Cribado de factores de riesgo y modelado predictivo del tiempo en el rango en pacientes con T2DM en terapia SIIT

Área de la Ciencia:

• Endocrinología
• Investigación de Diabetes Mellitus
• Ciencia de Datos Clínicos

Sus antecedentes:

• El manejo de la diabetes mellitus tipo 2 (T2DM) durante la hospitalización requiere la optimización del control de la glucosa en sangre.
• La terapia intensiva a corto plazo con insulina (SIIT) es una estrategia común, pero lograr el tiempo objetivo en el rango de glucosa en sangre (TIR) puede ser un desafío.
• Se necesitan modelos predictivos para el control glucémico intrahospitalario para un tratamiento personalizado.

Objetivo del estudio:

• Identificar los factores de riesgo que influyen en el TIR de glucosa en sangre en pacientes hospitalizados con T2DM que reciben SIIT.
• Desarrollar y validar un modelo predictivo para las fluctuaciones glucémicas intrahospitalarias utilizando datos del mundo real.
• Facilitar la aplicación clínica a través de un nomograma para el manejo personalizado de la glucosa.

Principales métodos:

• Análisis retrospectivo de 796 pacientes con T2DM sometidos a SIIT.
• Datos divididos en conjuntos de entrenamiento (70%) y validación (30%).
• Se construyeron modelos de regresión logística y random forest; se desarrolló un nomograma.

Principales resultados:

• La edad avanzada, la mayor glucosa en ayunas (FBG) y el uso de glinida afectaron negativamente el logro de TIR ≥ 70%.
• La condición de mujer y un mayor recuento de linfocitos se asociaron con una mayor probabilidad de lograr el TIR.
• La FBG, la nefropatía diabética y los eventos cardiovasculares adversos importantes (MACE) redujeron el riesgo de lograr un TIR ≥ 70% y un tiempo en rango terapéutico (TITR) ≥ 50% en 10 días.
• El modelo de regresión logística mostró una precisión predictiva superior (AUC=0.80).

Conclusiones:

• Se desarrolló un modelo de aprendizaje automático para predecir el logro del TIR en pacientes hospitalizados con T2DM.
• Se identificaron factores clínicos clave que influyen en el control glucémico.
• El modelo ofrece soporte de decisiones para el manejo personalizado de la glucosa y la optimización de las estrategias SIIT.