsulinismocongénito. La evidencia de uso deMCG hasido escasa, toda vez que esta tecnologíano se encuentra aprobada para uso enmenores de dos años.

Prematuros en UCI

Para el manejo de los recién nacidos(RN) prematuros también se requierenmúltiples mediciones capilares al díapara supervisar la adaptación a la vi-da extrauterina, vigilando la disglucemiapor variabilidad en la sensibilidad a lainsulina y por los altos requerimientosenergéticos y nutricionales, previniendolamorbilidad y lamortalidad que puedenocasionar las hipo e hiperglicemias y enocasiones definir la necesidad de terapiainsulínica (27, 28).Varios estudios apoyan la utilización

del MCG en prematuros. Beardsall et al.(29), en una evaluación multicéntrica(ocho centros europeos del estudio Nir-ture, n = 188), demostraron que durantesu uso en promedio de 6,5 días, los datosdel MCG se correlacionaban de formaadecuada con las mediciones de glucosa

realizadas por dispositivos de diagnósti-co en el punto de atención (Point of CareDevice - POC), (r = 0,94), alcanzando loscriterios para una adecuada significanciaclínica por una gradilla de error clínico(De Clarke y de consenso o de glucosacontinua CG-EGA). Este parámetro evalúalas repercusiones clínicas de las diferen-cias entre la medición intersticial y lacapilar, según categorías de riesgo porlas acciones tomadas frente a los valoresreportados (por ejemplo: aplicar insulinacuando se reporta un valor falsamentealto o administrar carbohidratos cuandolos valores intersticiales se reportan falsa-mente bajos, con consecuencias impor-tantes) (16, 30).

A pesar de ello, se presentaron sesgos,para los valores> 180mg/dl de infravalo-ración y en los < 70 mg/dl de sobreesti-mación (29). Aunque la sensibilidad y laespecificidad para hipoglucemia fueronbajas, el valor potencial delMCG se encon-traba no en la precisión de una lecturaúnica, sino en su capacidad de advertircambios en los patrones y tendencias enel control de la glucosa, sin necesidadde muestras repetidas sanguíneas. Seplanteó que el MCG proveería informa-ción adicional para guiar el manejo y lanecesidad de evaluaciones con muestrahemática en los niveles críticos (29).

Un estudio reciente multicéntricoeuropeo, abierto y aleatorizado (React)comparó el uso de rt-MCG por siete días



con el manejo estándar, por medicionesde glucosa intermitentes. Se incluyeronpacientes de < 36 semanas y < 1200g., aunque todos los pacientes usaronel MCG (n = 70 en rt-MCG y n = 85 enmanejo estándar), solo en el grupode intervención los datos del MCGestaban disponibles para la visualizaciónpor el equipo de salud para guiar lasintervenciones, como la modificación dela infusióndedextrosaoelusode insulina(el grupo estándar MCG enmascarado).Los pacientes con uso del rt-MCG tuvieronmás TIR de 47-180 mg/dl. Los infantesen manejo solo por glucometrías (conanálisis retrospectivo delMCG) estuvieronexpuestos al menos a un episodio de< 47 mg/dl por más de una hora. Así,el MCG permitió reducir la exposiciónprolongada a hiper o hipoglucemiasseveras, con un posible impacto en lamorbilidad y mortalidad inmediata y afuturo (31).

Recién nacidos a término

En una población en Japón (n = 21) conriesgo para hipoglucemia (por factorescomo pequeño o grande para la edadgestacional, bajo peso al nacer o hijos demadre con diabetes) se realizó un estudiocon is-MCG (con calibración de fábrica),donde se observó una buena correlacióngeneral con la glucosa sanguínea (r =0,67, p < 0,01), se evidenció una menorprecisión en los rangos de hipoglucemia,

especialmente en las primeras tres horasposinserción del sensor, con tendenciaa la sobrestimación de los valores deglucosa (32). La diferencia media entreel MCG y las mediciones de glucosa fuede9,78mg/dl (con±2desviacionesestán-dar: SD, -24,68 a 44,25).Por talesmotivos, los autoresplantean

que la utilización del MCG no se puedeconsiderar como una alternativa fuerte ala medición convencional de glucosa enla identificación de hipoglucemia, perola información de las tendencias de lasconcentraciones fueútil para ladeteccióny la prevención de estas (confirmándolaspor el método capilar) (32). Los datosindican la necesidad de más estudiosaleatorizados para aclarar el papel delMCG en esta población.

Hiperinsulinismo

Desde 2004 encontramos diferentesestudios que describen el rt-MCG comouna alternativa segura, conveniente, efi-caz y menos dolorosa para la evaluacióndel hiperinsulinismo congénito, permi-tiendo tomar decisiones acertadas.Al igual que en las otras condicio-

nes pediátricas mencionadas, la reduc-ción de la precisión en los rangos dehipoglucemia no permitió que el MCGreemplazara a las mediciones capila-res: sensibilidad 86-96.3%, especifici-dad 70.3-81.4%, valor predictivo positi-vo (VPP) 50.3-70.3% y valor predictivo



negativo (VPN) 96.4-98%, con diferenciapromedio absoluta-relativa o MARD del17.9% (siendo esta el promedio del errorabsoluto de todos los valores del MCGcomparados con el valor de referencia, p.ej. la glucometría capilar. Ideal ≤ 10%);sin embargo, elMCG sí logródirigir la tomade las glucometrías por la información delas tendencias, constituyendo una guíacomplementaria para el tratamiento deestos casos (33–36).

UCI pediátrica

Múltiples estudios enpoblaciónpediá-trica y en adultos, utilizando tanto rt-MCGcomo is-MCG, confirman la comodidady la seguridad del uso de estos en UCIpero con limitación en la exactitud (enespecial en hipoglucemia, MARD entre12,58% y 12,9%). Ambos sistemas fueronparticularmente útiles en aquellos pa-cientes con requerimientodeaislamiento

estricto ymínimamanipulación, comoenel caso de los pacientes con infección porSARS-CoV-2 COVID-19 y en condicionesde hiperglucemia de estrés con uso deinfusiones de insulina, vasopresores, glu-cocorticoides, ventilación mecánica, etc.El informe aportado por la monitoriza-ciónde las tendenciasdeglucosapermitetomar decisiones anticipadas, evitandohipoglucemias y corrigiendo hipergluce-mias (37–39).

Prediabetes

En un análisis de pacientes con IMC≥ del percentil 85, con HbA1c ≥ 5,7%,(n = 48) y con DM2 (n = 8) se eva-luaron marcadores glucémicos alterna-tivos (fructosamina, albúmina glicada,1,5-anhidroglucitol) y variabilidad glucé-mica. En la población promedio de 14,3años, 32% hombres, 64% hispanos y20% afrodescendientes, la HbA1c se co-



rrelacionó con mediciones de promedio,área bajo la curva (AUC), SD, amplitudme-dia de las excursiones glucémicas (MAGE,por sus siglas en inglés) y% de tiempo>140 mg/dl.

Los tresmarcadores bioquímicos al-ternativos en forma independientese asociaron al MAGE, la fructosami-na y la albúmina glicada con la SD yaun con el ajuste para la HbA1c, losmarcadores continuaron predicien-do la variabilidad detectada con elMCG (40). Al ser difícil la diferencia-ción de prediabetes y DM2 tambiénen la población pediátrica, la pre-sencia de fluctuaciones en el MCGpudiera ser útil en la identificaciónde pacientes con glucemia anormalvs. DM2, siendo más frecuentes enesta última (40).

B. Pacientes adultos

Población normal

El análisis bajo una nueva óptica deestudios clásicos como el Diabetes Con-trol and Complications Trial (DCCT) ynuevos ensayos, incluyendo ejemplos denuestro medio (41, 42), han establecidoque la HbA1c, el promedio de glucosa ylas mediciones de variabilidad glucémica(VG) son determinantes del riesgo de hi-poglucemia en DM1 o DM2 y pueden tenercorrelación con complicaciones a travésde factores como el estrés oxidativo (41,

42), de allí la necesidad de establecerlos valores usuales para estas métricas, apartir del comportamiento de perfiles deMCG en pacientes con tolerancia normal ala glucosa y sus cambios en condicionesno diabéticas.

En un análisis en pacientes sin diabe-tes (n = 78), de diferentes orígenes étni-cos (incluyendo 13 hispanos), se intentóestablecer la magnitud de la variabilidadglucémica por diferentes métodos, tra-tandodeesclarecer los rangosaceptablesy fisiológicos usuales de esta (25). Delas múltiples mediciones de variabilidadreportadas, algunas de las más comunestuvieron comovalores de referencia “nor-males”: SD 0-3,0, MAGE 0,0-2,8, labilityindex (LI) 0,0-4,7, low blood glucose index(LBGI) 0,0-6,9 y high blood glucose index(HBGI) 0,0-7,7 (25).

Una de las evaluaciones con mayornúmero de pacientes sanos se realizó enuna población china (n = 434), con usode MCG por tres días. En esta se observóuna variación de los valores de glucosaentre 104 ± 10 mg/dl a 144,2 ± 23,3mg/dl, con un valor promedio para 24h de 104 mg/dl. Los valores nocturnosfueron menores que los diurnos en 9 ±7% (98,6± 11,3 vs. 106± 11,3 mg/dl, p<0,001), sindiferenciasmayoresdegénero.En lasmediciones posprandiales nohubodiferencias entre los periodos pos 60minutos, comparados con el desayuno(121 ± 21,3 mg/dl vs. 121,7 ± 20,9 mg/dl



almuerzo y 123,1± 26,1mg/dl cena), perosí para las tomadas a los 120 minutos(104,8 ± 18, 115,6 ± 22,3 y 119,7 ± 21,2mg/dl respectivamente). El porcentaje depacientes con valores≥ 140 mg/dl fue de4,1 ± 5,8% y ≤ 70mg/dl de 2,4 ± 5,3%.Con los datos planteados, los autoresconsideran como límite superior normal(percentil 95) para el MCG 119mg/dl en lasmediciones de 24 horas. (43).

En otra población de familiares sa-nos de pacientes con DM1 de la redT1D Exchange (n = 153, 7-80 años, 10%hispanos), se revisaron los patrones deMCG enmascarado por 10 días (con unacalibración/día). Se obtuvieron valorespromedio de 98 a 99 ± 7 mg/dl paratodos los grupos, salvo los> 60 años quetuvieron un valor de 104 ± 9 mg/dl. ElTIR de 40-140 mg/dl general fue del 96%(rango intercuartílico IQR 93-98) y el CVfue de 17± 3%, con un TIR>140mg/dl de2,1% (30 min/día) y < 70 mg/dl del 1,1%(15 min/día) (44).

En esta misma población se evaluóel impacto fisiológico de la dieta y elejercicio (sin tener índice de masa cor-poral (IMC) para obesidad). El ejercicioindujo a una reducción de -15mg/dl (±18mg/dl) desde la medición basal para elejercicio aeróbico y de -9± 12mg/dl parael ejercicio de resistencia (p = 0,25). Seobservó una diferencia de -3 mg/dl en lanocheposterior al ejercicio (85± 11mg/dlvs. 82± 11 mg/dl, p = 0,05). En relación a

la ingesta, el valor promedio preprandialpasó de 93 ± 10mg/dl a 130 ± 13mg/dlposingesta (con promedio de tiempo alpico de 97± 31 minutos) (45).Estas aproximaciones sientan las ba-

ses de unos primeros parámetros “nor-males” del MCG para comparaciones conestados disglucémicos. A partir de estosdatos algunas compañías consideraron laposibilidad de uso del MCG con so�wa-re específico para analizar la respuestaglucémica de sujetos normales frentea situaciones como ingesta, ejercicio,estrés o sueño; sin embargo, la evidenciaha sido discordante.

Con los datos se generaron aplica-ciones para predecir las respuestas alas comidas, la mayoría utilizando elis-MCG como elementomotivacional paraevitar alimentos con alto índice y cargaglucémica (46) y se plantearon estudiospara la evaluación e impacto de estra-tegias nutricionales “aumentadas” porMCG, adaptando la dieta en pacientes cony sin diabetes (algunos de ellos en curso)(47); sin embargo, un estudio reciente devalidaciónde este enfoqueplanteadudasimportantes.

En el análisis de 27.489 medicionessimultáneas con dos dispositivos, unrt-MCG y otro is-MCG de 16 sujetos sindiabetes, con uso del MCG por 28 días,las respuestas posprandiales intrasujetofueron altamente variables. El CV fuede 91,7 ± 1,9% para el is-MCG y 94,2 ±



2,7% para el rt-MCG, con una importantediscordancia en el mismo sujeto paralos dos tipos de MCG (coeficiente decorrelación Kendall 0,43 ± 0,005), conmediciones simultáneas muy diferentesen respuesta al mismo alimento (48).Con dichos resultados discordantesintrasujeto frente a un único estímulo, lapropuesta de personalizar una “nutriciónde precisión” para evitar las excursionesglucémicas puede ser prematura. Laclasificación errada de las comidas como“buenas” o “malas” en términos desus respuestas en el MCG, en personassin diabetes, puede llegar a afectar loscomportamientos de ingesta y tenerconsecuencias deletéreas potenciales(como trastornos alimentarios) si no seconsideran otros los otros aspectos deuna nutrición óptima (46,48).

Prediabetes

Por las dificultades en el concepto de“normalidad” para variables biológicasno paramétricas como la glucosa, aúnexisten problemas para la clasificacióndiagnóstica de estados disglucémicos.Se han realizado intentos para utilizarlas métricas del MCG, en particular lasasociadas con variabilidad para la dife-renciación de pacientes sanos vs. aque-llos con intolerancia a la glucosa (IGT) ocon DM2. En una serie de 62 pacientes,en un modelo matemático vectorial seaplicaron 37 índices de variabilidad a

partir de MCG para diferenciar los pa-cientes con IGT vs. DM2. Se incluyeronsiete índices de los considerados comoestadísticos “gruesos” del MCG (prome-dio, DS, CV, mediana, IQR e índice J). Alcomplementar las determinaciones convariables clínicas diferentes a la HbA1c(edad, género, IMC y circunferencia decintura) se logró la diferenciación delos dos estados disglucémicos con unaprecisión del 87,1% (49).

En otro modelo de machine learningaplicado en 102 pacientes (34 sanos, 39con IGT, 29 con DM2), se consideraron25 índices de variabilidad a partir de losperfiles de MCG. En un primer paso dediferenciación entre los sujetos sanos vs.los que tenían IGT y DM2, la precisión fuedel 91,4%. En el segundo paso para ladiferenciación entre IGT y DM2, la preci-sión fue del 79,5%. Para la clasificacióngeneral en las tres clases, la precisión fuedel 86,6% (50).

Dichos estudios resaltan la importan-cia de las diferencias sutiles de variabili-dad glucémica identificadas porMCG, conuna buena precisión para la clasificaciónde los distintos estados metabólicos; sinembargo, la complejidad de los modeloslimita su utilización en la práctica clínicausual.

Un estudio más reciente con 100 par-ticipantes, predominantemente mexica-nos (79 mujeres, 86% hispanos/latinos,edad 54,6± 12 años) buscaba diferenciar



por MCG los pacientes con DM2 (n = 28)de aquellos en categorías de riesgo (conHbA1c < 5,7%, n = 32) y prediabetes(n = 40). El TIR de 140-180 mg/dl nofue diferente en el periodo nocturno,perodurante el día fue significativamentemayorpara los pacientes conprediabetesvs. los pacientes en riesgo (mediana de5,4%, IQR 2,0-9,7% vs. 1,1 IQR 0,4-3,7%, p< 0,01). En los pacientes con DM2, el TIRde 140-180mg/dl fue mayor en el periodonocturno que en los prediabéticos (15,2,IQR 6,8-35,6% vs. 0,4, IQR 0-1,5%) y quelos pacientes en riesgo (0, IQR 0-7%, p< 0,0001). De igual forma, en DM2 elTIR de 140-180 mg/dl fue mayor al restodel día vs. los pacientes con riesgo ycon prediabetes combinados (27,8, IQR18,5- 34,3, p < 0,0001). El tiempo en lasmetas de 70-140mg/dl en el día tuvo unacorrelación significativa con la HbA1c (r =

0,72, p < 0,0001), con iguales resultadostras ajustar para edad, género, IMC yperímetro de cintura (p< 0,0001) (51).

El fenómeno del alba (dawn pheno-menon: DP) también se ha consideradocomo un parámetro evaluable en el MCGpara la diferenciación de la disglucemia.Este corresponde a la hiperglucemia es-pontánea o el aumento de la cantidadde insulina necesaria para mantener lanormoglucemia en las horas iniciales dela mañana o al final de la madrugada (noasociada a hipoglucemia nocturna).

En una población china de 781 pa-cientes (glucosa normal n = 360, IGT n= 173, DM2 reciente n = 248) se evaluóla diferenciación por MCG, gracias a lamagnitud del DP (considerando relevanteunaumentode20mg/dl). ElDP seeviden-ció en 8,9% de los pacientes normales,30,1% en prediabetes y 52,4%en DM2. En



los pacientes con DP el TIR fue menor (p< 0,04) y el CV fue mayor (p < 0,04). Enel subgrupo de pacientes con DP con DM2el TIR fue 7,0%menor (1,68 horas) y el CVfue 3% mayor, con una HbA1c 0,6% másalta (p< 0,05) (52). El MCG también se hautilizado para evaluar intervenciones enprediabetes, impactando en cambios decomportamientos y desenlaces glucémi-cos, pero la evidencia es limitada.

En una revisión de estudios pros-pectivos con intervención de al me-nos ocho semanas, solo cinco es-tudios no incluían medicamentosy consideraban cambios comporta-mentales, pero en realidad solo unocorrespondía a población prediabé-tica y el resto incluían pacientescon DM2. En la intervención conrt-MCG se planteó una variabilidadglucémica basal importante, perono se demostró disminución de estao variación en el peso tras seismeses de intervención, con unalimitación importante por no cuan-tificación específica de la dieta o laactividad física y dificultades en eluso e interpretación de los datos delrt-MCG por el paciente (53).

Algunos estudios piloto, con interven-ciones con ejercicio, tienen la desventajade no reportar cambios de HbA1c (53).Una de estas intervenciones evaluó apacientes con DM2 y prediabetes en un

programa con ejercicio (n = 7) o actividadfísica con MCG (n = 6). No se reportaroncambios objetivos como HbA1c o peso,pero se informaron resultados positivosdesde el inicio del programa a un mesde seguimiento, con mejor capacidad deautomonitoreo (p < 0,001), ajuste demetas (p = 0,01), mayor adherencia (p= 0,03), registro posterior a programasadicionales de ejercicio (p = 0,048) ydisminución de perímetro de cintura (p<0,05) (54).En otra intervención pequeña (n = 15,

54,5 ± 9,1 años, HbA1c 5,9 ± 0,23%,35,8 ± 4,7 kg/m2), el uso de MCG y unadieta baja en carbohidratos (100 g/día)logró una reducción de solo -1,4 libras(p = 0,02), pero con una disminución de-0,71% de HbA1c (p< 0,001), aunque conuna reducción del% TIR sobre la meta yel promedio diario no significativos (7,1%vs. 4,5%, p = 0,16 y 103,8 vs. 102,9 mg/dl,p = 0,67). La aceptación de la reducciónde carbohidratos y el uso del MCG conuna satisfacción del 93%, permitió queel dispositivo fuera una herramienta pa-ra visualizar el impacto de la ingesta,llevando a cambios dietarios y a unareducción clínicamente significativa de laHbA1c (55).

