Un estudio in silico utiliza digital twins (gemelos digitales) para simular estrategias predictivas y evaluar su posible impacto sobre el control glucémico en personas con diabetes tipo 1
Lugones Editorial©
Con el objetivo de cuantificar los posibles beneficios glucémicos de las características predictivas de la aplicación Accu-Chek® SmartGuide Predict en adultos con diabetes tipo 1, este estudio in silico utiliza digital twins (gemelos digitales) para simular diferentes intervenciones y evaluar su posible impacto sobre el control glucémico.
Resumen gráfico
Introducción
El monitoreo continuo de glucosa (MCG) es el estándar de atención para el monitoreo de la glucosa en personas con diabetes tratada con insulina. Sin embargo, persiste una brecha significativa de atención, ya que casi el 50% de los usuarios de MCG todavía no logra los objetivos terapéuticos recomendados.
Estos sistemas muestran principalmente valores de glucosa pasados y actuales, lo que limita la posibilidad de actuar sobre los eventos glucémicos antes de que ocurran. Además, la dependencia de alarmas basadas en umbrales para niveles altos y bajos de glucosa contribuye a la carga asociada al manejo de la enfermedad y puede generar fatiga de las alarmas, angustia y alteraciones del sueño. Estas limitaciones subrayan la necesidad de herramientas más proactivas e inteligentes que ayuden a los usuarios a transformar los datos del MCG en acciones preventivas.
La dependencia de alarmas basadas en umbrales para niveles altos y bajos de glucosa contribuye a la carga asociada al manejo de la enfermedad, limitación que subraya la necesidad de herramientas más proactivas e inteligentes
La aplicación Accu-Chek® SmartGuide Predict
La aplicación Accu-Chek® SmartGuide Predict, en adelante aplicación Predict, es una solución digital basada en inteligencia artificial (IA) que utiliza algoritmos de aprendizaje automático para proporcionar predicciones de glucosa a diferentes horizontes temporales y facilitar un manejo más proactivo de la diabetes.
Cuenta con tres funcionalidades predictivas:
- Predicción de glucosa baja (LGP): notifica al usuario un alto riesgo de hipoglucemia en los próximos 30 minutos, para permitir acciones preventivas, como el consumo de carbohidratos.
- Predicción de glucosa (GP): ofrece un pronóstico continuo de glucosa a 2 horas, representado como una curva con intervalos de confianza, para anticipar posibles excursiones glucémicas.
- Predicción baja nocturna (PNL): evalúa el riesgo de hipoglucemia durante las próximas 7 horas y genera una notificación a la hora de acostarse para facilitar medidas preventivas.
La aplicación forma parte de la solución Accu-Chek SmartGuide, que incluye un sensor de MCG en tiempo real y una plataforma clínica para la supervisión por parte de los profesionales de la salud.
Si bien la precisión de sus algoritmos y la aceptación por parte de los usuarios se habían evaluado previamente, su impacto directo sobre los resultados glucémicos aún no se había cuantificado completamente.
Las tres características predictivas de la interfaz de usuario de la aplicación Accu-Chek SmartGuide Predict. A) La notificación push de predicción de glucosa baja (LGP), que informa al usuario de un alto riesgo de hipoglucemia en 30 minutos. B) El pronóstico de predicción de glucosa (GP) de 2 horas, que se muestra con su intervalo de confianza. C) El indicador de riesgo de previsión baja nocturna (PNL), que indica la probabilidad de hipoglucemia nocturna
Simuladores metabólicos
Los simuladores metabólicos, como el simulador de la Universidad de Virginia (UVA)/Padova, aprobado por la FDA, se han utilizado como estándar para la evaluación preclínica in silico de tecnologías para la diabetes. Si bien permiten modelar la diversidad fisiológica de una población, presentan limitaciones para representar la variabilidad individual observada en la práctica clínica.
Para abordar esta limitación surgieron los gemelos digitales, herramientas basadas en datos que pueden personalizarse a partir de los datos de MCG, insulina y carbohidratos de cada individuo. Esto permite reproducir escenarios de la vida real y evaluar, mediante simulaciones de tipo “qué pasaría si”, diferentes ajustes terapéuticos.
En este estudio se utilizó la tecnología de gemelo digital UVA Replay, un marco in silico clínicamente probado. Su metodología combina un modelo personalizado de glucosa-insulina con una señal de “efecto neto” que permite incorporar fenómenos no modelados, como actividad física, estrés o enfermedad. El enfoque ha demostrado capacidad para reproducir las variaciones de glucosa observadas en participantes de ensayos clínicos y se ha utilizado para orientar la individualización de tratamientos.
