Como a inteligência artificial está transformando o diagnóstico e o manejo do pré-diabetes

O pré-diabetes é uma condição caracterizada por níveis elevados de glicose no sangue que se situam abaixo dos limiares diagnósticos para o diabetes. O diagnóstico é estabelecido por meio da glicemia de jejum alterada (100-125 mg/dL), tolerância à glicose alterada (140-199 mg/dL na marca de 2 horas após uma carga de 75g de glicose) ou níveis de A1C variando entre 5,7% e 6,4%.

Esta condição é clinicamente relevante, pois aproximadamente 10% dos indivíduos com pré-diabetes progridem anualmente para o diabetes tipo 2 (T2D). Além disso, está associado a riscos significativos, incluindo complicações macrovasculares.

Dada a alta prevalência e as consequências do pré-diabetes, há uma necessidade urgente de melhorar as estratégias de prevenção, detecção precoce e gerenciamento. Nos últimos anos, houve uma expansão no uso da inteligência artificial (IA) e do aprendizado de máquina (ML) na prevenção e manejo de doenças crônicas, incluindo o pré-diabetes. Essas ferramentas aproveitam dados de diversas fontes, como registros eletrônicos de saúde (EHR), monitoramento contínuo de glicose (CGM) e dispositivos vestíveis, para prever o início da doença, identificar fatores de risco e rastrear a progressão para o T2D ou complicações relacionadas.

Além da análise preditiva, a IA também tem potencial para aprimorar as intervenções de estilo de vida, oferecendo métodos escaláveis e econômicos para apoiar as mudanças comportamentais. Dada a rápida evolução e o crescimento do uso de IA/ML, Lalani e colaboradores desenvolveram uma revisão para descrever as aplicações atuais da IA e ML no contexto do pré-diabetes.

A maioria dos modelos de ML visou a predição de pré-diabetes, a sua progressão para diabetes e outras complicações, além de métricas de glicose. O desempenho geral dos modelos foi considerado favorável, com uma média de C-statistic de 0,81. Ao analisar modelos de predição de pré-diabetes, os modelos diagnósticos superaram os modelos prognósticos.

Um achado crucial que limita a aplicabilidade clínica é que apenas 20 estudos relataram validação externa dos modelos de ML, e a disponibilidade de dados ou código para replicação foi limitada. Além disso, poucos estudos compararam o desempenho dos modelos de ML com ferramentas de risco padrão.

As intervenções baseadas em IA/ML foram divididas em Programas Automatizados de Prevenção de Diabetes (DPPs) e plataformas de Nutrição Personalizada. Os seis DPPs automatizados avaliados demonstraram resultados clínicos positivos, como melhorias no controle glicêmico, perda de peso e aumento da atividade física. Por exemplo, o Alive-PD mostrou maiores reduções na A1C e glicemia de jejum em comparação com o cuidado habitual em um ensaio clínico randomizado (RCTs), enquanto o Lark DPP demonstrou perda de peso sustentada ao longo de 12 meses. No entanto, a evidência de RCTs nesta área ainda é limitada.

As plataformas de Nutrição Personalizada apresentaram eficácia mista. O DayTwo, que utiliza um modelo de ML para prever a resposta glicêmica pós-prandial (PPGR), conseguiu reduzir o PPGR em um RCT em comparação com a dieta mediterrânea, mas em outro estudo não mostrou diferença significativa na perda de peso ou nas mudanças na A1C em comparação com a restrição calórica padrão. As intervenções baseadas em IA utilizam dados multimodais, sendo os aplicativos de smartphone as plataformas de entrega mais comuns, incorporando dados de wearables, monitoramento contínuo de glicose e entradas do próprio usuário.

Em conclusão, a maior parte da pesquisa em IA/ML para pré-diabetes concentrou-se na modelagem preditiva, que se mostra promissora, mas ainda carece de validação externa e de comparação com ferramentas padrão para garantir a translação para o ambiente clínico. As intervenções de estilo de vida baseadas em IA, embora escaláveis e demonstrando resultados positivos, necessitam de avaliações mais rigorosas, incluindo RCTs que as comparem diretamente com o tratamento padrão.