Exceso de glucocorticoides e hiperglu-cemia de estrés

Series de casos de cushing han evi-denciado que el aumento de los gluco-



corticoides endógenos resulta en el au-mento de glucosa, particularmente trasuna carga oral, por una reducción de lasensibilidad a la insulina y compromisode función de los islotes (56). En elcaso del aporte exógeno de estos (porejemplo en enfermedad pulmonar obs-tructiva crónica), se ha evidenciado unavariación dependiendo del tipo, dosisy ruta de administración, así como enlas respuestas, pues algunos pacientespresentan valores normales o levementeelevados en ayuno o inclusive hipogluce-mia matutina, con aumentos importan-tes vespertinos onocturnos, enparticularcon excursiones postprandiales (57).

La identificación de esta variabilidadintradía depende ampliamente del nú-mero de mediciones glucémicas, en par-ticular capilares, y el énfasis en la eva-luación posprandial, por lo cual el MCG,en algunas series, ha demostrado unmejor desempeño diagnóstico, con unadecuado reconocimiento de los patro-nes y guiando la modificación de terapia,dosis, tiempo de administración de me-dicamentos o variaciones en la ingestapara disminuir el impacto glucémico (verfigura 2) (56).

Al igual que en lo mencionado parala población pediátrica, el uso del MCGa nivel hospitalario, particularmente enla pandemia de COVID-19, ha generadoevidencia de su gran potencial en situa-ciones como la hiperglucemia de estrés y

el uso de corticoides, más allá de su usoen pacientes con terapia insulínica (37).Algunas intervenciones en UCI han suge-rido el impacto positivo en protocolos deajuste de dosis de insulina con disminu-ción de valores promedio y frecuencia dehipoglucemia, aunque los resultados enotras han sido discordantes.

Aunque consensos plantean que elMCG puede no ser aplicable a todos lospacientes en UCI, en las poblaciones deriesgo por variabilidad glucémica o hipo-glucemia sería beneficioso, incluyendoa los pacientes con infusión de insulinaintravenosa, altas dosis de corticoides,terapia médica nutricional inductora dehiperglucemia, de cirugía cardíaca, tras-plantes o cirugía cerebral por trauma ocompromiso vascular, enfermedad renalo hepática avanzada o con hipoglucemiainadvertida, idealmente en combinacióncon las mediciones periódicas con dispo-sitivos POC para una evaluación consis-tente de su precisión (37, 58).

A pesar de haberse sugerido benefi-cios en las poblaciones quirúrgicas men-cionadas, la inconsistencia de resultados(MARD > 10%) limita la recomendacióndel uso del MCG en el contexto periope-ratorio general, por dificultades técnicasdurante la cirugía hasta en un 60%de loscasos (atribuidas a interferencias comoel electrocauterio), aunque, en el periodoposquirúrgico inmediato hay unamejoríaimportante de la consistencia de reportes



Figura 2. Patrones de MCG en pacientes con hiperglucemia y diabetes asociada a corticoides. A. Paciente con síndrome deCushing. B. Diabetes inducida por corticoides enmanejo con insulina (premezcla)

Fuente: adaptado de Lu y Jia, 2018.



del MCG, por lo que se hace mandatoriala confirmación de la precisión tras losprocedimientos (37).

Hipoglucemia no medicamentosa, in-sulinomaycirugíabariátrica-metabólica

El MCG ha sido de particular utilidaden la identificación de hipoglucemia,inclusive asintomática, y en casos dehipoglucemia no asociada amedicamen-tos hipoglucemiantes, en particular encombinación con el test de ayuno. Es-tudios con MCG han demostrado que el50% de los eventos de hipoglucemiaen insulinoma ocurren en el periodonocturno. Aunque hay escaso número decasos, algunos demuestran correlaciónadecuada con lasmediciones capilares (n= 2, r2 = 0,79) (59).Tras la confirmación diagnóstica en

una serie (n = 3), el MCG utilizado duranteel manejo médico y en el posquirúrgi-co evidenció eventos de hipoglucemiainadvertida y tiempos en hipoglucemiasignificativos (6,1% al 71% del tiempopara hipoglucemia moderada, con glu-cosa plasmática 40-54 mg/dl y 1,4% a48,1% para hipoglucemia severa, conglucosa plasmática < 40 mg/dl). Con lasintervenciones se logró una reducciónnotoria de la hipoglucemia (diazóxidocon hipoglucemia moderada en 0,6% a5,7% del tiempo, solo un paciente con0,5% del tiempo en hipo severa, 0% trascirugía) (60).

En otras series de casos, el uso dert-MCG con alertas e índices de variabili-dad como el valor-M ha sido de particularutilidad para el manejo de pacientes, enespecial en casos atípicos (ver figura 3)(61). En un análisis reciente (n = 8) deinsulinomas con ablación endoscópicacon etanol, el MCG tuvo una adecuadacorrelación vs. lasmediciones capilares (r= 0,88, p< 0,05) (62).

En casos de insuficiencia adrenal (n =6) se ha utilizado elMCG para la detecciónde hipoglucemias (particularmente noc-turnas) y optimizar el manejo de corticoi-des. En esta serie se evidenció hipoglu-cemia inadvertida en 83% de los casosy se realizó el cambio de la terapia conhidrocortisonapara evitar dichos eventos(63). Para cirugía metabólica y bariátricahay estudios limitados por el númerode pacientes, pero que han evaluado enespecial la variabilidad glucémica porMCG comomarcador pre y posquirúrgico.

En una evaluación de pacientes trasbypass gástrico con síntomas pospran-diales sugestivos de hipoglucemia, dia-béticos no operados y controles sanos(n = 10 por cada brazo), los pacientesdiabéticos sin manejo quirúrgico tuvie-ron un promedio de glucosa mayor vs.los operados (111,6± 16,2 mg/dl vs. 138,6± 36 mg/dl p = 0,002); sin embargo, lavariación glucémica por MAGE no mejorótras el procedimiento (86,4 ± 57,6mg/dlvs. 66,6 ± 23,4 mg/dl, p = 0,82), con un



Figura 3. Patrones de MCG en pacientes con hipoglucemia por insulinoma. A. Perfil prequirúrgico del MCG en paciente coninsulinoma. B. Perfil del paciente en el posopetatorio.

Fuente: adaptado de Munir, Choudhary, Harrison, Heller, Newell-Price, 2008.



tiempo al pico de glucosa más temprano(42,8± 6minutos vs. 82,2± 11,1 minutos,p = 0,0002) y un 50% presentó hiper ehipoglucemia posprandial (64).En una evaluación un poco mayor (n =

51) de pacientes no diabéticos con bypassgástrico, el MCG evidenció hipoglucemia(< 55 mg/dl) en 75% de los casos,con eventos nocturnos en un 38% (3 ±1 episodios/paciente, duración 71 ± 25minutos) (65).En una comparación de pacientes (n

= 15) con bypass vs. derivación bilio-pancréatica (BPD) se evidenció que estaúltima se asoció conHbA1cmenor (4,8 vs.5,4%, p< 0,05) ymenorMAGE (27 vs. 57,6mg/dl, p < 0,05), pero sin observarse di-ferencias en la duración de hipoglucemia(66).En una serie de 36 pacientes con DM2

llevados a BPD, el uso de MCG a un mesposcirugíademostróunadisminucióndelMAGE (61,2 ± 12,6 mg/dl vs. 34,2 ±12,6 mg/dl, p < 0,01) vs. controles conmanejo dietario (n = 29), con cambiosbioquímicos por disminución de nitro-samina (marcador de estrés oxidativo),aumento de GLP1 endógeno y supresiónde glucagónmayor (p = 0,01) (67).En una evaluación más reciente (n =

31, DM2 con bypass) con uso tempranode MCG por 14 días, se evidenció unareducción de valores promedio pre y postan temprana como al tercer día de lacirugía (157 ± 31 mg/dl vs. 109 ± 35

mg/dl). Se alcanzó una pérdida de peso> 50% en 90% de los pacientes, con unaremisión de la diabetes en 68% de loscasos (dada por HbA1c≤ 6% sin manejoantidiabético a un año). El MCG tempranopredijo la remisión con un tiempo sobreel rango < 14% y SD < 33 mg/dl, con unVPP del 100%, una sensibilidad del 81% yespecificidad del 100% (68).

Conclusiones

El uso del MCG ha incrementado en losaños recientes en respuesta a lasmejorasen precisión y aprobación para tomade decisiones clínicas en el contexto dediabetes, aunque sus costos aún limitansu uso de formamás amplia.La realización de estudios clínicos en

nuevos ámbitos, en especial de pacientescon factores de riesgo para variabilidadglucémica, hiper e hipoglucemia, permi-tirán construir evidencia cada vez mássólida para apoyar su implementación enmás condiciones clínicas.En el contexto pediátrico, su utili-

zación en pacientes de alto riesgo dehipoglucemia con detección de eventos,sin aumentar riesgos como infecciones,facilitan el seguimiento de tendenciaspara tomar decisiones, disminuyendo eldolor asociado a las mediciones capila-res; aun así se requieren más estudiospara analizar otros desenlaces como elimpacto sobre el neurodesarrollo a largoplazo.



La disponibilidad de grandes volúme-nes de datos obtenidos por el MCG (bigdata) contribuirá a nuevas perspectivassobre los mecanismos patológicos de lasalteraciones metabólicas en el espectrode la disglucemia y permitirán la creacióndeherramientasdiagnósticas y terapéuti-cas más precisas para estas condiciones.Aún falta vencer los retos de los aspectostécnicos, la disponibilidad, la precisión,la seguridad y los costos que ayuden aformar esa nueva evidencia, más allá dela diabetes.

Referencias

[1] Beck RW, Connor CG, Mullen DM,Wesley DM, Bergenstal RM. The fallacyof average: how using HbA1c aloneto assess glycemic control can bemisleading. Diabetes Care. 2017ag.;40(8):994-9. https://doi.org/10.2337/dc17-0636 ↑Verpágina 43

[2] American Diabetes Association.Diabetes technology: standardsof medical care in diabetes 2021.Diabetes Care. 2021 en.;44(supl.1):S85-99. https://doi.org/10.2337/dc21-S007 ↑Ver páginas 44,45, 46

[3] Maiorino MI, Signoriello S, Maio A,Chiodini P, Bellastella G, ScappaticcioL, et al. E�ects of continuous glucosemonitoring on metrics of glycemic

control indiabetes: a systematic reviewwith meta-analysis of randomizedcontrolled trials. Diabetes Care. 2020my.;43(5):1146-56. https://doi.org/10.2337/dc19-1459 ↑Verpáginas 44, 45, 46

[4] MonsodTP, FlanaganDE, Rife F, SaenzR, CaprioS, SherwinRS, etal. Do sensorglucose levels accurately predictplasma glucose concentrations duringhypoglycemia and hyperinsulinemia?Diabetes Care. 2002my. 1;25(5):889-93.https://doi.org/10.2337/diacare.25.5.889 ↑Ver página 44

[5] Garg SK, Schwartz S, Edelman SV.Improved glucose excursions usingan implantable real-time continuousglucose sensor in adults with type 1diabetes. Diabetes Care. 2004 mzo.1;27(3):734-8. https://doi.org/10.2337/diacare.27.3.734↑Ver página 44

[6] Garg S, Zisser H, Schwartz S,Bailey T, Kaplan R, Ellis S, etal. Improvement in glycemicexcursions with a transcutaneous,real-time continuous glucosesensor. Diabetes Care. 2006;29(1):7.https://doi.org/10.2337/diacare.29.01.06.dc05-1686↑Ver página 44

[7] DeHennis A,MortellaroM. CGMsensortechnology. En: Glucose monitoringdevices: measuring blood glucose to



manage and control diabetes. 1eraed. Academic Press; 2020. p. 111-34.https://doi.org/10.1016/B978-0-12-816714-4.00006-5↑Ver páginas 44, 45

[8] Hoss U, Budiman ES.Factory-calibrated continuousglucose sensors: the science behindthe technology. Diabetes TechnolTher. 2017 my.;19(S2):S44-50.https://doi.org/10.1089/dia.2017.0025 ↑Ver página 44

[9] Kulcu E, Tamada JA, Reach G, PottsRO,LeshoMJ.Physiologicaldi�erencesbetween interstitial glucose andblood glucose measured in humansubjects. Diabetes Care. 2003 ag.1;26(8):2405-9. https://doi.org/10.2337/diacare.26.8.2405↑Ver página 44, 45

[10] Gómez, AM, Marín A. Monitorizacióncontinua de glucosa en tiempo real:imprescindible su uso combinadocon infusión continua de insulina.Av Diabetol. 2011;27(4):143-50.https://doi.org/10.1016/j.avdiab.2011.08.003 ↑Verpágina 44

[11] Basu A, Dube S, Slama M, ErrazurizI, Amezcua JC, Kudva YC, et al. Timelag of glucose from intravascular tointerstitial compartment in humans.Diabetes. 2013 dic. 1;62(12):4083-7.

https://doi.org/10.2337/db13-1132 ↑Ver páginas 44, 45

[12] Rossetti P, Bondia J, Vehí J,Fanelli CG. Estimating plasmaglucose from interstitial glucose:the issue of calibration algorithmsin commercial continuous glucosemonitoring devices. Sensors. 2010dic.;10(12):10936-52. https://doi.org/10.3390/s101210936 ↑Verpágina 44, 45

[13] Soni A, Wright N, Agwu JC, Drew J,Kershaw M, Moudiotis C, et al. Fi�een-minute consultation: practical useof continuous glucose monitoring.Arch Dis Child - Educ Pract Ed.2021 my. 7;edpract-2020-321190.https://doi.org/10.1136/archdischild-2020-321190↑Ver página 44, 45

[14] Charleer S, Mathieu C, Nobels F,Gillard P. Accuracy and precision offlash glucose monitoring sensorsinserted into the abdomen and upperthigh compared with the upper arm.Diabetes Obes Metab. 2018;20:1503-7.https://doi.org/10.1111/dom.13239 ↑Ver página 44

[15] Steineck II, Mahmoudi Z, Ranjan A,Schmidt S, Jørgensen JB, NørgaardK. Comparison of continuous glucosemonitoring accuracy betweenabdominal and upper arm insertionsites. Diabetes Technol Ther. 2019



my.;21(5):295-302. https://doi.org/10.1089/dia.2019.0014↑Ver página 44

[16] Jia W, editor. Continuous glucosemonitoring. 1eraed.Singapur: SpringerSingapore; 2018. 1-224 p. ↑Ver pági-nas 45, 47

[17] Basu A, Slama MQ, NicholsonWT, Langman L, Peyser T, Carter R,et al. Continuous glucose monitorinterference with commonlyprescribed medications: a pilot study.J Diabetes Sci Technol. 2017 sept.1;11(5):936-41. https://doi.org/10.1177/1932296817697329↑Ver página 45

[18] Diabetes in Research ChildrenNetwork (DirecNet) Study Group.Evaluation of factors a�ectingCGMS calibration. DiabetesTechnol Ther. 2006 jun.;8(3):318-25.https://doi.org/10.1089/dia.2006.8.318 ↑Ver página 45

[19] Cappon G, Vettoretti M, SparacinoG, Facchinetti A. Continuous glucosemonitoring sensors for diabetesmanagement: a review of technologiesand applications. Diabetes Metab J.2019;43(4):383.https://doi.org/10.4093/dmj.2019.0121 ↑Verpágina 45

[20] Longo R, Sperling S. Personal versusprofessional continuous glucose

monitoring: when to use which onwhom. Diabetes Spectr Publ AmDiabetes Assoc. 2019 ag.;32(3):183-93.https://doi.org/10.2337/ds18-0093 ↑Ver página 45

[21] Gandhi GY, Kovalaske M, KudvaY, Walsh K, Elamin MB, Beers M, etal. E�icacy of continuous glucosemonitoring in improving glycemiccontrol and reducing hypoglycemia: asystematic review and meta-analysisof randomized trials. J DiabetesSci Technol. 2011 jul. 1;5(4):952-65.https://doi.org/10.1177/193229681100500419 ↑Verpágina 46

[22] Battelino T, Danne T, Bergenstal RM,Amiel SA, Beck R, Biester T, et al.Clinical targets for continuous gluco-se monitoring data interpretation: re-commendations fromthe internationalconsensus on time in range. DiabetesCare. 2019 ag.;42(8):1593-603. ↑Ver pá-gina 46

[23] Danne T, Nimri R, Battelino T,Bergenstal RM, Close KL, DeVries JH,et al. International consensus onuse of continuous glucose monitoring.Diabetes Care. 2017 dic.;40(12):1631-40.https://doi.org/10.2337/dc17-1600 ↑Ver página 46

[24] Bellido V, Pinés-Corrales PJ,Villar-Taibo R, Ampudia-BlascoFJ. Time-in-range for monitoring



glucose control: is it time fora change? Diabetes Res ClinPract. 2021 jul.;177:108917.https://doi.org/10.1016/j.diabres.2021.108917 ↑Verpágina 46

[25] Hill NR, Oliver NS, Choudhary P,Levy JC, Hindmarsh P, MatthewsDR. Normal reference range formean tissue glucose and glycemicvariability derived from continuousglucose monitoring for subjectswithout diabetes in di�erent ethnicgroups. Diabetes Technol Ther. 2011sept.;13(9):921-8. https://doi.org/10.1089/dia.2010.0247↑Ver páginas 46, 50

[26] Lin R, Brown F, James S, JonesJ, Ekinci E. Continuous glucosemonitoring: a review of the evidence intype 1 and 2 diabetes mellitus. DiabetMed. 2021;38(5):e14528. https://doi.org/10.1111/dme.14528↑Ver página 46

[27] Kao LS, Morris BH, Lally KP,Stewart CD, Huseby V, KennedyKA. Hyperglycemia and morbidityand mortality in extremely low birthweight infants. J Perinatol. 2006dic.;26(12):730-6. https://doi.org/10.1038/sj.jp.7211593↑Ver página 47

[28] Yager JY. Hypoglycemic injuryto the immature brain. Clin

Perinatol. 2002 dic.;29(4):651-74.https://doi.org/10.1016/S0095-5108(02)00054-4 ↑Verpágina 47

[29] Beardsall K, VanhaesebrouckS, Ogilvy-Stuart AL, Vanhole C,vanWeissenbruch M, Midgley P, etal. Validation of the continuousglucose monitoring sensor inpreterm infants. Arch Dis Child - FetalNeonatal Ed. 2013 mzo.;98(2):F136-40.https://doi.org/10.1136/archdischild-2012-301661↑Ver páginas 47

[30] Parkes JL, Slatin SL, Pardo S,Ginsberg BH. A new consensus errorgrid toevaluate the clinical significanceof inaccuracies in the measurement ofblood glucose. Diabetes Care. 2000 ag.1;23(8):1143-8. https://doi.org/10.2337/diacare.23.8.1143↑Ver página 47

[31] Beardsall K, Thomson L, Guy C,Iglesias-Platas I, van WeissenbruchMM,BondS,etal. Real-timecontinuousglucose monitoring in preterminfants (REACT): an international,open-label, randomised controlledtrial. Lancet Child Adolesc Health. 2021abr.;5(4):265-73. ↑Ver página 48

[32] Nishimura E, Oka S, Ozawa J, TanakaK, Momose T, Kabe K,et al. Safetyand feasibility of a factory-calibratedcontinuous glucosemonitoring system



in term and near- term infants atrisk of hypoglycemia. Turk ArchPediatr. 2021 febr. 19;56(2):115-20.https://doi.org/10.5152/TurkArchPediatr.2020.20183↑Ver página 48

[33] Braune K,WäldchenM, Raile K, HahnS,UbbenT, Römer S, et al. Open-sourcetechnology for real-time continuousglucose monitoring in the neonatalintensive care unit: case study in aneonate with transient congenitalhyperinsulinism. J Med Internet Res.2020 dic. 4;22(12):e21770. https://doi.org/10.2196/21770 ↑Verpágina 49