Por lo tanto, el estudio utiliza este marco de evaluación in silico para simular escenarios terapéuticos alternativos en sujetos virtuales y evaluar los posibles beneficios glucémicos de las funciones predictivas de la aplicación Predict.
Métodos
- Marco de evaluación in silico
El estudio se desarrolló en tres fases: generación de gemelos digitales, simulación y análisis. El marco integró tres componentes: un simulador del metabolismo de la glucosa basado en la metodología UVA Replay, un modelo de comportamiento del usuario para traducir las predicciones de la aplicación Predict en acciones simuladas y un modelo de error del MCG para reproducir las características del sensor en condiciones reales.
- Datos y generación de los gemelos digitales
Se utilizaron datos del conjunto público REPLACE-BG, correspondiente a 226 adultos con diabetes tipo 1, que incluía registros de MCG, carbohidratos e insulina durante 6 meses. Tras excluir a dos participantes sin datos de insulina, se seleccionaron 20 sujetos para una cohorte piloto, utilizada para desarrollar y ajustar los modelos de comportamiento. Los 204 sujetos restantes constituyeron la cohorte principal.
Para cada día válido se generó un gemelo digital individualizado mediante UVA Replay, utilizando los datos de MCG, insulina y comidas para caracterizar la dinámica glucosa-insulina de ese día. El modelo incorporó además una señal de “efecto neto” destinada a representar factores no modelados directamente, como actividad física, estrés o enfermedad.
Tras el control de calidad, la cohorte principal comprendió 29.929 días válidos de datos, que fueron utilizados para las simulaciones.
El estudio utiliza un marco de evaluación in silico para simular escenarios terapéuticos alternativos en sujetos virtuales y evaluar los posibles beneficios glucémicos de las funciones predictivas de la aplicación Predict
- Simulación de escenarios terapéuticos
Los gemelos digitales integraron el modelo metabólico, el modelo de comportamiento del usuario y el modelo de error del MCG para reproducir distintos escenarios terapéuticos y evaluar mediante simulación “qué pasaría si” ante el uso de las funciones predictivas de la aplicación Predict.
El brazo de control simuló estrategias estándar de mitigación de la hipoglucemia y la hiperglucemia. Los brazos de intervención evaluaron por separado las tres funciones predictivas —predicción de glucosa baja (LGP), predicción de glucosa (GP) y predicción baja nocturna (PNL)— y su utilización combinada.
Para la función LGP se simularon tres cantidades de carbohidratos de acción rápida ante una predicción de hipoglucemia: 5, 10 y 15 g. Para la PNL se simuló el consumo de un refrigerio de 20 g de carbohidratos de absorción más lenta ante una predicción de riesgo alto o muy alto de hipoglucemia nocturna.
Los modelos de comportamiento incorporaron una respuesta probabilística para representar la adherencia del usuario a las intervenciones. Las estrategias de mitigación de hipoglucemia e hiperglucemia se basaron en recomendaciones clínicas y se aplicaron de acuerdo con los valores de glucosa simulados y, en los brazos predictivos, con las predicciones generadas por la aplicación.
- Análisis
Los principales resultados evaluados fueron el tiempo por debajo del rango (<70 mg/dL), el tiempo en rango (70-180 mg/dL), el tiempo en rango estrecho (70-140 mg/dL), el tiempo por encima del rango (>180 mg/dL), la glucosa media y el número diario de alarmas de hipoglucemia.
Los resultados de cada brazo de intervención se compararon con el brazo de control mediante pruebas t pareadas.
Resultados
- Resultados glucémicos de 24 horas
En la cohorte de 204 gemelos digitales, todas las intervenciones que incluyeron predicción de glucosa baja (LGP) redujeron significativamente el tiempo por debajo del rango (TBR, <70 mg/dL) y la frecuencia diaria de alarmas de hipoglucemia, en comparación con el control.
A su vez, las intervenciones LGP, predicción de glucosa (GP) y la estrategia combinada (ALL) aumentaron significativamente el tiempo en rango (TIR, 70-180 mg/dL). El efecto sobre el tiempo por encima del rango (TAR, >180 mg/dL) varió según la estrategia y la dosis de carbohidratos: las dosis más altas, particularmente 15 g, se asociaron con un aumento del tiempo en hiperglucemia y de la glucosa media.
