Estado de la Hemoglobina Glucosilada y Predicción del Control Glucémico en Pacientes con Diabetes Tipo 2 Tratados con Insulina en el Norte de China: Un Estudio Observacional Multicéntrico
La diabetes mellitus tipo 2 (DM2) representa un problema de salud global, cuya prevalencia se espera que aumente significativamente en las próximas décadas. En China, la situación es particularmente alarmante, ya que el país alberga el mayor número de personas con diabetes a nivel mundial. El control efectivo de la glucosa en sangre es crucial para manejar la DM2 y prevenir complicaciones. Este estudio buscó investigar el estado del control glucémico en pacientes con DM2 tratados con insulina en el norte de China y explorar la aplicación de algoritmos de aprendizaje automático combinados con regresión de red elástica (RNE) para predecir dicho control.
Métodos
El estudio se realizó en 27 centros de seis ciudades del norte de China (Tianjín, Tangshán, Datong, Qinhuangdao, Cangzhou y Taiyuan). Se recopilaron datos de 2787 participantes consecutivos entre enero de 2016 y diciembre de 2017. Los criterios de inclusión fueron diagnóstico de DM2, edad ≥18 años y uso de insulina basal durante al menos tres meses. Se excluyó a quienes rechazaron firmar el consentimiento informado, tenían antecedentes de alergia a medicamentos, estaban embarazadas, en lactancia o presentaban condiciones psiquiátricas.
Se recopiló información básica (sexo, edad, tabaquismo, consumo de alcohol, estado civil) y relacionada con la diabetes (duración de la enfermedad, hábitos de ejercicio, dieta, medicación oral, complicaciones, episodios de hipoglucemia, dosis de insulina). Los exámenes físicos incluyeron talla, peso, circunferencia de cintura/cadera y presión arterial. Los análisis de laboratorio midieron glucosa en ayunas (FBG), glucosa postprandial (1HBG y 2HBG), hemoglobina glucosilada (HbA1c), colesterol total (TC), triglicéridos (TGs), HDL-C y LDL-C.
Resultados
El control glucémico se definió como HbA1c <7,0% según las guías chinas. Solo el 45,82% de los participantes alcanzó este objetivo. Los factores asociados a un mejor control incluyeron antecedentes de hipertensión, enfermedad cardiovascular aterosclerótica (ASCVD), ejercicio regular y niveles elevados de TC. Por el contrario, la adiposidad central, antecedentes familiares de diabetes, mayor duración de la DM2, complicaciones, dosis altas de insulina, presión arterial elevada e hipertensión se identificaron como factores de riesgo.
Para abordar la multicolinealidad, se aplicó RNE, seleccionando 19 de 42 variables iniciales. Posteriormente, se implementaron tres algoritmos de aprendizaje automático (bosque aleatorio [RF], máquina de vectores de soporte [SVM] y red neuronal de retropropagación [BP-ANN]) para predecir el control glucémico. Los datos se dividieron en conjuntos de entrenamiento y prueba (proporción 7:3). El modelo RF mostró el mejor rendimiento con sensibilidad, especificidad, precisión y área bajo la curva (AUC) de 0,79, 0,73, 0,75 y 0,75, respectivamente. La SVM mostró la mayor mejora post-reducción dimensional, con incrementos del 37,70% en sensibilidad y 18,03% en AUC.
En comparación con la regresión logística tradicional, los modelos de aprendizaje automático combinados con RNE demostraron mayor sensibilidad y precisión (p. ej., sensibilidad de RF: 0,79 vs. 0,52 en regresión logística).
Discusión
Los hallazgos subrayan la importancia de los factores de estilo de vida, como el ejercicio regular y ajustes dietéticos, en el control glucémico. La alta prevalencia de control subóptimo (54,18%) resalta la necesidad de intervenciones integrales para reducir el riesgo de complicaciones. La combinación de RNE con algoritmos de aprendizaje automático ofrece una herramienta predictiva superior a los métodos estadísticos tradicionales, facilitando estrategias terapéuticas personalizadas.
Limitaciones
La ausencia de muestreo aleatorio riguroso y el enfoque en pacientes ambulatorios podrían limitar la generalización de los resultados. Futuras investigaciones deberían incluir muestras más diversas y explorar relaciones causales entre los factores identificados.
Conclusión
Este estudio evidencia el control glucémico inadecuado en más de la mitad de los pacientes con DM2 tratados con insulina en el norte de China. La integración de técnicas de aprendizaje automático y RNE mejora significativamente la predicción del control glucémico, proporcionando un marco innovador para la gestión clínica de la DM2.
doi.org/10.1097/CM9.0000000000000585