[34] Rayannavar A, Elci OU, MitteerL, De Leon DD. Continuous glucosemonitoring systems: are they usefulfor evaluating glycemic control inchildren with hyperinsulinism? HormRes Paediatr. 2019;92(5):319-27.https://doi.org/10.1159/000506230 ↑Ver página 49

[35] Alsa�ar H, Turner L, Yung Z, DidiM, Senniappan S. Continuous flashglucose monitoring in children withcongenital hyperinsulinism; firstreport on accuracy and patientexperience. Int J Pediatr Endocrinol.2018 dic.;(1):3. https://doi.org/10.1186/s13633-018-0057-2↑Ver página 49

[36] Anık A, Türkmen MK, AkcanAB, Ünüvar T, Öztürk S, Anık A.Experience with real-time continuousglucose monitoring in newbornswith congenital hyperinsulinemichypoglycemia. Z Für GeburtshilfeNeonatol. 2021 abr.;225(02):155-60.https://doi.org/10.1055/a-1209-3861 ↑Ver página 49

[37] Pérez-Guzmán MC, Shang T,Zhang JY, Jornsay D, Klono� DC.Continuous glucose monitoring inthe hospital. Endocrinol Metab. 2021abr. 30;36(2):240-55. https://doi.org/10.3803/EnM.2021.201↑Ver páginas 49, 55, 57

[38] Pérez-Guzmán MC, DugganE, Gibanica S, Cardona S,Corujo-Rodríguez A, Faloye A, etal. Continuous glucose monitoringin the operating room and cardiacintensive care unit. Diabetes Care. 2021mzo.;44(3):e50-2. https://doi.org/10.2337/dc20-2386 ↑Verpágina 49

[39] Garelli F, Rosales N, Fushimi E,Arambarri D, Mendoza L, De BattistaH, et al. Remote glucose monitoringplatform for multiple simultaneouspatients at coronavirus disease2019 intensive care units: case reportincluding adults and children. DiabetesTechnol Ther. 2021 jun. 1;23(6):471-3.



https://doi.org/10.1089/dia.2020.0556 ↑Ver página 49

[40] Chan CL, Pyle L, Kelsey MM, NewnesL, Baumgartner A, Zeitler PS, etal. Alternate glycemic markersreflect glycemic variability incontinuous glucose monitoring inyouth with prediabetes and type2 diabetes. Pediatr Diabetes. 2017nov.;18(7):629-36. https://doi.org/10.1111/pedi.12475 ↑Verpágina 50

[41] Gómez AM, Muñoz OM, Marín A, Fon-seca MC, Rondón M, Robledo-GómezMA, et al. Di�erent indexes of gly-cemic variability as identifiers of pa-tients with risk of hypoglycemia intype 2 diabetes mellitus. J DiabetesSci Technol. 2018 sept. 1;12(5):1007-15. https://doi.org/10.1177/1932296818758105 ↑Ver página 50

[42] Kilpatrick ES, Rigby AS, Goode K,Atkin SL. Relating mean blood glucoseand glucose variability to the risk ofmultiple episodes of hypoglycaemiain type 1 diabetes. Diabetología.2007 nov. 5;50(12):2553-61.https://doi.org/10.1007/s00125-007-0820-z ↑Verpágina 50

[43] Zhou J, Li H, Ran X, Yang W, Li Q,Peng Y, et al. Reference values forcontinuous glucose monitoring inchinese subjects. Diabetes Care. 2009

jul. 1;32(7):1188-93. https://doi.org/10.2337/dc09-0076 ↑Verpágina 51

[44] Shah VN, DuBose SN, Li Z,Beck RW, Peters AL, WeinstockRS, et al. Continuous glucosemonitoring profiles in healthynondiabeticparticipants: amulticenterprospective study. J Clin EndocrinolMetab. 2019 oct. 1;104(10):4356-64.https://doi.org/10.1210/jc.2018-02763 ↑Ver página 51

[45] DuBose SN, Li Z, Sherr JL, BeckRW, Tamborlane WV, Shah VN. E�ectof exercise and meals on continuousglucose monitor data in healthyindividuals without diabetes. JDiabetes Sci Technol. 2020 febr.17;15(3):593-9. https://doi.org/10.1177/1932296820905904↑Ver página 51

[46] Jaklevic MC. Start-ups toutcontinuous glucose monitoring forpeople without diabetes. JAMA. 2021jun. 1;325(21):2140. https://doi.org/10.1001/jama.2021.3789↑Ver páginas 51, 52

[47] University of North Carolina, ChapelHill. Adaptation of a digital weight lossintervention promoting self-regulationfor use in type 2 diabetes [Internet].clinicaltrials.gov; 2021 my. [citado2021 ag. 10]. Disponible en:https://clinicaltrials.



gov/ct2/show/NCT03650088↑Ver página 51

[48] Howard R, Guo J, Hall KD.Imprecision nutrition? Di�erentsimultaneous continuous glucosemonitors provide discordant mealrankings for incremental postprandialglucose in subjects without diabetes.AmJClinNutr. 2020 oct. 1;112(4):1114-9.https://doi.org/10.1093/ajcn/nqaa198 ↑Ver página 52

[49] Longato E, Acciaroli G, FacchinettiA, Hakaste L, Tuomi T, Maran A,et al. Glycaemic variability-basedclassification of impaired glucosetolerance vs. type 2 diabetes usingcontinuous glucose monitoring data.Comput Biol Med. 2018 my.;96:141-6.https://doi.org/10.1016/j.compbiomed.2018.03.007 ↑Verpágina 52

[50] Acciaroli G, Sparacino G, Hakaste L,Facchinetti A, Di Nunzio GM, PalombitA, et al. Diabetes and prediabetesclassification using glycemic variabilityindices from continuous glucosemonitoring data. J Diabetes SciTechnol. 2017 jun. 1;12(1):105-13.https://doi.org/10.1177/1932296817710478 ↑Ver página 52

[51] Barua S, Sabharwal A, GlantzN, Conneely C, Larez A, BevierW, et al. Dysglycemia in adults atrisk for or living with non-insulin

treated type 2 diabetes: insightsfrom continuous glucose monitoring.EClinicalMedicine. 2021 my.;35:100853.https://doi.org/10.1016/j.eclinm.2021.100853 ↑Verpágina 53

[52] Li C, Ma X, Yin J, Mo Y, Zhang L, Lu J,et al. The dawn phenomenon acrossthe glycemic continuum: implicationsfor defining dysglycemia. DiabetesRes Clin Pract. 2020 ag.;166:108308.https://doi.org/10.1016/j.diabres.2020.108308 ↑Verpágina 54

[53] Ehrhardt N, Al Zaghal E. Behaviormodification in prediabetes anddiabetes: potential use of real-timecontinuous glucose monitoring. JDiabetes Sci Technol. 2019 mzo.1;13(2):271-5. https://doi.org/10.1177/1932296818790994↑Ver página 54

[54] Bailey KJ, Little JP, Jung ME.Self-monitoring using continuousglucose monitors with real-timefeedback improves exercise adherencein individuals with impaired bloodglucose: a pilot study. DiabetesTechnol Ther. 2016 mzo.;18(3):185-93.https://doi.org/10.1089/dia.2015.0285 ↑Ver página 54

[55] Yost O, DeJonckheere M,Stonebraker S, Ling G, Buis L,Pop-Busui R, et al. Continuous glucose



monitoring with low-carbohydratediet coaching in adults withprediabetes: mixed methodspilot study. JMIR Diabetes. 2020dic. 16;5(4):e21551. https://doi.org/10.2196/21551↑Ver página 54

[56] Lu JY, Jia W. Using continuousglucosemonitoring for steroid-induceddiabetes. En: Jia W, editor. Continuousglucose monitoring. Singapur:Springer; 2018. Disponible en:https://doi.org/10.1007/978-981-10-7074-7_17 ↑Verpáginas 55

[57] Burt MG, Roberts GW, Aguilar-LozaNR, Frith P, Stranks SN. Continuousmonitoring of circadian glycemicpatterns in patients receivingprednisolone for COPD. JClin Endocrinol Metab. 2011jun.;96(6):1789-96. https://doi.org/10.1210/jc.2010-2729↑Ver página 55

[58] Umpierrez GE, Klono� DC.Diabetes technology update: useof insulin pumps and continuousglucose monitoring in the hospital.Diabetes Care. 2018 ag.;41(8):1579-89.https://doi.org/10.2337/dci18-0002 ↑Ver página 55

[59] Wang X. Application of theContinuous Glucose MonitoringSystem (CGMS®) in the 72-hour

fast test in two patients withhypoglycemia. Diabetes Technol Ther.2004 dic.;6(6):883-6. https://doi.org/10.1089/dia.2004.6.883↑Ver página 57

[60] Munir A, Choudhary P, HarrisonB, Heller S, Newell-Price J.Continuous glucose monitoringin patients with insulinoma. ClinEndocrinol (Oxf). 2008;68(6):912-8.https://doi.org/10.1111/j.1365-2265.2007.03161.x ↑Verpágina 57

[61] Han JF, Bao Y. Using continuousglucose monitoring for patientswith insulinoma. En: Jia W, editor.Continuous glucose monitoring.Singapur: Springer; 2018. Disponibleen: https://doi.org/10.1007/978-981-10-7074-7_17 ↑Verpágina 57

[62] Yuan T, Liu S, Zhu Ch, Dong Y,Zhu H, Wu X, et al. ContinuousGlucose Monitoring in Patients WithInsulinoma Treated by EndoscopicUltrasound-Guided Ethanol injection.Pancreas. 2021 febr. 1;50(2):183-188.https://doi.org/10.1097/MPA.0000000000001735 ↑Verpágina 57

[63] Watanabe T, Ozawa A, Ishii S,Tomaru T, Shibusawa N, Saito T,et al. Usage of continuous glucosemonitoring (CGM) for detecting



an unrecognized hypoglycemiaand management of glucocorticoidreplacement therapy in adult patientswith central hypoadrenalism.Endocr J. 2018;65(5):547-56.https://doi.org/10.1507/endocrj.EJ16-0387 ↑Verpágina 57

[64] Hanaire H, Bertrand M, Guerci B,Anduze Y, Guillaume E, Ritz P. Highglycemic variability assessed bycontinuous glucose monitoring a�ersurgical treatment of obesity by gastricbypass. Diabetes Technol Ther. 2011jun.;13(6):625-30. https://doi.org/10.1089/dia.2010.0203↑Ver página 59

[65] Kefurt R, Langer FB, SchindlerK, Shakeri-Leidenmühler S, LudvikB, Prager G. Hypoglycemia a�erRoux-En-Y gastric bypass: detectionrates of continuous glucosemonitoring(CGM) versus mixed meal test. SurgObes Relat Dis. 2015 my.;11(3):564-9.https://doi.org/10.1016/j.soard.2014.11.003 ↑Verpágina 59

[66] Abrahamsson N, EngströmBE, Sundbom M, Karlsson FA.Hypoglycemia in everyday lifea�er gastric bypass and duodenalswitch. Eur J Endocrinol. 2015 jul.1;173(1):91-100. https://doi.org/10.1530/EJE-14-0821 ↑Verpágina 59

[67] Marfella R, Barbieri M, RuggieroR, Rizzo MR, Grella R, Mozzillo AL,et al. Bariatric surgery reducesoxidative stress by blunting 24-hacute glucose fluctuations in type 2diabetic obese patients. Diabetes Care.2010 febr. 1;33(2):287-9. https://doi.org/10.2337/dc09-1343↑Ver página 59

[68] Turquetil A, Morello R, Joubert M,Le Roux Y, Reznik Y. Early continuousglucose monitoring for predictingremission of type 2 diabetes 1 yeara�er bariatric surgery. DiabetesMetab. 2021 nov.;47(6):101255.https://doi.org/10.1016/j.diabet.2021.101255 ↑Verpágina 59

Cómo citar:Matallana-Rhoades AM, Marín-Sánchez A. Tecnología en enfermedad disglucémica: monitoreocontinuo de glucosa más allá de la diabetes. Rev. Colomb. Endocrinol. Diabet. Metab. 2021. 8(1):42-68. https://doi.org/10.53853/encr.8.1.702



Capítulo 4

Modeladomatemático yEndocrinología

Carlos Esteban Builes-Montaño�https://orcid.org/0000-0002-2418-6159

Profesor asociado, Facultad de Medicina, Universidad de AntioquiaEndocrinólogo, Hospital Pablo Tobón Uribe

Comité de Tecnología, Innovación y Desarrollo en EndocrinologíaMiembro de número de la Asociación Colombiana de Endocrinología

Alex Ramírez-Rincónhttps://orcid.org/0000-0002-3925-6201

Profesor titular, Facultad de Medicina, Universidad Pontificia BolivarianaEndocrinólogo, Clínica Integral de Diabetes (CLID)

Coordinador del Comité de Tecnología, Innovación y Desarrollo en EndocrinologíaMiembro de número de la Asociación Colombiana de Endocrinología

José Fernando Botero-ArangoProfesor titular, Facultad de Medicina, Universidad Pontificia Bolivariana

Endocrinólogo, Clínica Integral de Diabetes (CLID)Miembro de número de la Asociación Colombiana de Endocrinología

� Autor de correspondencia: Carlos E. Builes-Montaño, Hospital Pablo Tobón Uribe, calle 78b#69-240, Medellín, Colombia. Correo-e: [email protected], [email protected].

Modeladomatemático y Endocrinología

C. Builes-Montaño , A. Ramírez-Rincón y J. Botero-Arango

Resumen

Propósito. Los modelos matemáticos han permitido descubrir y entender la intrincada red de comunicaciónde nuestro cuerpo a través de las hormonas, aunque sin este conocimiento la Endocrinología modernaprobablemente sería muy diferente. En este capítulo queremos introducir al lector al mundo del modeladomatemático con ejemplos del sistema endocrinológico.Contenidos. Inicialmente se presenta una descripción general de lo que es y no es un modelo, y sus posiblesusos, además de recopilar algunas de las clasificaciones de los tipos de modelos o de los componentes que loshan caracterizado. Se presentan algunos ejemplos que permitirán al lector acercarse al desarrollo de diferentesmodelos matemáticos y cómo estos facilitan entender y explicar distintos fenómenos en los campos de laEndocrinología, en el estudio del sistema tiroideo y de la diabetesmellitus.Conclusiones. Esperamos que este capítulo sirva para intrigar y motivar a aquellos dedicados a la práctica einvestigación clínica acerca de la existencia, utilidad y limitaciones de los modelos matemáticos, pero tambiénque seaútil para losmodeladores como inspiraciónpara explorar nuevos camposde aplicaciónque son retadores,como los fenómenos biológicos alrededor del sistema endocrino.

Palabras clave:modelos teóricos, Endocrinología, neuroendocrinología, tiroides, diabetes mellitus.

Introducción

La práctica médica moderna nace conla teoría microbiana de la enfermedadpropuesta en el siglo XIX y probada porPasteur y Koch (1), hasta ese momento elpensamiento médico predominante erala teoría filosófica de los cuatro humores.Con los experimentos de Pasteur cam-

bia la manera de practicar la medicina,convirtiéndose en una técnica que sebasa en el método científico. Esta trans-formación se acompañó de conceptosnovedosos como “germen”, “infección”,“transmisión de enfermedad”, “antibió-tico” y entrado el siglo XX se sumarona la práctica médica los conceptos es-tadísticos de la experimentación, dando

surgimiento a la medicina basada en loselementos de prueba (evidencia).Enesta evolución vertiginosade lame-

dicina, frecuentemente olvidamos quelos objetos de estudio de la medicina soncomplejos y nos aproximamos a ellos uti-lizando representaciones o fragmentosde la realidad.

Losmodelos

Un modelo es una representación denuestras creencias del funcionamientode un objeto o la explicación de unfenómeno y nos permite aproximarnosde manera más sencilla a una realidadqueesabrumadora.Deesto sedesprendeque unmodelo nunca será (ni pretenderá


Modeladomatemático y EndocrinologíaC. Builes-Montaño, A. Ramírez-Rincón y J. Botero-Arango

serlo) igual al objeto modelado, y de-pendiendo del propósito este adoptarápartes del objeto, por lo que se hacesiempre necesario en el proceso del mo-delado demarcar claramente los límitesdel objeto y del modelo.

El estudio de la fisiología ofrece mu-chos ejemplos de diferentes modelos.Tomemos como ejemplo la fisiología pul-monar, para su estudio fue necesarioabstraer los pulmones del cuerpo, aun-que en la realidad esto nunca sucede(excepto quizá y de forma breve duranteun trasplante de pulmón), todo lo queentendemos de la fisiología de la respi-ración aísla en mayor o menor medida laparticipacióndel restodel cuerpo (2). Aunasí, el modelo de la función pulmonarnos permite interactuar con individuosque tienen afecciones respiratorias y tra-tarlos basándonos solo en el modelo.Para el diagnóstico de dichas afeccionesutilizamos modelos gráficos obtenidosmediante el uso de rayos X (u otrastécnicas) que representan la anatomíapulmonar y hacemos un ejercicio clínicode comparación con unmodelo implícitoque reside en nuestras mentes y querepresenta a un ser humano “promedio”.

Para modelar es necesario conocer elobjeto o el fenómeno, pero no siempreeste es el caso, es por esto que durantela construcción de un modelo se recurre(de forma consciente o inconsciente) aanalogías. Las similitudes de dos objetos

o los principios que rigen dos fenómenospermiten que los vacíos en el conoci-miento que se tengan sobre uno puedanser, de manera racional, llenados con elconocimiento que se tenga del otro. Eldesarrollo del conocimiento médico esrico en el uso de analogías. Pasteur, porejemplo, paraprobar la teoríamicrobianade la enfermedad utilizó una analogía ba-sada en el conocimiento que se tenía dela fermentación y, posteriormente, Listerusó las analogías hechas por Pasteur paraformular la hipótesis de la infecciónde lasheridas quirúrgicas por gérmenes que seencuentran en el ambiente (3).

Los modelos no solo nos permitenentender y explicar la realidad, sino quebasándose en experiencias previas es po-sible intentar predecir el futuro. Al igualque en otras áreas del conocimiento, elquehacer del médico lo enfrenta con de-masiada frecuencia a situaciones en lascuales es necesario hacer predicciones.Predecir los efectos adversos asociadosa una intervención, el curso de unaenfermedad, la respuesta a una terapia,etc., y aunque la predicción es funda-mental para la toma de decisiones, esposible que la incomodidad que producela incertidumbre nos lleve a valorar estepropósito de los modelos por encima deotros.

Como lo expone Epstein (4), los mo-delos pueden servir a otros propósitosdiferentes a la explicación y la predicción.



Por ejemplo, el modelo de la excursiónde la glucosa posprandial se basaba,hasta finales del siglo XX en los datosobtenidos de experimentos hechos coninfusiones intravenosas de glucosa; sinembargo, un nuevo modelo basado enmediciones de glucosa después de unacomida llevó a reescribir el modelo ya proponer la existencia de un nuevogrupo de hormonas que son determinan-tes para el metabolismo de la glucosadespués de la ingesta de una comida ricaen carbohidratos, el efecto incretina (5).

El modelo del cuerpo humano adop-tado por la medicina occidental es unobiomecánico, el cual probablemente co-menzó a formarse con la propuesta deDescartes de separar el “alma” animadadel cuerpo mecánico y fue madurandoal incorporar elementos de la física me-

canicista de Newton (6). Esta visión hizoposible la transformación del cuerpo enunobjeto científico sujeto a los principiosfundamentales de la física, los cualesson formulados como ecuaciones mate-máticas e incluyen la conservación demasa y energía, las leyes de la mecánicade Newton, entre otras, y la mayoríaexpresan un balance entre cantidades.El modelo biomecánico del cuerpo

también permite que su estudio pue-da hacerse por sistemas y estos sonsusceptibles de ser analizados medianteanalogías con otros. Dentro de la teoríade sistemas estos pueden clasificarse endiferentes tipos:

• De parámetros concentrados, enlos cuales su estado y evoluciónestán en función de únicamente unavariable física.