La estrategia combinada ALL con 10 g de carbohidratos mostró el mejor equilibrio entre prevención de la hipoglucemia y control glucémico general, con una reducción del TBR y de las alarmas de hipoglucemia, junto con un aumento del TIR y del tiempo en rango estrecho (70-140 mg/dL).
Comparación de las métricas glucémicas entre los brazos de intervención de control y ALL (10 g) en la cohorte del estudio (n = 204). La figura muestra gráficos de caja que comparan la distribución de los resultados glucémicos clave.
- Predicción de hipoglucemia nocturna
En la evaluación nocturna, la predicción baja nocturna (PNL) redujo significativamente el TBR (<70 mg/dL) frente al control (3,6% vs. 4,0%; P < 0,001), sin cambios relevantes en el TIR ni en el TAR.
En comparación, la estrategia de consumir siempre un refrigerio de 20 g de carbohidratos a la hora de acostarse redujo más la hipoglucemia, pero a costa de un marcado aumento de la hiperglucemia. La PNL permitió, por lo tanto, una reducción más específica del riesgo de hipoglucemia nocturna, sin el incremento de hiperglucemia observado con la ingesta preventiva sistemática.
- Consistencia de los resultados
Los efectos de las intervenciones fueron altamente consistentes entre la cohorte piloto de 20 sujetos y la cohorte principal, lo que respaldó la reproducibilidad de los resultados simulados.
Discusión
Esta evaluación in silico mostró que las funciones predictivas de la aplicación Predict podrían mejorar el control glucémico en adultos con diabetes tipo 1. La estrategia combinada ALL con 10 g de carbohidratos aumentó el TIR de 68,7% a 72,3% y redujo el TBR de 4,0% a 1,1%, con una disminución del 67% en las alarmas diarias de hipoglucemia (de 2,1 a 0,7 eventos/día).
Uno de los principales aportes del estudio fue demostrar, mediante gemelos digitales, que la intensidad de una intervención predictiva puede ajustarse. La evaluación de diferentes dosis de carbohidratos identificó 10 g como el mejor equilibrio simulado entre prevenir la hipoglucemia y evitar la hiperglucemia de rebote, frente a dosis mayores.
La función de predicción de glucosa (GP) también permitió reducir el tiempo por encima del rango, al simular ajustes proactivos basados en el pronóstico de glucosa antes de que la hiperglucemia se desarrollara por completo.
En el análisis nocturno, la función PNL redujo el TBR de 4,0% a 3,6%, sin un aumento relevante del tiempo en hiperglucemia. En cambio, el consumo sistemático de un refrigerio a la hora de acostarse redujo más la hipoglucemia, pero a costa de un marcado incremento de la hiperglucemia. Esto muestra el potencial de una estrategia dirigida por predicciones, en lugar de intervenciones rutinarias.
Los resultados deben interpretarse como beneficios potenciales derivados de una simulación. Su principal fortaleza es el uso de gemelos digitales generados a partir de datos de un ensayo clínico, lo que permitió evaluar escenarios de “qué pasaría si” en condiciones individualizadas. Sin embargo, los modelos de comportamiento no reproducen toda la complejidad de las decisiones humanas y los resultados requieren confirmación en estudios clínicos del mundo real.
La evaluación de diferentes dosis de carbohidratos identificó 10 g como el mejor equilibrio simulado entre prevenir la hipoglucemia y evitar la hiperglucemia de rebote, frente a dosis mayores
Conclusiones
Los gemelos digitales permitieron simular de manera individualizada diferentes estrategias de manejo basadas en predicciones de glucosa y cuantificar sus posibles efectos antes de evaluarlas clínicamente. La simulación mostró que estas intervenciones podrían reducir la hipoglucemia y aumentar el tiempo en rango, y permitió identificar una dosis de 10 g de carbohidratos como estrategia equilibrada para la prevención predictiva de la hipoglucemia.
Estos resultados respaldan el potencial de los digital twins como herramienta para evaluar y optimizar intervenciones de manejo de la diabetes tipo 1, aunque deberán confirmarse en estudios clínicos prospectivos.
Esta evaluación in silico proporciona pruebas sólidas que respaldan la posible utilidad clínica de la aplicación Accu-Chek SmartGuide Predict para mejorar el manejo glucémico en adultos con diabetes tipo 1
Diabetes tipo 1: digital twins para simular intervenciones
Fuente
Herrero P, Andorrà M, Breton MD, et al. Glucose predictions improve glycemic control: a digital twin evaluation. Diabetes Technology & Therapeutics. 2026;28(10):1052-1062.
