En 2021 se estimaba que 38,4 millones de personas en Estados Unidos tenían diabetes, y 97,6 millones con prediabetes tenían un mayor riesgo de padecerla. Aproximadamente, el 70 % de las personas con prediabetes desarrollan diabetes a lo largo de su vida. Además, hay evidencia de que las personas con prediabetes tienen un mayor riesgo de complicaciones microvasculares y macrovasculares, incluso si no cumplen los criterios diagnósticos para la diabetes.
Por ello, la Asociación Americana de Diabetes apoya el cribado, el diagnóstico y la intervención en personas con prediabetes. Estas recomendaciones son el resultado directo de hallazgos de ensayos históricos como el Programa de Prevención de la Diabetes de EE. UU. (DPP), que inscribieron participantes con prediabetes y probaron estrategias para prevenir o retrasar la progresión hacia la diabetes abierta. Los hallazgos principales incluyeron la reducción del inicio de la diabetes tipo 2 en un 58 % con modificación del estilo de vida y un 31 % con metformina en comparación con placebo durante el ensayo aleatorizado DPP de 3 años, y la durabilidad de las intervenciones iniciales para prevenir o retrasar la diabetes durante más de 20 años tras la aleatorización en el estudio observacional DPP de extensión, así como la rentabilidad de la modificación intensiva del estilo de vida y el ahorro en costes sanitarios con la metformina.
Mathioudakis y sus colegas investigaron si la inteligencia artificial (IA) podría ayudar a cubrir la brecha de implementación de los programas para la prediabetes en Estados Unidos. En un ensayo clínico aleatorizado de fase 3, de grupo abierto, paralelo y no por inferioridad, los autores aleatorizaron adultos con sobrepeso u obesidad y una hemoglobinaA 1c (HbA 1c) del 5,7 % al 6,4 % para recibir derivación a una intervención de estilo de vida liderada por IA modelada por DPP o a una DPP liderada por humanos reconocida por los CDC.
El DPP liderado por IA consistía en enviar a los participantes un kit de salud digital, que incluía un dispositivo de seguimiento de actividad y una báscula con instrucciones para enlazarlos a una aplicación que enviaba notificaciones de dieta, ejercicio y nutrición. El resultado principal fue un punto final sustituto compuesto de la prevención de la diabetes que incluyó un mantenimiento deHbA 1c inferior al 6,5 % y una pérdida de peso de al menos un 5 %, una pérdida de peso de al menos un 4 % y una actividad física de al menos 150 minutos a la semana, o una reducción deHbA 1c en al menos 0,2 puntos porcentuales a los 12 meses.
Entre 427 individuos evaluados para su elegibilidad en 2 sistemas de salud, 368 fueron aleatorizados y 313 (85 %) completaron el ensayo en 3 años. 10 participantes del ensayo tenían un alto nivel de actividad física y educación basal, y un alto porcentaje eran mujeres y blancos, lo que limitaba la generalizabilidad.
Los resultados demostraron que el DPP totalmente automatizado dirigido por IA no era inferior a uno liderado por humanos, con un 32 % de los participantes logrando el resultado compuesto (58 de 183 participantes [31,7 %] en el grupo DPP liderado por IA y 59 de 185 [31,9 %] en el grupo DPP liderado por humanos; diferencia de riesgo, −0,2 % [IC 95 % 1-lateral, −8,2 %]). Los 3 componentes individuales del resultado compuesto fueron direccionalmente coherentes con los resultados del resultado primario.
Dado que el DPP liderado por IA no fue más efectivo que el liderado por humanos, los autores concluyen que el valor del DPP liderado por IA reside en su escalabilidad, más que en su superioridad.
El diseño del estudio también podría describirse como un ensayo aleatorizado híbrido de eficacia-implementación tipo I, en cuyo caso se pueden aplicar métricas de la ciencia de la implementación para especular sobre su valor si se escala. La ciencia de la implementación es el estudio científico de métodos para promover la adopción e integración de prácticas basadas en la evidencia en la atención rutinaria y la salud pública para mejorar la salud poblacional. Los estudios de implementación se evalúan en función de su capacidad para cumplir con los parámetros de RE-AIM (alcance, efectividad, adopción, implementación y mantenimiento/sostenimiento).
Para que la DPP liderada por IA se escale, tendría que llegar a las personas en riesgo de diabetes, ser eficaz en la prevención de la diabetes, ser adoptada por personas en riesgo, implementarse de manera accesible y aceptable para quienes estén en riesgo, y mantenerse a largo plazo. El trabajo de Mathioudakis y sus colegas cumple efectivamente con la mayoría de estas métricas —todas menos el alcance.
Se declaró la eficacia a priori como el resultado principal de este estudio. No obstante, la efectividad estuvo fuertemente influenciada por las tasas de adopción y mantenimiento. La iniciación (adopción) fue mayor en el grupo de DPP liderado por IA que en el grupo de DPP liderado por humanos (93,4 % frente al 82,7 %), al igual que la finalización del estudio (mantenimiento; 63,9 % frente al 50,3 %).
En consecuencia, se puede deducir de los datos que el DPP liderado por humanos era más útil, pero se usaba con menos frecuencia, mientras que el DPP liderado por IA era menos útil, pero se usaba con más frecuencia, logrando finalmente una efectividad similar. El grado de efectividad, que el 32 % de los participantes cumple el punto final compuesto, es clínicamente significativo porque se aproxima a los objetivos del programa de la impartición de currículos comunitarios presenciales o a distancia sancionados por los CDC sin necesidad de coaches humanos.
La implementación del DPP liderado por IA parece haberse llevado a cabo con éxito y con fidelidad. Quizá por casualidad, el DPP dirigido por humanos se adaptó al aprendizaje a distancia durante la pandemia de COVID-19 mediante sesiones virtuales. Las mejoras en la alfabetización digital y la aceptabilidad de la IA probablemente aumentaron la adopción de derivaciones en ambos grupos. Curiosamente, el grupo DPP liderado por humanos registró tasas de participación superiores a las típicas cuando se impartieron de forma virtual en comparación con las tasas presenciales históricas. Por tanto, la intervención liderada por IA podría haber demostrado superioridad en efectividad si la DPP liderada por humanos se hubiera realizado en persona como se planeó originalmente. La no inferioridad usando IA sugiere la aceptabilidad de esta tecnología y podría sentar un precedente para futuros trabajos de implementación.
La ciencia de la implementación se esfuerza por acortar el tiempo que tarda la medicina basada en la evidencia en llegar a la práctica clínica. Sin embargo, la mayoría de los estudios de implementación sobreestiman el poder de la intervención y la solidez de las estrategias de implementación diseñadas para apoyar el beneficio de la intervención. El estudio de Mathioudakis et al. logró con éxito sus objetivos y aporta importantes hallazgos sobre cómo un programa entregado por IA, tan eficaz como el estándar actual de atención, mejor adoptado y mantenido, y potencialmente escalable a bajo coste, puede utilizarse para prevenir la diabetes.