• De parámetros distribuidos, dondehay que considerar que su estado yevolución están en función de másde una variable física.

• Lineales en el tiempo, en los que secumplen las propiedades de homo-geneidad (la salida es proporcional ala entrada) y aditividad (si la entradaes la suma de varias señales, lasalida será la suma de las salidascorrespondientes a cada señal deentrada).

• No lineales, los cuales no cumplenambas propiedades y todos estossistemas pueden ser constantes odinámicos que varían en el tiempo.

Lamayoría de los sistemas endocrinosson no lineales, cambian en el tiempo(dinámicos) y tienen múltiples capas oniveles (multinivel), en el sentido queen ellos convergen, por ejemplo, unossistemas de control (primer nivel), unasglándulas secretoras (segundo nivel) yunos tejidos receptores de señales (ter-cer nivel) en constante retroalimenta-ción a través de señales (por ejemplo,hormonas), cuya intensidad varía en eltiempo (ciclos ultradianos, circadianos,etc.). Lo anterior ha hecho que exista unespecial interés pormodelar los sistemasendocrinos y esto a la vez ha permitidoexpandir nuestro conocimiento, siendoeste aspecto fundamental en la forma

en como entendemos la endocrinologíamoderna.

Diferentes tipos demodelos

Existen muchas maneras de crearmodelos. Casi todo el tiempo utili-zamosmodelosmentales implícitosen los cuales las suposiciones noson visibles, la consistencia no hasido probada y no han sido formal-mente contrastados condatos expe-rimentales (4). Los modelos puedenagruparse de muchas maneras, acontinuación se presentan algunas,reconociendo que estas no son ex-haustivas ni excluyentes.

Una primera clasificación separa losmodelos enaquellos a los quenos aproxi-mamos con nuestros sentidos “modelosfísicos”. Ejemplos de estos serían los mo-delos materiales como los de vehículosa escala, también las representacionesgráficas como un mapa y las auditivascomo el lenguaje. Existen tambiénmode-los que están solo en nuestras mentes,en esta categoría estarían los implícitosque utilizamos diariamente para tomardecisiones. También hay modelos “abs-tractos” como los aritméticos.Una segunda clasificación se realiza

según el nivel de conocimiento de unfenómeno u objeto a partir del cualson creados aquellos modelos que sebasanprincipalmente enel conocimiento



teórico de un fenómeno o las mecánicasdetrás de las relaciones en sus nive-les, estos son llamados “mecanicistaso teóricos”. Mientras que aquellos queno tienen en cuenta las mecánicas delsistemasinoque se construyenapartir delos cambios cuantitativos que ocurren alinterior (datos) son llamados “empíricos”,estos son también llamados como “cajablanca” (white box) y “caja negra” (blackbox) (7).

Uno de los propósitos que frecuen-temente relacionamos con los mo-delos es la predicción, y de acuerdocon el tipo que estos hagan surgeuna tercera clasificación como mo-delos “deterministas”, aquellos quearrojan el mismo resultado dadauna condición inicial ignorando lavariación aleatoria, se piensa porejemplo en una herramienta favo-rita de predicción de riesgo car-diovascular. Algunos modelos in-corporan la incertidumbre y pre-dicen la distribución de múltiplesposibles resultados, estos modelosson descritos frecuentemente como“estocásticos” (8).

Un modelo matemático traduce lascreencias que tenemos de un objeto o fe-nómeno al lenguaje de las matemáticas.Un lenguaje que espreciso, conciso, tieneunas reglas claras para su manipulacióny que hemos usado por siglos y estos

resultados los tenemos disponibles (8).

Como se mencionó previamente, lossistemas endocrinos son complejos y suscaracterísticas hacen que al ser traduci-dos al lenguaje matemático el modeloresultante requieran un extenso gradode cómputo y, precisamente, el avanceen las herramientas disponibles para re-solver estos modelos ha impulsado elinterés actual por ellos. Los modelosmatemáticos computacionales permitenresolver un gran número de ecuacionesque pueden representar un fenómenobiológico complejo y pudieran ayudar enel estudio de elementos puntuales comola respuesta de estos sistemas a señalesinternas, externas o a perturbaciones,pero adicionalmente, unmodelo permiterealizar simulaciones, las cuales no estánsujetas a las restricciones tradicionalesde los experimentos biológicos como laséticas, las económicas y las tecnológicas.Además, por medio de simulaciones esposibleobtenermedicionesqueenunsu-jeto de experimentación serían algunasveces imposibles o inviables. Finalmente,a diferencia de los experimentos biológi-cos, las simulaciones pueden ser repeti-das muchas veces con tantas variacionescomo el científico desee, permitiendodiseñar y guiar futuros experimentos.

A continuación, se presentan algunosejemplos de la aplicación del modeladomatemático en algunos de los sistemasendocrinos.



Modelado matemático y la neuroendo-crinología

El sistema neuroendocrino del hipo-tálamo y la hipófisis es uno de los másconservados entre los vertebrados esfundamental para la supervivencia delindividuo y de la especie (reproducción).En este convergen varios niveles e in-trincados mecanismos de regulación enlos que se sobreponen los ciclos ultra-dianos a los circadianos y el modeladomatemático ha permitido conocer estosmecanismos y dar explicación a algunoshallazgos experimentales. A continua-ción, se presentan algunos ejemplos delmodelado matemático y sus aportes a laneuroendocrinología.

- Mecanismos de secreción de vaso-presina: se conocen las funcionesde la vasopresina para modular ladiuresis y la contracción vascular,manteniendo el balance hídrico yde electrolitos mediante un meca-nismo regulado principalmente porla osmolaridad. El modelado mate-

mático permitió entender el intrin-cado mecanismo de estímulo y laliberación de la vasopresina. Cadaneurona liberadora de vasopresinaexhibe unadespolarizaciónmediadapor mecanismos no lineales depen-dientes de Ca2+ y K+ y ello se acoplaa otros mecanismos no lineales deliberación hormonal. La experimen-tación clínica mostró cómo ante unestímulo osmótico las neuronas pro-ducíandisparos en ráfagasde20a60segundos, seguidopor “silencios” de15 a 30 segundos, también cómo losdisparos celulares son asincrónicos yque así la liberación de vasopresinatermina siendo continua (9).

Al usar modelos matemáticos se lo-gró relacionar la asincronía entre lascélulas con una ventaja para man-tener la secreción de vasopresina acambios pequeños pero sostenidosen la osmolaridad (10). Otra de lascaracterísticas importantes de estesistema que pudo ser dilucidado uti-lizando modelos matemáticos es la



capacidad de secreción prolongadanecesaria para evitar la deshidrata-ción ante estímulos osmóticos con-tinuos, la heterogeneidad en la ve-locidad de respuesta celular explicacómo aquellas células más velocesagotan sus reservas de vasopresinamás rápido, mientras que las máslentas pueden mantener la respues-ta hasta por 24 horas, garantizandounsuministroprolongadodehormo-na (11).

- Ciclo ovárico ypulsodegonadotro-finas: las diferencias en los ciclos desecreción de hormona luteinizante(LH), entre hombres y mujeres, quepermiten la espermatogénesis y laovulación han sidomotivo de interésy la comprensión de este fenómenoes parcial. Uno de los aspectos másmisteriosos y fascinantes de estesistema es la capacidad de ampli-ficación de la señal de la hormonaliberadora de gonadotrofinas (GNRH)que lleva al gran aumento en lasecreción de LH necesaria para laovulación. Al usar un modelo mate-mático compartimental de dos vías,Evans, Wilkinson y Wall (12) lograronexplicar el papel de varios péptidosen este mecanismo, así como lacapacidad de autocebado no solode las células productoras de LHsino también de las productoras deGnRH, permitiendo entender y pro-

poner un tratamiento en diferentesalteraciones de la reproducción.El ciclo menstrual también ha si-do modelado con el propósito decomprenderlo y predecir la variacióndurante el ciclo de las diferenteshormonas que intervienen y com-prender la naturaleza de los ciclosanovulatorios en las mujeres quetienen síndrome de ovario poliquís-tico (13, 14) y también para proponeresquemas de tratamiento con análo-gos de la GnRH (15).

- Hormona del crecimiento: el con-trol en la secreción de la hormo-na del crecimiento dual, su estímu-lo por la hormona liberadora dehormona del crecimiento (GHRH) ysu inhibición por la somatostatinaparece mucho más simple que elcontrol dual sobre la LH y la hormonafolículo-estimulante (FSH). Mediantela experimentación animal se esta-bleció que no es la liberación sinosu pulsatilidad la que es responsablede la velocidad de crecimiento, eldimorfismo sexual que exhibenalgu-nas especies (16) y la respuesta a laGH exógena y los diferentes posiblespatrones de administración (17).Uno de los hallazgos más interesan-tes que se repite en todos los mo-delos es la existencia de un retrasoentre la señal de la somatomedinaC(IGF1) o la GH y la liberación de



somatostatina, este retraso no tieneuna clara explicación y se sugiere laexistencia de un mecanismo de au-tocebado en las células liberadorasde somatostatina o la existencia deun factor no descrito que tambiénmodula este sistema (18, 19).

- Hormona adrenocorticótropa(ACTH): para los mamíferos, laproducción de cortisol es esencialpara la vida. El mecanismo decontrol hipotalámico-hipofisario deeste eje es complejo, incluyendo lasuperposición de un ciclo ultradianocon uno circadiano y las señalesregulatorias redundantes. Uno delos hallazgos reportados, haciendouso de modelos matemáticos, es laposibilidaddequeel ciclo ultradianode la secreción de ACTH pudieraocurrir independientemente de laacción de la hormona liberadorade corticotropina (CRH), abriendola posibilidad a que la producciónde ACTH ante un estresor serelacione con el momento en elciclo ultradiano en que este ocurra,por sobre su capacidad para inducirliberación de CRH (20, 21).

Modeladomatemático y eje tiroideo

Se considera a la hormona estimu-lante tiroidea (TSH) como el reflejo delequilibrio de su eje de control y, poresto, el diagnóstico de la mayoría de las

alteraciones en la función de la glándulade tiroides se evalúan de forma indirectacon la medición de su concentración; sinembargo, algunos trabajos con modelosmatemáticos de este eje han retado laconcepción de un sistema relativamenteestático y proponen que las relacionesentre la TSH y la concentración de lashormonas libres en sangre (T4 y T3),son cambiantes y la existencia de unmecanismo de secreción de T3 reguladodirectamente por la TSH, lo que explicaríala variación ultradiana en la concentra-ción periférica de esta hormona y unamenor producción de T4 estimulada porla TSH, este conocimiento pudiera serútil para entender fenómenos como laincongruencia que se presenta entre losvalores de TSH y las hormonas tiroideasen los pacientes con hipotiroidismo sub-clínico, cuya definición es bioquímica yestá basada en la anormalidad estadísti-ca de la medición (22).

El modelado matemático tambiénha permitido entender la relaciónque existe entre la concentración dehormonas tiroideas y la liberaciónde TSH, no simplemente como unarelación inversa sino un poco máscompleja en términos matemáticosquepermitenexplicar laprolongadasupresión en la secreción de TSHque se ve en algunos estados dehipertiroidismo (23).



Modelado matemático y diabetesmellitus

El comportamiento de la glucosa yla principal condición resultante de sualteración, la diabetes mellitus, han sidosujetos de interés para los modeladores.Ajmera et al. (24) hacen una excelenterevisiónde losmodelosdisponibles hasta2012 y proponen una clasificación encategorías de acuerdo con la informaciónque utilizan para su construcción.Los “modelos clínicos” son estructu-

ralmente simples, usualmente contienensolo descripciones biológicas esencialesy tienen como propósito emular la in-formación clínica disponible. Por otrolado, y a diferencia de los primeros, los“modelos basados en conocimiento ofisiológicos” sonmayormente mecánicoso de primeros principios, tratan de des-cribir diferentes fenómenos biológicosrelacionados con el control de la glucosay suelen tener una mayor cantidad deinformación del conocimiento fisiológicode los procesos.Ulteriormente estos modelos pudie-

ran tener también utilidad clínica. Estos

han sido clasificados según su propósito(25,26): están aquellos que son utilizadospara evaluar pruebas diagnósticas; parala construcción de controladores parauso en sistemas de páncreas artificial;para la predicción del comportamientode una condición, por ejemplo, de ladiabetes mellitus y sus complicaciones;para evaluar características farmacológi-cas de medicamentos como la insulinao para describir el comportamiento dela glucosa en diferentes órganos o elcuerpo completo, incluyendo escenarioshipotéticos. También existen modelos decostos asociados con el tratamiento dela diabetes. Fritzen, Heinemann y Schnell(26), basados en lo anterior, proponenclasificar losmodelos como“metabólicosy de medición, y de desarrollo”.

Una revisión exhaustiva del tipode modelos y su aplicabilidad enel campo de la diabetes mellitusescapa al propósito de esta revi-sión, pero de manera resumida sepresentan algunas de las técnicasutilizadas.



- Modelos compartimentales: unode los modelos más conocidos es elmodelo de un solo compartimiento,el cual se divide en los indepen-dientes de la insulina y donde seconsidera un solo “estanque” o“piscina” de glucosa venosa, unaentrada (aparición de glucosa) y unasalida (desaparición de glucosa) ylos dependientes de insulina quetienen dos estanques, uno paraglucosa plasmática y otro parainsulina remota. El estanque de laglucosa tiene una entrada y dossalidas, la tasa de desaparición de laglucosahacia el hígadoya los tejidosperiféricos. El estanque periféricode la insulina tiene una entradadesde la insulina plasmática y unasalida al plasma. Ambos modelosfueron propuestos por Bergman,et al. (27) a partir del trabajo deBolie (28) para el estudio de lasensibilidad periférica a la insulina, yelmodelodependientede la insulinafue expandido por Cobelli et al. (29).Estemodelomínimo asumeuna tasade aparición constante de glucosay permite calcular la efectividad yla sensibilidad a la glucosa parainterpretar el test de toleranciaintravenoso a la glucosa (IVGTT). Porsu simplicidad, este es el modelomás ampliamente utilizado paraestimar la sensibilidad a la insulina.Los modelos con un solo comparti-

miento simplifican la cinética de laglucosa a una distribución uniformepor fuera de las células. Losmodeloscon dos compartimientos tratan deresolver este problema añadiendoun compartimiento adicional para laglucosa del líquido intersticial.En el modelo independiente de in-sulina, la glucosa pasa al compar-timiento 1 desde el hígado (pro-ducción hepática de glucosa) y am-bos compartimientos tienen una co-municación bidireccional. Desde elcompartimiento 1 hay una pérdidairreversible por la captación de lostejidos, independiente a la acción dela insulina y una pérdida irreversibledesde el compartimiento 2, el cualrepresenta la captación de glucosaestimulada por la misma (30) (verfigura 1).La versión dependiente de insulinapropuesta por Caumo y Cobelli (31)para evaluar la producción hepáticade glucosa contiene dos estanquespara la glucosa y uno remoto parala insulina. Así existen dos comparti-mientos para la extracciónde la insu-lina,unodependientede laaccióndela insulina y otro independiente.Cobelli propuso un modelo con trescompartimientos para describir elpaso entre el momento inicial y elfinal de un experimento de pinzaeuglucémica-hiperinsulinémica (32).



Figura 1. Representación gráfica de los modelos compartimentales de la glucosa. A. Modelo mínimo de un compartimientoindependiente de la insulina.B. Modelomínimo de un compartimiento dependiente de la insulina. C.Modelomínimo de doscompartimientos independientes de la insulina. D. Modelo mínimo de dos compartimientos dependientes de la insulina.E.Modelo mínimo de tres compartimientos.

Fuente: elaboración propia.

Un primer compartimiento repre-senta la producción de glucosa, elsegundo los tejidos periféricos que

alcanzan un equilibrio rápido deglucosa y el tercero aquellos con unequilibrio lento. El segundo compar-



timiento está relacionado con teji-dos como el hígado, los riñones y elcerebro, mientras que el tercero conel músculo y el tejido adiposo.

El incremento en el número de com-partimientos se ha dado para tratarde representar mejor los fenómenosque rodean a la homeostasis de laglucosa; sin embargo, esto implicaasumir nuevas suposiciones y volvermás complejos los modelos.

- Otras técnicas de modelado: otrastécnicas de modelado se han pro-puesto, Ghosh y Maka (33) propu-sieron un modelo no lineal autorre-gresivo, en el cual el valor de laglucosa en el instante actual depen-de tanto del valor inmediatamenteanterior como del valor de insulina.Este modelo fue desarrollado con elpropósito de ser usado dentro de unalgoritmo de control.

Otro modelo no lineal de efectosmixtos fue desarrollado para estimarla sensibilidad a la insulina a partirde los datos solo de la glucosa enplasma, obviando la necesidad demedir los niveles de insulina y sudesempeño es aceptable para estefin (34).

- Extensiones al modelo mínimo pa-ra incluir un estímulo oral: el mo-delo mínimo y sus extensiones fue-ron ideados para analizar primor-

dialmente un estímulo venoso, fueraen forma de un bolo o de unainfusión continua; sin embargo, losexperimentos necesarios para pro-veer datos para estos modelos sonengorrosos, toman tiempo, exponena los sujetos de experimentación asituaciones incómodas y tienen unalto costo.

El grupodeDallaMan, Rizza y Cobelli(36) probó varios modelos gastroin-testinales con una novedosa técnicademúltiples trazadores y protocolosorales, los cuales permiten estimarla tasa de absorción de glucosa paraderivar un modelo que tuviera unaentrada de glucosa a través del trac-to gastrointestinal para utilizar conel test de tolerancia oral a la glucosa(OTTG).

- Modelos matemáticos empíricosde la homeostasis de la glucosa:los modelos empíricos o derivadosenteramente desde los datosrequieren usualmente de grandescandidatos de ellos. Esta había sidouna de las grandes limitantes en laexpansión de este tipo de modelosque se basan principalmente enaprendizaje de máquinas, sinembargo, con el incremento enel uso de sensores continuoso intermitentes de glucosa, ladisponibilidad de estos datos haaumentado, así como la cantidad de



modelos empíricos, especialmenteen el área de la predicción.

Una revisión sistemática de la lite-ratura reciente que sintetiza la evi-dencia disponible acerca de los mo-delos empíricos (data driven) (37)encontró que la mayoría se handesarrollado después del 2010.

Las técnicas más utilizadas son lasredes neurales prealimentadas, los mo-delos híbridos que combinan un mo-delo fisiológico con alguna forma deaprendizaje de máquinas y las redesneuronales recurrentes. Lamayoría tieneun horizonte de predicción menor a los30 minutos, aunque tiempos tan largoscomo dos horas se han reportado. Losmodelos han utilizado datos de más omenos 288 mediciones diarias, durantedos y 1400 días, y las métricas utilizadaspara evaluar la capacidad de prediccióndel modelo son tan variadas que nopermiten hacer una evaluación conjuntade los resultados.

