«Se están centrando cada vez más esfuerzos académicos e industriales en interconectar tres fuentes distintas de datos de salud: ( 1 ) registros médicos y de laboratorio electrónicos que reflejan el fenotipo y el estado de salud, ( 2 ) sensores portátiles y dispositivos móviles que monitorean la salud y el estilo de vida en tiempo real, y ( 3 ) datos genómicos, transcriptómicos o metabolómicos. La información genómica se utiliza para descubrir factores o características de riesgo hereditarios que se aplican en la medicina de precisión para guiar las decisiones de tratamiento. Esta información se fija en el tiempo para cualquier individuo. Por el contrario, los registros médicos actualizados periódicamente y especialmente el uso de dispositivos de detección de salud en tiempo real proporcionan un seguimiento preciso de la salud y la enfermedad a lo largo del tiempo. La tendencia tecnológica hacia dotar a la electrónica de consumo de capacidades para detectar señales fisiológicas, como el movimiento, la frecuencia cardíaca o los niveles de azúcar en sangre, está creando un vasto espacio de datos. Si se procesan adecuadamente, estos datos en tiempo real pueden cambiar fundamentalmente los paradigmas de investigación y transformar la práctica clínica.
Sin embargo, más datos no siempre son mejores. Con el aumento del volumen y la complejidad de los datos, el desafío es cómo extraer información relevante para la condición de un paciente particular en un momento particular. El camino clásico de la lógica médica de datos → información → decisión se vuelve difícil de seguir con los métodos tradicionales de la bioestadística. Se necesitan nuevos enfoques y, afortunadamente, están disponibles, que van desde el modelado, la simulación y los métodos de control óptimos hasta las herramientas de ciencia de datos en rápido desarrollo.
Antes de continuar, debemos enfatizar que, posiblemente, la diabetes mellitus es la condición humana mejor cuantificada. En los últimos 40 años, las tecnologías de monitorización metabólica han progresado desde la evaluación ocasional de la glucemia promedio a través de la hemoglobina glucosilada (HbA1c), hasta la monitorización de la glucosa en sangre unas cuantas veces al día, y la monitorización continua de la glucosa (MCG) que produce puntos de datos cada pocos minutos: series de tiempo. Seguimiento de la dinámica del sistema metabólico. La alta resolución temporal de los datos del MCG ha permitido tratamientos avanzados, como el apoyo a la toma de decisiones que ayuda a la inyección de insulina o la medicación oral, o el control automatizado de circuito cerrado conocido como «páncreas artificial». También se encuentran disponibles sofisticados modelos y simuladores metabólicos.
En este artículo, revisamos el progreso de las tecnologías de datos para la diabetes desde el 1 de julio de 2022 hasta el 30 de junio de 2023. Estructuramos los resultados de esta revisión en tres secciones: ( 1 ) control de circuito cerrado o administración automatizada de insulina (AID ), que parece ser el término preferido recientemente; ( 2 ) sistemas de apoyo a la toma de decisiones (DSS), en particular aquellos que utilizan métodos contemporáneos como la inteligencia artificial, y ( 3 ) adquisición, ingeniería, análisis y visualización de datos, que son herramientas de ciencia de datos que se aplican cada vez más a la recuperación de datos médicos electrónicos. registros (EMR) e información de seguimiento de enfermedades en tiempo real.»
DT&T
