Modelo de IA permite predicciones personalizadas de glucosa en diabetes tipo 1
Actualizado el 26 Mar 2026
La diabetes tipo 1 (DT1) requiere un control riguroso de la glucosa en sangre y una dosificación precisa de insulina, ya que incluso pequeños errores pueden provocar fluctuaciones peligrosas. La monitorización continua de glucosa (MCG) proporciona datos en tiempo real para la predicción, pero las diferencias fisiológicas entre los usuarios y la limitada adaptabilidad para nuevos usuarios siguen siendo un desafío.
Muchos algoritmos existentes se centran en patrones a corto o largo plazo, pasando por alto dinámicas complementarias y reduciendo la consistencia entre edades y rutinas diarias. Ahora, los investigadores han desarrollado un modelo de aprendizaje automático para mejorar la predicción individual de la glucosa, abordando la variabilidad entre pacientes que ha limitado las herramientas actuales.
Desarrollado en la Universidad Nacional de Jeonbuk (Jeonju, Corea del Sur), BiT-MAML combina redes de memoria a largo y corto plazo bidireccionales (LSTM) y arquitecturas Transformer con aprendizaje meta independiente del modelo (MAML). El componente LSTM procesa series temporales continuas de glucosa de forma bidireccional para captar fluctuaciones a corto plazo. El Transformer, que utiliza atención multi-cabeza, modela ciclos de mayor duración relacionados con el estilo de vida, mientras que el metaaprendizaje acelera la personalización a partir de datos limitados.
El rendimiento se evaluó mediante validación cruzada con exclusión de un paciente, entrenamiento con múltiples pacientes y prueba con un caso no visto. En comparación con los enfoques convencionales, el modelo logró errores de predicción significativamente menores. Los errores absolutos oscilaron entre 19,64 y 30,57 miligramos por decilitro entre los individuos, lo que pone de manifiesto mejoras con respecto a las líneas base estándar de memoria a corto y largo plazo y la variabilidad persistente.
El trabajo se publicó en Scientific Reports. Los investigadores destacan la importancia de los marcos de evaluación que capturan de forma transparente la variabilidad entre los usuarios. Señalan que la combinación de arquitecturas avanzadas con una evaluación rigurosa puede fortalecer la confianza y el rendimiento en la predicción basada en la monitorización continua de la glucosa para personas con diabetes tipo 1.
"La dinámica de los niveles de glucosa en sangre no es uniforme en todos los pacientes. Los patrones fisiológicos de un paciente anciano son muy diferentes a los de un adulto joven", afirmó Jaehyuk Cho, profesor del Departamento de Ingeniería de Software de la Universidad Nacional de Jeonbuk.
"Abordar este desafío contribuirá al desarrollo de modelos de monitorización continua de glucosa eficaces que puedan servir a diversos pacientes con diabetes tipo 1, desde niños hasta ancianos", dijo Jaehyuk Cho.