Conclusiones

Se ha presentado demanera resumidael papel que ha tenido el modeladomatemático en el desarrollo de la endo-crinología, con ejemplos en el desarrolloteórico de la fisiología endocrina; el des-cubrimiento de potenciales nuevas expli-caciones para hallazgos experimentales,

retando los paradigmas tradicionales; lapredicción de situaciones clínicas y eldesarrollo farmacológico y tecnológico.Este escrito no es sino un esbozo y enla literatura pueden encontrarse muchosmás ejemplos, por lo que es muy proba-ble que este campo siga expandiéndosea medida que nuevas soluciones mate-máticas puedan ser aplicadas y las ca-pacidades de cómputo permitan resolvermodelos cada vez más complejos.Los modelos están presentes en todos

los aspectosde la vida, facilitan el relacio-namiento con la realidad, siendo tambiénuna parte importante de la manera paraentender el mundo y como endocrinó-logos deberíamos conocer sus aspectosfundamentales, sus limitaciones y susaplicaciones.

Referencias

[1] Koch R. An address on bacteriologicalresearch. BMJ. 1890;2(1546):380-3.https://doi.org/10.1136/bmj.2.1546.380 ↑Ver página 70

[2] Hocke AC, Suttorp N, Hippenstiel S.Human lung ex vivo infection models.Cell Tissue Res. 2017;367(3):511-24.https://doi.org/10.1007/s00441-016-2546-z ↑Verpágina 71

[3] Toledo-Pereyra LH. JosephLister’s surgical revolution. JInvest Surg. 2010;23(5):241-3.



https://doi.org/10.3109/08941939.2010.520574 ↑Verpágina 71

[4] Epstein JM. Why model? JASSS.2008;11(4):12. ↑Ver páginas 71, 73

[5] Nauck MA, Homberger E, Siegel EG,Allen RC, Eaton RP, Ebert R, et al.Incretin e�ects of increasing glucoseloads in man calculated from venousinsulin and C-peptide responses. J ClinEndocrinol Metab. 1986;63(2):492-8.https://doi.org/10.1210/jcem-63-2-492 ↑Ver página 72

[6] Marcum JA. Biomechanical andphenomenological models of thebody, the meaning of illness andquality of care. MedHealth Care Philos.2004;7(3):311-20. ↑Ver página 72

[7] Zhang P. Advanced industrial controltechnology. [lugar deconocido]: Wi-lliam Andrew; 2010. ↑Ver página 74

[8] Marion G, Lawson D, editores. An in-troduction tomathematicalmodelling.[luagr desconocido]:[editorial desco-nocida]; 2015. ↑Ver página 74

[9] Roper P, Callaway J, Armstrong W.Burst initiation and termination inphasic vasopressin cells of the ratsupraoptic nucleus: a combinedmathematical, electrical, andcalcium fluorescence study. JNeurosci. 2004;24(20):4818-31.https://doi.org/10.1523/

JNEUROSCI.4203-03.2004 ↑Verpágina 75

[10] MacGregor DJ, Leng G. Phasic firingin vasopressin cells: understandingits functional significance throughcomputational models. PLOSComput Biol. 2012;8(10):e1002740.https://doi.org/10.1371/journal.pcbi.1002740 ↑Verpágina 75

[11] MacGregor DJ, Leng G. Spiketriggered hormone secretionin vasopressin cells; a modelinvestigation of mechanismand heterogeneous populationfunction. PLOS Computat Biol.2013;9(8):e1003187. https://doi.org/10.1371/journal.pcbi.1003187 ↑Ver página 76

[12] Evans JJ, Wilkinson TM, Wall DJ. Atwo-pathway mathematical modelof the lh response to GnRH thatpredicts self-priming. Int J Endocrinol.2013:410348. https://doi.org/10.1155/2013/410348 ↑Verpágina 76

[13] Harris LA, Selgrade JF. Modelingendocrine regulation of the menstrualcycle using delay di�erentialequations. Math Biosci. 2014;257:11-22.https://doi.org/10.1016/j.mbs.2014.08.011 ↑Ver página 76

[14] Hendrix AO, Hughes CL, SelgradeJF. Modeling endocrine control of the



pituitary–ovarian axis: androgenicinfluence and chaotic dynamics.Bull Math Biol. 2014;76(1):136- 56.https://doi.org/10.1007/s11538-013-9913-7 ↑Verpágina 76

[15] Röblitz S, Stötzel C, DeuflhardP, Jones HM, Azulay DO, van derGraaf PH, et al. A mathematicalmodel of the human menstrualcycle for the administration of GnRHanalogues. J Theor Biol. 2013;321:8-27.https://doi.org/10.1016/j.jtbi.2012.11.020 ↑Ver página 76

[16] Farhy LS, Straume M, Johnson ML,Kovatchev B, Veldhuis JD. Unequalautonegative feedback by GH modelsthe sexual dimorphism in GH secretorydynamics. Am J Physiol Regul IntegrComp Physiol. 2002;282(3):R753-64.https://doi.org/10.1152/ajpregu.00407.2001 ↑Verpágina 76

[17] Clark RG, Robinson ICAF. Growthinduced by pulsatile infusion ofan amidated fragment of humangrowth hormone releasing factorin normal and GHRF-deficient rats.Nature. 1985;314(6008):281-3. https://doi.org/10.1038/314281a0↑Ver página 76

[18] Evans WS, Farhy LS, JohnsonML. Biomathematical modelingof pulsatile hormone secretion:

a historical perspective. MethodsEnzymol. 2009; 454:345-66.https://doi.org/10.1016/S0076-6879(08)03814-7 ↑Verpágina 77

[19] Steyn FJ. Nutrient sensingoverrides somatostatin and growthhormone-releasing hormone tocontrol pulsatile growth hormonerelease. J Neuroendocrinol.2015;27(7):577- 87. https://doi.org/10.1111/jne.12278 ↑Verpágina 77

[20] Walker JJ, Terry JR, Lightman SL.Origin of ultradian pulsatility in thehypothalamic-pituitary-adrenal axis.Proc Biol Sci. 2010;277(1688):1627-33.https://doi.org/10.1098/rspb.2009.2148 ↑Ver página 77

[21] Rankin J, Walker JJ, WindleR, Lightman SL, Terry JR.Characterizing dynamic interactionsbetween ultradian glucocorticoidrhythmicity and acute stressusing the phase response curve.PLOS ONE. 2012;7(2):e30978.https://doi.org/10.1371/journal.pone.0030978 ↑Verpágina 77

[22] Berberich J, Dietrich JW, HoermannR, Müller MA. Mathematical modelingof the pituitary-thyroid feedback loop:role of a TSH-T(3)-shunt and sensitivityanalysis. Front Endocrinol (Lausanne).



2018;9:91. https://doi.org/10.3389/fendo.2018.00091 ↑Verpágina 77

[23] Leow MK. A mathematical modelof pituitary-thyroid interactionto provide an insight into thenature of the thyrotropin-thyroidhormone relationship. J TheorBiol. 2007;248(2):275-87. https://doi.org/10.1016/j.jtbi.2007.05.016 ↑Ver página 77

[24] Ajmera I, Swat M, Laibe C, Le NovereN, Chelliah V. The impact of mathema-tical modeling on the understandingof diabetes and related complications.CPT Pharmacometrics Syst Pharma-col. 2013;2:e54.https://doi.org/10.1038/psp.2013.30 ↑Ver pági-na 78

[25] Lema-Perez L, Aguirre-Zapata E,García-Tirado J. Recent advancesin mathematical models for theunderstanding and treatment ofType 1 Diabetes Mellitus. 2015 IEEE2nd Colombian Conference onAutomatic Control (CCAC); 2015.pp. 1-6. https://doi.org/10.1109/CCAC.2015.7345212 ↑Verpágina 78

[26] Fritzen K, Heinemann L, SchnellO. Modeling of diabetes andits clinical impact. J DiabetesSci Technol. 2018;12(5):976-84.

https://doi.org/10.1177/1932296818785642 ↑Ver página 78

[27] Bergman RN, Ider YZ, BowdenCR, Cobelli C. Quantitativeestimation of insulin sensitivity.Am J Physiol. 1979;236(6):E667-77.https://doi.org/10.1152/ajpendo.1979.236.6.E667 ↑Verpágina 79

[28] Bolie VW. Coe�icients ofnormal blood glucose regulation.J Appl Physiol. 1961;16:783-8.https://doi.org/10.1152/jappl.1961.16.5.783 ↑Verpágina 79

[29] Cobelli C, Pacini G, To�olo G, SaccaL. Estimation of insulin sensitivityand glucose clearance from minimalmodel: new insights from labeledIVGTT. Am J Physiol EndocrinolMetabol. 1986;250(5):E591-E8.https://doi.org/10.1152/ajpendo.1986.250.5.E591 ↑Verpágina 79

[30] Radziuk J, Norwich KH, VranicM. Experimental validationof measurements of glucoseturnover in nonsteady state. AmJ Physiol. 1978;234(1):E84-93.https://doi.org/10.1152/ajpendo.1978.234.1.E84 ↑Verpágina 79

[31] Caumo A, Cobelli C. Hepaticglucose production during the



labeled IVGTT: estimation bydeconvolution with a new minimalmodel. Am J Physiol EndocrinolMetabol. 1993; 264(5):E829-E41.https://doi.org/10.1152/ajpendo.1993.264.5.E829 ↑Verpágina 79

[32] Cobelli C, To�olo G, Ferrannini E. Amodel of glucose kinetics and theircontrol by insulin, compartmentaland noncompartmental approaches.Math Biosci. 1984; 72(2): 291-315.https://doi.org/10.1016/0025-5564(84)90114-7 ↑Verpágina 79

[33] Ghosh S, Maka S. A NARXmodeling-based approach forevaluation of insulin sensitivity.Biomed Signal Process Control.2009;4(1):49-56. https://doi.org/10.1016/j.bspc.2008.08.002 ↑Ver página 81

[34] Yates JWT, Watson EM. Estimatinginsulin sensitivity from glucose levelsonly: use of a non-linear mixed e�ectsapproach and maximum a posteriori(MAP) estimation. Comput Meth

Programs Biomed. 2013;109(2):134-43.https://doi.org/10.1016/j.cmpb.2011.12.014 ↑Ver página 81

[35] Basu R, Di Camillo B, To�oloG, Basu A, Shah P, Vella A, etal. Use of a novel triple-tracerapproach to assess postprandialglucose metabolism. Am J PhysiolEndocrinol Metab. 2003;284(1):E55-69.https://doi.org/10.1152/ajpendo.00190.2001 ↑Ver página

[36] Dalla Man C, Rizza RA, CobelliC. Meal simulation model of theglucose-insulin system. IEEE TransBiomed Eng. 2007;54(10):1740-9.https://doi.org/10.1109/TBME.2007.893506 ↑Ver página 81

[37] Woldaregay AZ, Årsand E,Walderhaug S, Albers D, MamykinaL, Botsis T, et al . Data-drivenmodeling and prediction of bloodglucose dynamics: machine learningapplications in type 1 diabetes.Artif Intell Med. 2019;98:109-34.https://doi.org/10.1016/j.artmed.2019.07.007 ↑Verpágina 82

Cómo citar:Builes-MontañoCE,Ramírez-RincónA,Botero-ArangoJF.ModeladomatemáticoyEndocrinología.Rev. Colomb. Endocrinol. Diabet. Metab. 2021. 8(1): 69-86. https://doi.org/10.53853/encr.8.1.702



Capítulo 5

Inteligencia artificial: una nuevadimensión en Endocrinología

Carlos Alberto Cure-Cure�Asociación Colombiana de Endocrinología, Diabetes y Metabolismo

Guillermo Edinson Guzmán-Gómezhttps://orcid.org/0000-0001-7969-0849

Asociación Colombiana de Endocrinología, Diabetes y Metabolismo

� Autor de correspondencia: Carlos Alberto Cure-Cure, Clinisánitas Colina Campestre, Cra. 59 Nº 72- 115, Bogotá, Colombia. Correo-e: [email protected]

Inteligencia artificial: una nueva dimensión enEndocrinología

C. Cure-Cure y G. Guzmán-Gómez

Resumen

Propósito. La medicina moderna está enfrentada al reto de adquirir, analizar y aplicar una gran cantidad deconocimiento para resolver problemas clínicos complejos y la tecnología es una herramienta clave de esteproceso. La promesa de la inteligencia artificial (IA) es proveer herramientas efectivas para mejorar la prácticamédica con diferentes técnicas.Contenido. En el siguiente capítulo se describen los tipos de inteligencia artificial, además de las diferentestécnicas, de roles protagónicos, en el contexto de su implementación en medicina y, específicamente, enEndocrinología; allí se reconoce a la diabetes como su área de mayor influencia con las redes neuronales ybayesianas, los bosques aleatorios, el machine learning, entre otros. Se aborda cómo el su uso actual de la IAincluye el análisis de resultados para estudios de investigación, sistemas de soporte a la decisión clínica y otrostantos más.Conclusiones. La incorporación de la IA ofrece beneficios en la práctica médica actual, en la Endocrinología,desde el diagnóstico hasta el tratamiento; se reconocen los vacíos y los terrenos por explorar. En el tiempo nosveremos expuestos a un incremento exponencial de su uso en la medicina, asistiendo al personal médico paragenerar una optimización y unamejora de la atención en salud.

Palabras clave: Endocrinología, inteligencia artificial, manejo, predicción.

Introducción

La IA se define como la ciencia deconstruirmáquinas que hagan cosas que,si las hicieran los humanos, requeriríande inteligencia. La IA como ciencia mo-derna es el resultado de la confluencia dediferentes corrientes intelectuales (teoríade la computación, cibernética, teoría dela información y procesamiento simbó-lico), desarrollada sobre los cimientosformales de la lógica y la matemáticadiscreta e impulsada por el desarrollode computadores digitales que cada veztienen una mayor capacidad y velocidadde procesamiento (1).

La IA se refiere entonces a un sistemacomputarizado que simula la inteligenciahumanao laconducta inteligentecomoelaprendizaje, el raciocinio y la resoluciónde problemas. Su potencial para explotarlas relaciones significativas con un grupode datos puede ser usado en la medicinapara el diagnóstico, el tratamiento yla predicción de desenlaces en muchosescenarios clínicos.La medicina moderna está enfrentada

con los retosdeadquirir, analizar yaplicarla gran cantidad de conocimientos ne-cesarios para resolver complejos proble-mas clínicos. Su promesa es proveer deherramientas efectivas para mejorar


Inteligencia artificial: una nueva dimensión en EndocrinologíaC. Cure-Cure y G. Guzmán-Gómez

la práctica médica (2–4) y esta ha evo-lucionado rápidamente, teniendo un po-tencial importante en la toma de decisio-nes clínicas basadas en evidencia para laasistencia médica como investigación.La IA irrumpe con fuerza en el sector

de la salud, tanto en la asistencia comoen la investigación. Para fomentar su im-plantación con seguridad desde el puntode vista ético-legal, es prioritario anoni-mizar los datos y que estas herramientasayuden a tomar decisiones sin reempla-zar al profesional, quien debe continuarpresidiendo la relación médico-paciente.

Tipos de IA

Existen diferentes técnicas de IA: redesneuronales y bayesianas, bosques alea-torios, máquinas de soporte vectorial ymachine learning, entre otros. De todosestos, elmachine learning (ML) ha sido elde mayor crecimiento y aplicación en elcampo de lamedicina. Este es un sistemaque entrena un modelo predictivo paraidentificar patrones o datos de entrada,los cuales son usados para tomar deci-siones. El ML puede aprender y mejorarde la experiencia y ahora es usado endiferentes áreas como la robótica o lastecnologías de voz. En el ML existendiferentes algoritmos como el aprendi-zaje supervisado, el no supervisado, elreforzado y el profundo.El aprendizaje supervisado usa datos

deentrada yalgunosde salida conocidos.

Este modelo identifica patrones que soncorrelacionados con los datos de entradapara tomar decisiones y el objetivo delaprendizaje es derivar una función queinfiera la salida más deseada para lanueva entrada del conjunto de datospreviamente etiquetados. Este tipo deIA ha sido usado para soportar decisio-nes clínicas en imágenes médicas, paradiagnosticar cáncer o, por ejemplo, enel análisis de registros clínicos electróni-cos para realizar predicciones respecto arecurrencia, pronóstico y mortalidad deenfermedades.

El aprendizaje no supervisado esusado para descubrir estructuras de da-tos y hacer predicciones basadas endatosde ingresoúnicamente. Este tipodeaprendizaje explora estructuras o patro-nes en conjuntos de datos sin etiquetar, osea, datos generales como sería ingresaruna foto de un caballo sin que se diga quees un caballo. En medicina, se ha venidousando este aprendizaje para predecirel riesgo de enfermedades basado envariaciones genéticas.

El aprendizaje por refuerzo es másautónomo, permite que un agentecomputarizado tome acciones e interac-túe conel ambienteusando recompensasy errores como retroalimentación paraguiar el entrenamiento. Un ejemplo deeste último son los vehículos autónomos.En medicina podrían ser usados encirugía robótica asistida.



Por último, el aprendizaje profun-do descubre estructuras complicadas degrandes datos usando algoritmos de re-tropropagación operados en múltiplesniveles, se usa una estructura jerárquicade redes neuronales artificiales que seconstruyende forma similar a la estructu-ra neuronal del cerebro. La primera capade la red neuronal procesa, extrae infor-mación y la transmite a la siguiente capacomo salida (proceso que se repite endiferentes capas hasta la capa final paraobtener la predicción). Ha sido usado enanálisis de datos, videos, texto, etc. Enla medicina ha permitido avances en eldiagnóstico por imágenes, decisiones detratamiento, investigación biomédica yotras áreas (5)

En la investigación de Endocrinologíay metabolismo, el número de publica-ciones sobre ML ha aumentado exponen-cialmente, alcanzando aproximadamen-te 2000 publicaciones a finales de laúltima década (6).

IA en el análisis de los resultados deestudios de investigación

Las grandes bases de datos con grancantidad de variables para procesar soncomunes en los estudios biomédicos conobservaciones genéticas o de biomarca-dores.Los métodos comunes para el análisis

exploratorio incluyen el aprendizaje au-tomático y los métodos de regresión, asícomo los métodos de kernel, la regresiónde componentes principales y los mo-delos lineales y lineales generalizados,en los cuales se ha basado el análisisestadístico tradicional.Cuando la muestra contiene un ex-

cesivo número de datos, los métodosde regresión tradicionales pueden serengañosos, para lo cual ha sido de granaceptación emplear las aplicaciones deaprendizaje automático o ML a través delrandom forest o el random survival forest.



Una técnica bien conocida de aprendi-zaje automático y de reducción del grantamañode los datos a analizar es la de losmétodos de regresión y de regularizacióna través de la contracción de coeficientes,los cuales están representados por Lasso(least absolute shrinkage and selectionoperator) y sus generalizaciones.

Cuandohayvariables altamente corre-lacionadas, el Lasso podría no funcionarbien y en esos casos se tiende a seleccio-nar solo una covariable (predictor) entreun grupo de covariables altamente corre-lacionadas. Sus generalizaciones, ElasticNet Lasso (o Elasso), tratan mejor estosgrupos correlacionados mediante el em-pleodealgunos términosdepenalizacióno modificadores, los cuales tienden a se-leccionar las covariablesaltamentecorre-lacionadas o juntas, como un grupo; sinembargo, se observa en la literatura queel Lasso y sus generalizaciones todavíatienen tres limitaciones en la práctica:

En primer lugar, es posible que nofuncionen bien para variables con co-rrelaciones moderadas o no extremas.En segundo lugar, sus algoritmos pue-den provocar una reducción excesiva delos coeficientes estimados, lo que pue-de fallar en la detección de covariablescon efectos moderados. En tercer lugar,dado que los términos de penalizaciónno están necesariamente asociados conlas interpretaciones biológicas, algunasvariables no seleccionadas por estos pro-

cedimientos pueden ser biológicamentesignificativas y deberían ser incluidas.

Dadas las limitaciones de estos méto-dos existentes, Huang et al. (7) proponenun método novedoso de selección decaracterísticas basado en la descompo-sición del espacio de covariables, comolo es la “selección de características dedescomposición” (oDFS), el cual comparasus propiedades prácticas con el Lassoy sus generalizaciones a través de unestudio de simulación, y evalúa su poten-cial de aplicación mediante un estudiobiomédico con biomarcadores.

El ML da una mejor predicción deriesgo en estudios epidemiológicos agran escala sobre los métodos estándarde scores para predicción de riesgos. Losmétodos basados en bosques aleatoriosde selección de variables, seguidos porlos métodos de regresión Cox, permitenmejorar la predicción de desenlaces sinlosproblemasde superposiciónoconver-gencia (8,9).

En este tipo de análisis se parte debases de datos para construir bosquesy seleccionar variables importantes se-gún interés. Un ejemplo de estos fueel análisis del estudio de “Prevalenciade Enfermedades Metabólicas y su In-fluenciaen laEnfermedadCardiovasculary Fracturas” en la ciudad de Barran-quilla (Proud), donde se asociaron enun análisis univariado: edad, diabetes,estado civil, hipertensión, presiónarterial



sistólica, índice de masa corporal, peso,relación cintura-cadera, ataque cardía-co, accidente cerebrovascular, frecuenciacardíaca, consumode frutas yalcohol conla mortalidad para ambos sexos (todos P< 0,01). Además, las fracturas, el cáncer,el ejercicio, la edad de la menarquia yel número de embarazos se relacionaroncon la mortalidad en las mujeres (todosP < 0,01) con un análisis de regresión deCoxmultivariadoquedemostróhallazgoscongruentes (10).

También está adquiriendo relevanciay cada vez es más frecuente el análi-sis secundario de estudios públicamentedisponibles, donde se hace un análi-sis con un enfoque diferente al de susautores originales a través del uso delrandom forest, con la identificación de lasvariables importantes.

IA en los sistemas de soporte a ladecisión clínica

Los sistemas de soporte a la decisiónclínica (SSDC) pueden ser definidos comoun so�ware en el que las característicasde los pacientes individuales son usadaspara generar evaluaciones o recomenda-ciones al médico y ayudar en la toma dedecisiones de un paciente en específico ymejorar la atención en salud. Los SSDC re-quieren que los usuarios sean capaces deentender cualquier recomendación, porende, el clínico combina su conocimientocon la información o sugerencia provistapor el SSDC (11).Los SSDC se remontan a 1970, cuan-

do apenas eran usados con propósitosacadémicos. Ya para 2013 se estima queel 41% de los hospitales en EstadosUnidos y 62% en Canadá tienen un SSDC



(12, 13). Los clásicos incluyen algoritmosde diagnóstico y manejo, calculadoras,botones de información para recupera-ción de conocimiento mediante recursoscomo UpTodate o MDconsult y a menudopueden ser usados en aplicaciones web,integrados a registros electrónicos de his-torias clínicas y siendo administrados encomputadores de escritorio, portátiles,tabletas, teléfonos inteligentes, etc.

Los SSDC pueden ser basados o noen conocimiento, en los que sí lo están,crean reglas de decisión utilizando laevidencia basada en la literatura y losque no requieren una fuente de datosque son aprovechados por IA para latoma de decisiones (5). “The Babylon AIpowered Triage And Diagnostic System”en el Reino Unido es un buen ejemplodelpotencial deestos sistemas, los cualesobtienen una certeza diagnóstica compa-rable al clínico (14, 15).

Los SSDC en diabetes han demos-trado mejorar la calidad de atencióny cuidado de los pacientes diabéticoscon una mejora en los resultados deHba1c, calidad de vida y tamizaje, paracomplicaciones relacionadas como reti-nopatía o pie diabético. Los soportesde decisión clínica basados en ML endiabetes predicen respuestas cortas ytempranas de Hba1c después de iniciartratamiento. Además, estas herramientasayudar a identificar variables clínicasque puedan influenciar la respuesta del

paciente, AUC 0,80 (0,78-0,83 IC 95%) (12)y, también, predicen adherencia y riesgode hospitalización.En un estudio de cohorte retrospecti-

va, el ML arrojó umbrales de adherenciaentre 46 y 94%, confirmando la varia-bilidad de los umbrales de adherenciade acuerdo con las características de lospacientes (13). En cuanto al tratamiento,muchos pacientes insulinizados no logra-ron los objetivos glucémicos (16), lo cualpuede estar relacionado con la experticiadel clínico. Los sistemas de soporte ala decisión de dosis de insulina basadoen IA reducen esta brecha, demostrandola no inferioridad respecto a médicosespecializados en el cuidado de la dia-betes (17). Estas herramientas incluso sehan experimentado pasa el cálculo deinsulina basal en usuarios de bomba deinsulina (18).

IA en la estratificación de población enriesgo

El Health Recommendation System(HRS) usa ML para predecir el riesgo parauna enfermedad, incluida la diabetes,analizando el estilo de vida, los factoresde salud física, los de salud mental ysus actividades sociales, siendo capazde predecir el riesgo de diabetesusando árboles de decisiones, bosquesaleatorios y redes neuronales con altacerteza (ACC = 0,8084) (19). También sehan creado modelos predictivos usando



big data para estimar la posibilidadde desarrollar complicaciones a cortoy largo plazo de la diabetes (20).En mujeres embarazadas, el ML tuvoun poderdiscriminativo superior almonitoreo de glucosa de ayunas comopredictor de diabetes gestacional (21).En osteoporosis, muchas fracturas

ocurren por debajo del umbral densito-métrico de osteoporosis. Calculadoresde riesgo como el Frax son métodoscosto-efectivos en la clínica para laidentificación de población en riesgode fractura (22–26). Un método de MLcon árboles de regresión y clasificación,basado en edad y densidadmineral ósea,tuvo una predicción similar al Frax (27).La predicción de resultados respuesta

en cirugía transesfenoidal es importantepara trazar conductas terapéuticas enacromegalia. De esta manera, un modelode ML que tiene en cuenta variablesclínicas como edad, género, nadir de hor-mona de crecimiento, diámetro máximodel tumor, clasificación Knosp, desórde-nes o�álmicos y técnica quirúrgica fue

construido y resultó ser el demejor rendi-miento, ya que los árboles de decisión deaumento de gradiente con sensibilidad,especificidad, valor predictivo positivo ynegativo fuerondel 87,8%,78,5%,65,9%y 93,2% respectivamente, incluso mejorque la clasificación Knosp (área bajo lacurva 0,82 vs. 0,71) (28).

IA en el diagnóstico por imágenes paraendocrinología

Los algoritmos de IA han tenido ungran avance en las herramientas de reco-nocimiento de imágenes. Históricamen-te, las imágenes diagnósticas son ana-lizadas por un médico entrenado, sinembargo, la IA ofrecemétodos de recono-cimiento automatizado.En tiroides, la clasificación de nódulos

tiroideos por ultrasonido es basado en Ti-rads (thyroid imaging reporting and datasystem), que clasifica el nódulo según ca-racterísticas ecográficas de forma, tama-ño, ecogenicidad, calcificación, márge-nes y vascularización. En un estudio, con



el ánimo de reducir la subjetividad, untotal de 27 características morfológicas ygeométricas fueron extraídas de las imá-genes ecográficas, clasificando hallazgoscomo malignos o benignos, y usandoML se demostró una estimación cercanaal Tirads (29). Otro algoritmo, usandoaprendizaje profundo para laestratifica-ción de riesgo del nódulo tiroideo, logrósensibilidad, especificidad, valor predic-tivo positivo y valor predictivo negativode 84,9%, 74,3%, 60,9% y 91,2% respec-tivamente, con un tiempo promedio depredicción de 30 milisegundos por ima-gen (30). La inteligencia artificial reporta,en general, certeza diagnóstica entre 83y 95%, evitando que el diagnóstico seaoperador dependiente (20,21, 31).

Algunas características ecográficas enel nódulo tiroidea son predictoras demu-taciones BRAF (32–34), que optimizadascon la aplicación de algoritmos basadosen redes neuronales convolucionales re-portan sensibilidad, especificidad, valorpredictivo positivo y negativo de 85,3%,41,6%, 59,4%, y 73,9% respectivamente(35).

La orbitopatía tiroidea es una com-plicación frecuente de la enfermedadde graves, siendo la tomografía compu-tarizada (TC) de órbitas una herramien-ta costo-efectiva en el diagnóstico. Así,un modelo de IA con redes neuronalesconvolucionales profundas basado enTC de órbitas logró certeza, sensibilidad

y especificidad de 87%, 88% y 85%respectivamente (36), el cual podría seruna nueva herramienta en el diagnósticode orbitopatía tiroidea.

Para tamización de retinopatía diabé-tica, la IA ha resultado una estrategiacosto-efectiva (31). Con algoritmos deaprendizaje profundo ha sido posible undiagnóstico automatizado, de alta sensi-bilidad y especificidad de 92,3% y 93,7%respectivamente (37). IDX-DX, un dispo-sitivo que usa un algoritmo de IA paraanalizar imágenes digitales de retina parala detección de retinopatía, fue aprobadopor la FDA y es reconocido por sociedadescientíficas como un elemento útil para ladetección de esta complicación (38, 39).

En los últimos años, diferentes algorit-mosparadiagnosticar osteoporosisbasa-dos en imágenes han sido desarrollados.Pan et al. (40) desarrollaron un modelode aprendizaje profundo para análisisde cuerpos vertebrales por tomografíacomo modelo de diagnóstico de osteo-porosis. Areeckal et al. (41) propusieronun modelo con redes neuronales para eldiagnóstico de osteoporosis con radio-grafías de muñeca y mano. Sumándoseuna revisión sistemática y metanálisisde siete estudios con diferentes técnicasque confirmanun rendimiento óptimodeestas estrategias para el diagnóstico deosteoporosis con sensibilidad y especifi-cidad del 96% y 95% respectivamente(42).



Figura 1. Diagrama quemuestra el sistema de diagnóstico de acromegalia basado en fotografía facialNota: primero hay una fotografía de entrada (input). Luego los algoritmos de IA basados en subconjuntos de caras

reconocen las mismas, localizan rasgos faciales y generan una salida (output) que es probabilidad final dediagnóstico.

Fuente: modificado de Kong, et al. 2018.

La acromegalia que es generada porun exceso de secreción de hormona decrecimiento, usualmente tiene un cursoinsidioso con retraso en el diagnóstico de7-10 años (43). Los hallazgos faciales sonmuy típicos: prognatismo mandibular,crecimiento del hueso frontal, diastemade los incisivos, etc. Usando 1123 fotos seintegró yentrenóun so�ware condiferen-tes métodos de IA (modelos lineales ge-neralizados, máquina de soporte vecto-rial, árboles aleatorios, redes neuronalesconvolucionales, modelos lineales gene-

ralizados) para crear unmétodo conjuntoen la detección facial de acromegalia (fi-guras 1 y 2). Teniendo el mejor resultadode los métodos probados sensibilidad,especificidad, valorpredictivopositivode96% y valor predictivo negativo de 95%(44).

IA en las herramientas de autocontrol ymonitoreo para pacientes

La IA ha permitido empoderar al pa-ciente en el control de su enfermedad(39). En la diabetes, el autocontrol es una



Figura 2. Los métodos de aprendizaje automático proporcionan una forma potencial de reconocimiento de característicasfaciales de un paciente conacromegalia

Fuente: modificado de Kong, et al. 2018.

herramienta clave de manejo que iniciatal vez en la sensibilización del pacientecomo estrategia de empoderamiento yallí las plataformas digitales a través deaplicaciones web o móviles tienen unpapel protagónico, donde la IA podría serincluida (45).

La IA ha sido añadida en la toma diariade decisiones del paciente en cuanto a

dieta e incluso dosis de insulina (46).Por ejemplo, The One Drop Mobile app,diseñada para ayudar a programar recor-datorios de medicación, ver estadísticas,trazar y seguir objetivos en pacientes condiabetes tipo 1 o tipo 2, tuvo un totalde 1288 pacientes que reportaron unaabsoluta reducción en Hba1c de 1,07%a 1,27% (47). Varias aplicaciones móviles



han sido diseñadas para customizar pla-nes dietarios o de actividad física segúnnecesidades personales y estilos de vida.Telehealth ha revolucionado el mane-

jo de la diabetes. Elmonitoreo remoto re-duce el tiempode visita y permite hacerloen tiempo real. La IA tiene la capacidadde reemplazar un 50-70% de las visitasrutinarias con monitoreo remoto (39).También, los mensajes cortos de textohan sido implementados para mejorar laadherencia en África subsahariana conbuenos resultados (48).

Limitacionesde la inteligenciaartificial

La IA tiene diferentes limitaciones. Loprimero es el factor humano y la nece-sidad aún de refinamiento periódico, locual hablade ladependencia eneste casode las habilidades médicas. También,los escasos datos apoyan que se debenconstruir algoritmos más certeros parael cuidado de las patologías. Así, estosnecesitan sermadurados y estructuradospara construir soluciones de impacto. Porúltimo, en sudiseño losmodelos actualesde IA han sido validados usando un set dedatos retrospectivos, siendo necesariasvalidaciones prospectivas paramantenerla promesa del cuidado automático.

Conclusión

La incorporación de la IA en la endocri-nología es un cambio por adoptar y me-jorar. La IAofrecemuchos beneficios en la

prácticamédica actual, desde el diagnós-tico hasta el tratamiento. No obstante,son muchos los vacíos y los terrenospor explorar. En el tiempo nos veremosexpuestos a un incremento exponencialde su uso en la medicina, asistiendoal personal médico para generar unaoptimización y unamejora de la atenciónen salud.

Referencias

[1] Escolano-Ruiz F, Cazorla-Quevedo M,Alfonso-Galipienso M, Colomina-PardoO, Lozano-Ortega M. Inteligencia ar-tificial: modelos, técnicas y áreas deaplicación. Madrid, España: Thomson;2003. Cap. 1. p. 3-7. ↑Ver página 88

[2] Konstam MA, Hill JA, KovacsRJ, Harrington RA, Arrighi JA,Khera A. The academic medicalsystem: reinvention to survive therevolution in health care. J Am CollCardiol. 2017 mzo. 14;69(10):1305-12.https://doi.org/10.1016/j.jacc.2016.12.024 ↑Ver página 89

[3] Steinhubl SR, Topol EJ. Movingfrom digitalization to digitizationin cardiovascular care why is itimportant, and what could itmean for patients and providers?J Am Coll Cardiol. 2015;66:1489-96.https://doi.org/10.1016/j.jacc.2015.08.006 ↑Ver página 89



[4] Boeldt DL, Wineinger NE, WaalenJ, Gollamudi S, Grossberg A,Steinhubl SR, et al. How consumersand physicians view new medicaltechnology: comparative survey. JMedInternet Res. 2015 sept. 14;17(9):e215.https://doi.org/10.2196/jmir.4456 ↑Ver página 89

[5] Chen M, Decary M. Artificialintelligence in healthcare: an essentialguide for health leaders. HealthcManag Forum. 2020 en. 1;33(1):10-8.https://doi.org/10.1177/0840470419873123↑Verpágina 90,93

[6] Hong N, Park H, Rhee Y. Machinelearning applications in endocrinologyandmetabolism research: anoverview.Endocrinol Metabol. 2020;35:71-84.https://doi.org/10.3803/EnM.2020.35.1.71 ↑Ver página 90

[7] Huang H, Li Y, Liang H, Wu CO. De-composition feature selection with ap-plications in detecting correlated bio-markers of bipolar disorders. Stat Med.2019;38(23):4574-82. https://doi.org/10.1002/sim.8317 ↑Ver pá-gina 91

[8] Mallick Z, Dey A, Gu Y, Shalhoub R,Wang R, Wu C, et al. Acute and stableischemic heart disease predictors ofall-cause mortality in the bari 2d trialidentified by machine-learning. ↑Verpágina 91

[9] GaniN,DeyA, Xin V,WangR, ShalhoubR, Wu C, et al. Prevention predictorsof all-cause mortality in the sprint trialidentified by machine learning. ↑Verpágina 91

[10] Cure-Cure CA, Cure P, Gu Y,Tian X, Patel T, Wu CO, et al.Abstract 16252: predictors of allcause mortality and their genderdi�erences in a hispanic populationfrom Barranquilla-Colombia usingmachine learning with randomsurvival forests. Circulation. 2018 nov.6;138(supl. 1):A16252. Disponible en:https://doi.org/10.1161/circ.138.suppl_1.16252 ↑Verpágina 92

[11] Sutton RT, Pincock D, BaumgartDC, Sadowski DC, Fedorak RN,Kroeker KI. An overview of clinicaldecision support systems: benefits,risks, and strategies for success.NPJ Digit Med. 2020 febr. 6;3:17.https://doi.org/10.1038/s41746-020-0221-y ↑Verpágina 92

[12] Nagaraj SB, Sidorenkov G, van BovenJFM, Denig P. Predicting short- andlong- term glycated haemoglobinresponse a�er insulin initiationin patients with type 2 diabetesmellitus using machine-learningalgorithms. Diabetes Obes Metab. 2019dic.;21(12):2704-11. https://doi.



org/10.1111/dom.13860 ↑Verpágina 93

[13] Lo-Ciganic WH, Donohue JM, ThorpeJM, Perera S, Thorpe CT, MarcumZA, et al. Using machine learningto examine medication adherencethresholds and risk of hospitalization.Med Care. 2015 ag.;53(8):720-8.https://doi.org/10.1097/MLR.0000000000000394 ↑Verpágina 93

[14] Baker A, Perov Y, Middleton K, BaxterJ, Mullarkey D, Sangar D, et al. Acomparison of artificial intelligenceand human doctors for the purpose oftriage and diagnosis. Artif. Intell. 2020nov. 30;3. https://doi.org/10.3389/frai.2020.543405 ↑Verpágina 93

[15] Zhang Y, Walecki R, Winter J,Bragman F, Lourenco S, Hart C, etal. Applying artificial intelligencemethods for the estimation of diseaseincidence: the utility of languagemodels. Front. Digit. Health. 2020 dic.1;2:569261. https://doi.org/10.3389/fdgth.2020.569261↑Ver página 93

[16] Miller KM, Foster NC, Beck RW,Bergensta RM, DuBose SN, DiMeglioLA,etal.Current stateof type 1diabetestreatment in the U.S.: updated datafrom the t1d exchange clinic registry.Diabetes Care. 2015 jun. 1;38(6):971-8.

https://doi.org/10.2337/dc15-0078 ↑Ver página 93

[17] Nimri R, Battelino T, La�el LM, SloverRH, Schatz D, Weinzimer SA, et al.Insulin dose optimization using anautomated artificial intelligence-baseddecision support system in youthswithtype 1 diabetes. Nat Med. 2020 sept.1;26(9):1380-4. https://doi.org/10.1038/s41591-020-1045-7↑Ver página 93

[18] Guzmán-Gómez GE,Burbano-Agredo LE, Martínez V,Bedoya-Leiva OF. Application ofartificial intelligence techniquesfor the estimation of basal insulininpatients with type I diabetes. Int JEndocrinol. 2020 nov. 3;2020:7326073.https://doi.org/10.1155/2020/7326073 ↑Ver página 93

[19] Zou Q, Qu K, Luo Y, Yin D, JuY, Tang H. Predicting diabetesmellitus with machine learningtechniques. Front Genet. 2018 nov. 6;9.https://doi.org/10.3389/fgene.2018.00515 ↑Ver página 93

[20] Yap MH, Chatwin KE, NgCC, Abbott CA, Bowling FL,Rajbhandari S, et al. A New MobileApplication for StandardizingDiabetic Foot Images. A newmobile application for standardizingdiabetic foot images. J DiabetesSci Technol. 2018 en.;12(1):169-73.



https://doi.org/10.1177/1932296817713761↑Verpágina 94,95

[21] Allalou A, Nalla A, Prentice KJ, LiuY, Zhang M, Dai FF, et al. A predictivemetabolic signature for the transitionfrom gestational diabetes mellitus totype 2 diabetes. Diabetes. 2016 sept.1;65(9):2529-39. https://doi.org/10.2337/db15-1720 ↑Verpágina 94, 95

[22] Struja T, Guebelin L, Kutz A,Fehlberg H, Mueller B, Schuetz P.Does immunosuppressive therapyimprove outcomes in Graves’Disease? A systematic review andmeta-analysis. Thyroid [Internet]. 2016mzo. 7;26(5):634-40. https://doi.org/10.1089/thy.2015.0647↑Ver página 94

[23] Cranney A, Jamal SA, TsangJF, Josse RG, Leslie WD. Lowbone mineral density and fractureburden in postmenopausal women.CMAJ. 2007 sept. 11;177(6):575-80.https://doi.org/10.1503/cmaj.070234 ↑Ver página 94

[24] Kanis JA, McCloskey EV, JohanssonH, Strom O, Borgstrom F, OdenA, et al. Case finding for themanagement of osteoporosis withFRAX®-assessment and interventionthresholds for the UK. OsteoporosisInternational. 2008;19(10):1395-408.

https://doi.org/10.1007/s00198-008-0712-1 ↑Verpágina 94

[25] Faulkner KG, Orwoll E. Implicationsin the use of T-scores for the diagnosisof osteoporosis in men. J Clin Densi-tom. 2002;5(1):87-93.https://doi.org/10.1385/JCD:5:1:087 ↑Verpágina 94

[26] Kanis JA, McCloskey E, Harvey NC,Johansson H, Leslie WD. Interventionthresholds and the diagnosis ofosteoporosis. Bone Miner Res. 2015oct.;30(10):1747-53. https://doi.org/10.1002/jbmr.2531 ↑Verpágina 94

[27] Su Y, Kwok TCY, Cummings SR, YipBHK, Cawthon PM. Can classificationand regression tree analysis helpidentify clinically meaningful riskgroups for hipfracture prediction inolder american men (The MrOS CohortStudy)? JBMR Plus. 2019 oct. 1;3(10).https://doi.org/10.1002/jbm4.10207 ↑Ver página 94

[28] Fan Y, Li Y, Li Y, Feng S, Bao X,Feng M, et al. Development andassessment of machine learningalgorithms for predicting remissiona�er transsphenoidal surgeryamong patients with acromegaly.Endocrine. 2020;67(2):412-22.https://doi.org/10.1007/



s12020-019-02121-6 ↑Verpágina 94

[29] Gomes-Ataide EJ, Ponugoti N,Illanes A, Schenke S, Kreissl M, FriebeM. Thyroid nodule classificationfor physician decision supportusing machine learning- evaluatedgeometric andmorphological features.Sensors (Suiza). 2020 nov. 1;20(21):1-14.https://doi.org/10.3390/s20216110 ↑Ver página 95

[30] Thomas J, Haertling T. AIBx, artificialintelligence model to risk stratifythyroid nodules. Thyroid. 2020jun.;30(6):878-84. https://doi.org/10.1089/thy.2019.0752↑Ver página 95

[31] Bellemo V, Lim G, Rim TH, Tan GSW,Cheung CY, Sadda S, et al. Artificialintelligence screening for diabeticretinopathy: the real-world emergingapplication. Curr Diab Rep. 2019 jul.31;19(9):72. https://doi.org/10.1007/s11892-019-1189-3↑Ver página 95

[32] Kabaker AS, Tublin ME, NikiforovYE, Armstrong MJ, Hodak SP,Stang MT, et al. Suspiciousultrasound characteristics predictBRAFV600E-positive papillarythyroid carcinoma. Thyroid. 2012jun. 1;22(6):585-9. https://doi.org/10.1089/thy.2011.0274↑Ver página 95

[33] Kwak JY, Kim EK, Chung WY, MoonHJ, Kim MJ, Choi JR. Associationof BRAFV600E mutation with poorclinical prognostic factors and USfeatures in Korean patients withpapillary thyroid microcarcinoma.Radiology. 2009 dic.;253(3):854-60.https://doi.org/10.1148/radiol.2533090471 ↑Verpágina 95

[34] Hwang J, Shin JH, Han BK, Ko EY,KangSS,KimJW,etal. Papillary thyroidcarcinoma with BRAFV600E mutation:Sonographic prediction. AJR Am JRoentgenol. 2010 my.;194(5):W425-30.https://doi.org/10.2214/AJR.09.3512 ↑Ver página 95

[35] Yoon J, Lee E, Koo JS, YoonJH, Nam KH, Lee J, et al. Artificialintelligence to predict the BRAFV600Emutation in patients with thyroidcancer. PLoS ONE. 2020 nov. 1;15.https://doi.org/10.1371/journal.pone.0242806 ↑Verpágina 95

[36] Song X, Liu Z, Li L, Gao Z,Fan X, Zhai G, et al. Artificialintelligence CT screeningmodel for thyroid-associatedophthalmopathy and tests underclinical conditions.Int J Comput AssistRadiol Surg. 2021 febr.;16(2):323-330.https://doi.org/10.1007/



s11548-020-02281-1 ↑Verpágina 95

[37] Grzybowski A, Brona P,Lim G, Ruamviboonsuk P,Tan GSW, Abramo� M, et al.Artificial intelligence for diabeticretinopathy screening: a review. Eye(Londres). 2020 mzo.;34(3):451-60.https://doi.org/10.1038/s41433-019-0566-0 ↑Verpágina 95

[38] American Diabetes Association.Microvascular complications and footcare: standards of medical care indiabete-2020. Diabetes Care. 2020en. 1;43:S135-51. https://doi.org/10.2337/dc20-S011 ↑Verpágina 95

[39] Fagherazzi G, Ravaud P. Digitaldiabetes: perspectives for diabetesprevention, management andresearch. Diabetes Metab. 2019sept.;45(4):322-329. https://doi.org/10.1016/j.diabet.2018.08.012 ↑Verpágina 95, 96, 98

[40] Pan Y, Shi D, Wang H, Chen T, Cui D,Cheng X, et al. Automatic opportunisticosteoporosis screening using low-dosechest computed tomography scansobtained for lung cancer screening.Eur Radiol. 2020 jul.;30(7):4107-16.https://doi.org/10.1007/

s00330-020-06679-y ↑Verpágina 95

[41] Areeckal AS, Jayasheelan N, KamathJ, Zawadynski S, Kocher M, David S.Early diagnosis of osteoporosis usingradiogrammetry and texture analysisfrom hand and wrist radiographsin Indian population. OsteoporosInt. 2018 mzo.;29(3):665-73.https://doi.org/10.1007/s00198-017-4328-1 ↑Verpágina 95

[42] Gao L, Jiao T, Feng Q, Wang W.Application of artificial intelligencein diagnosis of osteoporosis usingmedical images: a systematicreview and meta-analysis.Osteoporos Int. 2021;32(7):1279-86.https://doi.org/10.1007/s00198-021-05887-6 ↑Verpágina 95

[43] Utiger RD. Treatment ofacromegaly. N Engl J Med.2000 abr. 20;342(16):1210-1.https://doi.org/10.1056/NEJM200004203421611 ↑Verpágina 96

[44] Kong X, Gong S, Su L, HowardN, Kong Y. Automatic detection ofacromegaly from facial photographsusing machine learning methods.EBioMedicine. 2018 en. 1;27:94-102.https://doi.org/10.1016/



j.ebiom.2017.12.015 ↑Verpágina 96

[45] Rollo ME, Aguiar EJ, WilliamsRL, Wynne K, Kriss M, CallisterR, et al. Ehealth technologies tosupport nutrition and physicalactivity behaviors in diabetesself-management. Diabetes MetabSyndr Obes. 2016 nov. 4;9:381-90.https://doi.org/10.2147/DMSO.S95247 ↑Ver página 97

[46] Froisland DH, Arsand E.Integrating visual dietarydocumentation in mobile-phone-based self-management applicationfor adolescents with type 1 diabetes.J Diabetes Sci Technol. 2015my.;9(3):541-8. https://doi.org/

10.1177/1932296815576956↑Ver página 97

[47] OsbornCY, vanGinkel JR, RodbardD,Heyman M, Marrero DG, Huddleston B,et al. One drop | mobile: an evaluationof hemoglobin a1c improvement linkedto app engagement. JMIR Diabetes.2017 ag. 24;2(2):e21. https://doi.org/10.2196/diabetes.8039↑Ver página 97

[48] Cafazzo JA, Casselman M, HammingN, Katzman DK, Palmert MR.Design of an mHealth app for theself-management of adolescent type 1diabetes: a pilot study. J Med InternetRes. 2012 my. 8;14(3):e70. https://doi.org/10.2196/jmir.2058↑Ver página 98

Cómo citar:Cure-Cure CA, Guzmán-GómezGE. Inteligencia artificial: una nueva dimensión en Endocrinología.Rev. Colomb. Endocrinol. Diabet. Metab. 2021. 8(1): 87-104. https://doi.org/10.53853/encr.8.1.702



Capítulo 6

Apps en Endocrinología: del universo ala individualidad

Karen Fériz-Bonelo�https://orcid.org/0000-0003-1207-4245

Profesora de posgrados de Medicina Interna y Endocrinología Universidad ICESIInternista Endocrinóloga, Fundación Valle del Lili Coordinadora del comité de Diabetes

Miembro de número de Asociación Colombiana de Endocrinología, Diabetes y Metabolismo

Santiago Vallejo-Gonzálezhttps://orcid.org/0000-0001-7207-5958

Profesor de pregrado y posgrados Universidad Tecnológica de PereiraInternista Endocrinólogo, Hospital Universitario San Jorge de Pereira y Clínica Comfamiliar

Miembro de número de la Asociación Colombiana de Endocrinología, Diabetes y Metabolismo

�Autor de correspondencia: Karen Fériz-Bonelo, Carrera 98 # 18 – 49, Torre 7, Piso 5, Endocrinología.Cali, Colombia. Correo electrónico: [email protected]

Apps en Endocrinología: del universo a laindividualidad

K. Fériz-Bonelo y S. Vallejo-González

Resumen

Propósito. En este capítulo se exponen las diversas consideraciones para tener en cuenta alrededor de lasaplicaciones en Endocrinología, se hace énfasis en sus ventajas y se alerta sobre el manejo adecuado que se debehacer por parte de profesionales de la salud, pacientes y cuidadores.Contenidos. La era actual se encuentra enmarcada por la presencia de la tecnología al servicio del hombre en susdiversas dimensiones. La salud, por supuesto, ha sido uno de los ámbitos demayor uso y desarrollo de la misma.Inicialmente se empleaban herramientas tecnológicas por parte de los profesionales de la salud para efectuardiagnósticos y tratamientos, pero con el uso cada vezmás universal del computador y de los dispositivosmóviles,la presencia de la tecnología en salud se ha ampliado a la rutina de pacientes y cuidadores.Conclusiones. Las aplicaciones basadas en la web o en los teléfonos inteligentes han llegado al área de laendocrinología y especialmente en diabetes, como ayudas importantes en procesos de monitoreo, guíasde tratamiento y creación de comunidades. La explosión en el número y la variedad de estas aplicacionesconstituye unmundo de oportunidades, pero también se convierte en un reto, en lamedida en que se torna difícilseleccionar lasmejores, especialmente por el vacío que existe alrededor de la validación y la certificación de estaspor autoridades en salud.

Palabras clave: diabetes mellitus, Endocrinología, aplicaciones móviles, automonitoreo, teléfonos inteligentes,mhealth, ehealth, tecnología digital, experiencia de usuario.

Introducción

Para muchas personas en el mundo,los teléfonos móviles y las aplicacionesque se usan en ellos se han vuelto partede la vida diaria.En el caso puntual de Colombia, para

enero del 2021, la población se estimabaen 51,07 millones de personas, las cone-xiones a celular correspondían a 60,83millones (119% de la población), se en-contraron 34,73 millones de usuarios deinternet (68%) y 39 millones de usuariosde redes sociales (76,4%). Para el usodel internet, se hadeterminadoque cerca

del 98% de las personas lo usa a travésdel celular y se estima que el tiempopromedio invertido en internet es de 10horas por día.Con relación al uso de aplicaciones

móviles, se encontró que el 32,2% delas personas utilizan aplicaciones rela-cionadas con salud y ejercicio. Estosnúmeros van en aumento y es por elloque los médicos debemos conocer sobreel tema, pues independientemente deser usuarios de aplicaciones en salud,encontraremos cada vez más pacientesque nos pregunten sobre las mismas.


Apps en Endocrinología: del universo a la individualidadK. Fériz Bonelo y S. Vallejo González

La salud móvil (del inglés mobilehealth o mHealth) se define comocomputación móvil, sensores médicosy tecnologías de la comunicaciónque pueden promover el cuidadode las condiciones crónicas más alládel encuentro ambulatorio tradicionalmédico-paciente. Esto incluye aplicacio-nes que se ejecutan en teléfonosmóviles,sensores quemonitorizan signos vitales yactividades de salud, así como sistemasde computación basados en nubes dealmacenamiento.

En el caso de aplicaciones en salud,las audiencias objetivo varían desdeusuarios sanos que están interesa-dos en aspectos generales de saludy hábitos saludables de vida, hastapacientes que cursan con condicio-nes crónicas así como profesionalesde la salud. Para losmédicos existenherramientas de apoyo, generacióndematerial imprimible para pacien-tes, calculadoras y guías de trata-miento.

Según estadísticas del 2014, existíancerca de 25 000 aplicaciones médicasen el sistema iOS y 16 000 en Android(estos números, por supuesto, tienen uncrecimiento exponencial). Una fuente deconsulta interesante sobre las aplicacio-nesmédicas disponibles es la páginawebiMedicalapps, la cual es una publicaciónmédica independiente en línea para pro-

fesionales médicos, pacientes y analistasinteresados en la tecnología médica mó-vil y en aplicaciones del cuidado de lasalud.Las aplicaciones tienen el potencial de

poner a usuarios, tanto pacientes comomédicos, en contacto para permitir unmanejo más fluido de las enfermedades,incluso permiten simplificar el recluta-mientoparaestudios científicos yproveerinformación valiosa que sería de difícilacceso por otras vías.La FDA aprueba y supervisa las tecno-

logías de la salud digitales destinadas atratar condicionesmédicasopsicológicascrónicas, validadas clínicamente yutiliza-das usualmente en línea, las cuales sonconocidas como terapias digitales o digi-céuticos; sin embargo, existen múltiplesapps diseñadas por personal no idóneoy con poca experiencia en el manejo deciertas patologías, lo cual constituye unreto en el momento de elegir qué usar.Las aplicaciones cubren diversas es-

pecialidadesmédicas y la endocrinologíano es la excepción. En esta, las aplica-ciones más numerosas son aquellas quecorresponden a temas relacionados conla homeostasis de la glucosa, por lo cualsuusoyutilidad serádiscutidodemaneraparticular.Para las condiciones endocrinológicas

diferentesadiabetes, ladisponibilidaddeaplicaciones móviles es menor.



Tipos de aplicaciones

Las aplicaciones en salud pueden divi-dirse en tres grandes categorías: las quehacen seguimiento de bienestar, aquellasusadas como dispositivos médicos (porejemplo, las que titulan medicamentos)y las que descargan y usan datos dedispositivos médicos para diagnosticar,prevenir o tratar patologías.-Aplicaciones para el tratamiento

médico: son aplicaciones que poseenalgoritmos que analizan informaciónpara sugerir conductas terapéuticas.Especial mención requieren en esteapartado las aplicaciones que conectana sensores de glucosa con dispositivosde infusión continua de insulina,constituyendo sistemas de asa cerradapara el manejo de la diabetes. Se utilizanampliamente en una corriente demanejoque se conoce DIY (do it yourself o hazlo

tu mismo) y se apoyan en grandescomunidades creadas a traves de redessociales.-Aplicaciones para seguimiento y re-

porte de información: estas son lasaplicaciones más comunes en diabetes.Muchas permiten a los usuarios llevarun registro de glucometrías, dosis deinsulina, alimentos, peso y actividad.Algunas permiten visualizar los registrosglucométricos en diversas formas, inclu-yendo formatos numéricos, gráficos o através de estadísticas. Algunas aplicacio-nes permiten tambiés exportar los datosa archivos enPDF, CSV o compartirlos consu equipo de salud a través de correoelectrónico o plataformas basadas ennubes.Además de las glucometrías, algunas

aplicaciones permiten llevar un registrode paraclínicos a lo largo del tiempo,tales como hemoglobina glicosilada, lí-



pidos, entre otros. La mayoría de lasaplicaciones requieren introducir los da-tos de forma manual, pero algunas lohacen de manera automática medianteel enlace de glucómetros o de sistemasde monitoreo de glucosa con dichasaplicaciones móviles. Infortunadamente,no es frecuente que estas aplicaciones seenlacendirectamente con los registros dehistoria clínica.

-Aplicaciones para educación y en-trenamiento: algunas enseñan sobre elconteo de carbohidratos mediante gráfi-cos y juegos, para ayudar en el procesodeaprendizaje.

En diabetes, cada vez se dispone demás aplicaciones que sugieren dosifica-ciones de insulina: el usuario introduce laglucemiaobjetivo, el factordecorrección,la relación insulina:carbohidratos, la glu-cometría y los carbohidratos a ingerirantes de una comida y la app proveerála sugerencia de la dosis de insulinaa utilizar. Algunas de estas aplicacio-nes incluso sugieren ajustes antes dela actividad física o la ingesta de licor.Finalmente, existen tambiénaplicacionesque entrenan a los usuarios en el usode otros medicamentos (por ejemplo,glucagón) o en el uso de dispositivosde monitorización (por ejemplo, el glu-cómetro Freestyle Libre con sistema demonitorización flash).

-Bases de datos con referencias dealimentos: varias aplicaciones son lis-

tados de alimentos para el conteo decarbohidratos y otras proveen recetaspara poblaciones especiales como losdiabéticos. Algunas aplicaciones inclusocombinan esta información con herra-mientas de conteo de carbohidratos ydatos de seguimiento.

-Foros sociales/blogs: son aplicacio-nes que se relacionan con redes socia-les, foros sociales o blogs que buscanconectar pacientes con una condicióndeterminada para compartir informacióny experiencias.

-Aplicaciones dirigidas a los médi-cos: aunque la mayoría de las aplica-ciones son para pacientes, un pequeñoporcentaje se centra en los proveedoresde servicios de salud para brindar in-formación médica. Algunas de las appscorrespondena revistas científicasparaelacceso a su publicaciones y otras son deasociaciones científicas para obtener lasguías de práctica clínica.

-Aplicaciones de Endocrinología: co-rresponden a un número mucho menorque aquellas diseñadas alrededor de ladiabetes. La naturaleza general de estasincluye: referencia médica en el campode la endocrinología, acceso a revistasde endocrinología, predictores de tallafinal, herramientasde seguimientodead-ministración de medicamentos y aplica-ciones de fertilidad. En comparación conlas aplicaciones diseñadas para diabetesque se centran el paciente, las de Endo-



crinología están mayormente destinadasal uso demédicos.

-Aplicaciones sobre ejercicio: cadavez se cuenta con más aplicaciones queestimulan a las personas a llevar estilosde vida saludables y el seguimiento delejercicio es una práctica popular.

Algunas de las aplicaciones requierenqueelpacienteportealgún tipodesensorque se enlaza con el teléfono móvilpara transmitir los datos y otras usan elacelerómetro del celular para seguir laactividad y el ritmo de trote, la caminata,entre otros.

“La gamificación” que se define comouna estrategia que emplea técnicas dejuegopara resolverproblemasdelmundoreal, representa un componente motiva-cional para estimular a los usuarios ahacermás ejercicio. Algunas aplicacionesincluso tienen incentivos como bonosde descuento cuando las personas seejercitan. Finalmente, hay aplicacionesque hacen que el ejercicio sea social a

través del apoyo o la competencia entreamigos, enlazando redes sociales comoFacebook y Twitter.

Las principales limitantes en el usode aplicaciones de endocrinología y desalud en general son la falta de estudiosque demuestren su validez clínica y lafalta de regulación de la mayoría de appsdisponibles (principalmente de aquellasusadas para diabetes), ambos requisitosfundamentales para que los profesiona-les de la salud puedan recomendarlas.

Dentro de los estudios que se hanpublicado, se ha identificado que engeneral tienen pobre calidad, en estesentido hay que tener en cuenta quelas apps están expuestas a constantesactualizaciones, haciendo corta su vidaútil, lo cual limita la realización de estu-dios clínicos aleatorizados y controlados;además, los estudios que las evalúan nopueden ser ciegos, lo que nopermite des-cartar el efecto placebo en los desenlacesmedidos y, finalmente, el bajo costo o la



gratuidad de las apps no justifica el granesfuerzo en tiempo y recursos requeridopara realizar un ensayo de buena calidad.En salud se ha demostrado la eficacia

en aplicaciones que envían mensajes detexto para recordar la toma de medica-mentos (antirretrovirales, por ejemplo) ycese del hábito tabáquico.

Existen tambiénpreocupaciones so-bre la seguridad del uso de apli-caciones y, en este sentido, es im-portante aclarar que no todos lospaíses cuentan con normas adecua-damente establecidas para la regu-lación de las aplicaciones móvilesen salud. Otra limitante es la falta de“educación” tecnológica y de habi-lidades numéricas en una cantidadimportante de los pacientes, aunen los países desarrollados, lo cualdificulta el acceso a las mismas.

Una dificultad adicional que se tienecon el uso de aplicaciones, tanto parapacientes comoparamédicos, esque raravez comunican cuáles son las fuentes dela información que utilizan.También, suele ser difícil encontrar

aplicaciones específicas, pues no hay unconsenso para su organización en lastiendas virtuales donde se descargan.Por ejemplo, existen aplicaciones rela-cionadas con temas de endocrinologíaque aparecen con categorías diversas co-mo“referencia”, “salud y entrenamiento”,

“educación” o “libros”. Con esto no siem-pre resulta sencillo encontrar las mejoresaplicaciones para resolver la necesidaddel profesional de la salud o del paciente.Un elemento importante adicional a

tener en cuenta es que no siempre seconoce el proceso a través del cual unaaplicación logra ser admitida a una tien-dadeaplicacionesyestohacequesepue-dan tener dificultades para categorizarla,pero también surgen interrogantes sobrela calidad de la misma.Muchas aplicaciones, sobre todo

aquellas que efectúan algún tipo decálculo para diagnóstico o tratamientopodrían percibirse como productosmédicos y, por lo tanto, deberíansometerse a procesos regulatorios si suscreadores le han asignado la categoría depropósito médico. Esa designación, sinembargo, se encuentra muy poco en elmundode las aplicacionesde salud yestorequeriría, al menos, de una evaluaciónbásica de conformidad antes de poneresas aplicaciones en el mercado.La interoperabilidad entre sistemas

Apple iOS y Android, las actualizacio-nes frecuentes (que hacen necesarias laeducación y el reentrenamiento continuoen su uso y que limitan también larealización de ensayos clínicos) y la faltade estandarización de la información sonretos tecnológicos adicionales.Una limitación importante que se tie-

ne en lospaísesdonde la lenguaoficial no



es el inglés, es que lamayoría de estudiosque se han efectuado con aplicacionesmédicas sonen inglés y, por ende, el vacíode información en apliaciones construi-das en otros idiomas es muy grande.

¿Qué debería tener en cuenta unusuario al elegir una aplicación en

salud?

Es deseable, antes de descargar unaaplicación, efectuar una lista de chequeoque incluya las siguientes preguntas:

1. ¿Cuál es el propósito de la aplica-ción?, ¿cuál es su audiencia objeti-vo?, ¿el propósito de la aplicaciónrespondea lasnecesidadesdel usua-rio?

2. ¿Existe una descripción conciensuday amplia sobre las funcionalidadesde la apliación?

3. ¿Existen limitaciones, riesgos poten-ciales y preocupaciones resueltaspor el fabricante? Esto puede incluir

aspectos médicos como poner enriesgo la salud del usuario o de otraspersonas o el manejo que se le dé alos datos sensibles.

4. ¿Existe información sobre las fuentesutilizadas para construir la aplica-ción, sobre los autores responsablesdel contenido, sobre los desarro-lladores o su cualificación?, ¿quémedidas se han tomado para la pro-tección de datos y la privacidad? Sila aplicación recogedatos, ¿los usua-rios mantienen el control de estos?,¿se pide permiso antes de trans-mitir cualquier información?, ¿haninformación sobre los derechos conrelación a sus datos personales?

5. ¿Existen medidas apropiadaspara asegurar el adecuado al-macenamiento de los datos y laencriptación?

6. Si surgen dudas, ¿existe la posibi-lidad de contactar fácilmente a losfabricantes/desarrolladores?



Aplicaciones en diabetes

La diabetes constituye un problemade salud pública a nivel mundial, a hoyexisten en el mundomas de 400millonesde personas con diabetes, lo cual consti-tuye un gran potencial para el desarrollode tecnología en salud y explica a suvez por qué un gran número de lasaplicaciones existentes están enfocadasen esta enfermedad.Posiblemente, el número más grande

de estas se relaciona con herramientasde autocuidado, modificación del estilode vida (patrones saludables de alimen-tación y recetas, técnicas de conteo decarbohidratos, recomendaciones sobreactividad física) y motivación para unamejor adherencia al tratamiento farma-cológico. En un menor número, existenapps destinadas a dar apoyo en el tra-tamiento farmacológico de la patología,

ofreciendo calculadorasdebolosde insu-lina, recordatorios de administración demedicamentos y diferentes alertas, entreotras características.El menor porcentaje de aplicaciones

en diabetes, que tiene por objetivo a losprofesionales de salud, son casi todaslas de tipo educativo y la mayoría deestas son producidas por asociacionescientíficas. La American Association ofDiabetes Educators ofrece una librería deapps (DANAapps.org) donde se revisan,demanera independiente, característicasde las diferentes apps disponibles paraque la elección de la misma sea la me-jor (políticas de seguridad y privacidad,operabilidad, funcionalidad, rendimien-to, manejo de datos y calidad de laevidencia detrás de cada app). La figura1 resume los principales componentes ycaracterísticas de salud móvil en diabe-tes.

Tabla I. Resumen de aplicaciones en diabetes

Resumen de aplicacionesen diabetes Beneficios para pacientes

(resumen)Beneficios paraprofesionalesde la saludApps Plataforma Tipo

ADA SOC Apple/Android Recomendacionesde salud —

• Acceso a estándaresde cuidado ADA.• Aplicación web en líneadisponible.• Herramientas interactivaspara decisiones basadasen evidencia.• Acceso rápido a resumende nuevas recomendaciones.• Clasificaciones dediabetes ypoblaciones especiales.






One TouchReveal

My Sugr

iHealthGlucosmart

One Drop

Helalth2Sync

BeatO SmartBeatO Curv

Dario HealthDiabetesManagement

Apple/AndroidSeguimientodeglucosa

• Emparejamiento inalámbrico dedatos.• Alertas de glucosa.• Seguimiento de alimentos,medicamentos y ejercicio.• Apoyo para decisiones entiempo real por un coach.• Seguimiento manual de laglucosa.• Descargas con cables inteligentes.• Seguimiento biométrico.• Conexión de glucómetros.• Opciones de conectar conespecialistas en diabetes.• Enlace con alimentos y productospara diabéticos.• Seguimiento de insulina, CHOs, yactividad.• Base de datos de alimentos.• Servicio de localización deemergencia por GPS.

• Intercambio de datos.

• Registro paraprofesionales de la salud.

• Predicción A1c.

• Almacenamiento de datosseguro en la nube.

• Análisis de tendencias dela glucosa.

Glooko Apple/Android Manejo de datosy monitoreo

• Compatibilidad conmúltiplesdispositivos.

• Base de datos de 500.000 alimentos.

• Registro de dieta y ejercicio.

•Monitoreo remoto depacientes.• Reportes paraprofesionales de la salud.• Bombas de insulina,lapiceros, MCG,glucómetros e integraciónde smart apps.

DexcomG5/G6MCG

DexcomFollow

DexcomClarity

Apple/AndroidMonitoreocontinuo deglucosa

• Alertas en tiempo real de altas, bajasy bajas urgentes.• Alertas de predicción de hipoglucemia.• Alertas de tasa de cambio.• Intercambio de datos.• Datos de tiempo en rango.• Reportes retrospectivos y tendencias.• Intercambio de datos con clínica.

•Monitoreo remoto depacientes.

• Reportes para profesionalesde la salud.






FreeStyleLibreLink

LibreLinkUP

MedtronicGuardianConect

Sugar IQ

Eversense

CGM in thecloud/nightscout

Apple/Android MCG

• Valores en tiempo real de glucosacargados cadaminuto.• Escaneo indoloro.• Tendencias y patrones.• Conexión con profesionales de lasalud y cuidadores.• Información compartida conseguidores.• Notificaciones.• Logbooks.Valores en tiempo real.• Alertas predictivas.•Mensajes de texto de alerta.• Sitio web, relojes inteligentes, apps.

•Monitoreo remoto depacientes.

• AGP estadarizado.

Livongo

AppleHealth

MyFitnessPal

CalorieKing

Figwee

GlucoseBuddy

Meal IQ

DiabetesConnect

BeatDiabetes

DiabeticDiet

SugarSense

Apple/Android

Soporteenestilosde vida

• Soporte en tiempo real por especialistasen diabetes.• Recetas, tipos y artículos.• Orden de tiras reactivas y lancetasen linea.•Monitoreo de glucosa, insulina ymedicamentos.• Almacenamiento de datos en salud.• Bases de datos de alimentos.• Escaneo de códigos de barras dealimentos.• Personaliza metas de peso y ejercicio.• Grupos de apoyo.• Bases de datos de restaurantes ycadenas de comidas.• Herramientas para ajustes de porciones.•Monitoreo de glucosa y A1c.Monitoreo de TA, medicamentos y peso.• Planeadores de dietas.• Sincronización con glucómetros.• Soporte a pacientes con diagnósticoreciente.• Información sobre complicaciones ytratamiento.• Prácticas modernas y ayurvédicas.• Guías de alimentación saludable.• Lecciones en audio.• Contadores de pasos.

• Reportes paraprofesionales de lasalud.

• Enlace conmédicos yasociaciones.






BlueSense Apple/Android

Datos de glucosay soporteenestilosde vida

• Retroalimentación con inteligenciaartificial.• Personaliza reportes y es educativo.

• Reportes paraprofesionales de lasalud.• Enlace con educadores.

BlueSense Apple/Android Manejo de

medicamentos

• Simulación de uso.• Instrucciones auditivas y visuales.•Monitorizador de kit de glucagón.• Notificación de recordatorios.

GoodRX

RXSaver

Apple/Android Ahorros enprescripciones

• Comparación de precios.• Cupones de descuento.• Seguimiento de precios y alertas.

Fuente: adaptación de Doyle-Delgado y Chamberlain (8).

La Asociación Americana de Endocri-nólogos Clínicos (AACE), en su guía de“uso de tecnología en el manejo de per-sonas con diabetesmellitus”, sugiere quelas aplicaciones clínicamente validadaspueden ser recomendadas a pacientescon diabetes mellitus (DM) para enseñaro reforzar herramientas de autocuidado,optimizar su compromiso con el mismoy estimular hábitos saludables (apps debajo riesgo); de igual manera, advierteque el uso de calculadoras de dosis deinsulina que no tienen aprobación de laFDA debe hacerse con precaución antela falta de datos que demuestren suseguridad y eficacia.

Aquellas apps cuyo uso se hace encombinación con dispositivos comobombas de infusión de insulina o smartpens, o dirigidas al cálculo de dosis

de insulina (apps de alto riesgo) sonsometidas a una mayor exigencia porparte de los entes reguladores. La tablaI resume las apps más comúnes endiabetesExisten pocos ensayos clínicos, estu-

dios de cohortes o de casos y controlesque evalúen el impacto de las appsusadas en DM con diferentes desenlaces.Al revisar los diferentes metaanálisis ylas revisiones sistemáticas que existenevaluando su impacto, la evidencia escontradictoria, algunos demuestran queel uso de apps no tiene impacto enHbA1c, otros que ofrece reducciones de laHbA1c pero con un impacto clínico bajo(reduccionesdeHbA1c inferiores al 0,4%)y otros que el descenso oscila entre 0,4 y0,9%.Un punto a destacar en este sentido



Figura 1. Componentes y características de saludmóvil en diabetes.

Fuente: adaptado de Shan, Sarkar y Martin (10).

es que, usualmente, el paciente que usauna app tiene al mismo tiempo dife-rentes intervenciones para el manejo dela patología, así que evaluar el impactoindividual de cada aplicación puede noresultar fácil, la mayoría apoya el con-cepto deque generan cambios relevantesen el estilo de vida y otros encuentranque su efecto sobre el control glucémicodepende del uso adicional de técnicas demanejo interactivo (llamadas y mensajesde texto); de igual manera, el porcentajede tiempo de uso de la tecnología y el

tipo de DM impactan en los desenlaces(siendo mayor el beneficio en los usua-rios durante más del 80% del tiempo ycon DM2, respectivamente en donde hayestudios que reportan una reducción deHbA1c entre el 0,15 y el 1,9%). En general,se acepta que el uso de apps puede tenerun impacto clínico modesto en términosde control glucémico.

En los pacientes con DM (1 y 2), losusuarios de apps tienen una mayor ten-dencia al autocuidado, independiente-mente de la edad, el género y el nivel



educativo. Se adhieren significativamen-te más a la dieta, tienen mayores nivelesde actividad física y realizan más gluco-metrías.Existe entonces mucho camino por

recorrer en el mundo de las apps aplica-das al cuidado de la salud, sin embargo,para casos individuales su uso puedeconstituir una opción atractiva y útil,siemprequeesta seaelegida según las ca-racterísticas de cadapaciente y sea usadademanera regular y adecuada; asimismo,es fundamental que el paciente cuentecon una red de apoyo de profesionalesque loorientenen la elecciónde lamismay le brinden educación, entrenamiento yapoyocontinuo,para integrarladentrodesu régimen de tratamiento.De manera adicional, debe tenerse en

cuenta que el uso de la tecnología noelimina completamente la necesidad deautocuidado por parte del paciente, porlo cual las expectativas ante su uso debenser ajustadas a la realidad.Finalmente, se espera que el acceso

de mayor número de pacientes a latecnología les permita no solo el logrode metas de tratamiento, sino tambiénmejorar la calidad de vida al reducirla carga de enfermedades crónicas ycomplejas como las que padecen.

Conclusiones

La tecnología hoy hace parte del cui-dado de la salud como de la vida misma.

Existen aún grandes vacíos regulato-rios por resolver en el campo de lasaplicaciones en endocrinología.La aplicaciones móviles pueden ofre-

cer herramientas que ayudan a optimizarel control de diferentes patologías cróni-cas.La adherencia es un punto fundamen-

tal para lograr beneficios con el uso de latecnología.Dentro de la endocrinología, las apps

para pacientes con diabetes son las máscomunes y las más estudiadas.A pesar de que se requieren más estu-

dios clínicos y de mayor calidad que eva-lúeneficacia y seguridad, existe evidencialimitada que demuestra efectividad mo-desta del uso de aplicaciones en diabetespara mejorar el control glucémico.

Referencias

[1] We are social [Sitio virtual]. Inglaterra:We are Social; 2021. Disponible en:https://wearesocial.com/digital-2021↑Ver página

[2] Albrecht U, von Jan U. Medicalapps in endocrine diseases- hide and seek. Ther AdvEndocrinol Metab. 2014;5(2):23-33.https://doi.org/10.1177/2042018814539375 ↑Ver página

[3] Eng D, Lee J. The promise and perilof mobile health applications fordiabetes and endocrinology. Pediatr



Diabetes. 2013;14:231-8. https://doi.org/10.1111/pedi.12034↑Ver página

[4] American Diabetes Association.Diabetes Technology: Standards ofMedical Care inDiabetes 2021. DiabetesCare. 2021;44(supl. 1):S85-S99.https://doi.org/10.2337/dc21-S007 ↑Ver página

[5] Grunberger G, Sherr J, Allende M,Blevins T, Bode B, Handelsman Y, etal. American Association of ClinicalEndocrinology Clinical PracticeGuideline: The Use of AdvancedTechnology in the Managementof Persons With Diabetes Mellitus.Endocr Pract. 2021 jun;27(6):505-37.https://doi.org/10.1016/j.eprac.2021.04.008 ↑Ver página

[6] Veazie S,Winchell K, Gilbert J, PaynterR, Ivlev I, Eden K, et al. Mobile applica-tions for self-management of diabetes.Maryland, Estados Unidos: Agency forHealthcare Research andQuality; 2018.↑Ver página

[7] Zhang L, He X, Shen Y, et al.E�ectiveness of smartphoneapp-based interactivemanagement onglycemic control in Chinese patientswith poorly controlled diabetes: arandomized controlled trial. J MedInternet Res. 2019;21(12), e15401.https://doi.org/10.2196/15401 ↑Ver página

[8] Doyle-Delgado K, Chamberlain J.Use of diabetes-related applicationsand digital health tools by peoplewith diabetes and their healthcare providers. Clin Diabetes. 2020dic.;38(5):449-61. https://doi.org/10.2337/cd20-0046 ↑Verpágina 116

[9] Fleming G. Petrie J, Bergenstal R, HollR, Peters A, Heinemann L. Diabetesdigital app technology: benefits,challenges, and recommendations.a consensus report by the EuropeanAssociation for the Study of Diabetes(EASD) and the American DiabetesAssociation (ADA)Diabetes TechnologyWorking Group. Diabetes Care. 2020en.;43(1):250-60. https://doi.org/10.2337/dci19-0062 ↑Verpágina

[10] Shan R, Sarkar S, Martin S. Digitalhealth technology and mobile devicesfor the management of diabetesmellitus: state of the art. Diabetología.62:877-87. https://doi.org/10.1007/s00125-019-4864-7 ↑Verpágina 117

[11] Fu H, McMahon S, Gross C, Adam T,Wyman J. Usability and clinical e�icacyof diabetes mobile applicationsfor adults with type 2 diabetes: Asystematic review. Diabetes ResClin Pract. 2017 sept.;131:70-81.https://doi.org/10.1016/



j.diabres.2017.06.016 ↑Verpágina

[12] Kebede M, Pischke C. PopularDiabetes apps and the impactof diabetes app use on self-care

behaviour: a survey among the digitalcommunity of persons with diabeteson social media. Front Endocrinol(Lausanne). 2019 mzo. 1;10:135.https://doi.org/10.3389/fendo.2019.00135 ↑Ver página

Cómo citar:Fériz-Bonelo K, Vallejo-González S. Apps en Endocrinología: del universo a la individualidad. Rev.Colomb. Endocrinol. Diabet.Metab. 2021. 8(1): 105-120.https://doi.org/10.53853/encr.8.1.702


Una publicación de:

Recomendaciones elaboradas con el apoyo financiero de Abbott; estas reflejan las posiciones

de los autores y no las de la compañía patrocinadora.

Documents

Tecnología en Endocrinología - ACE