Uso de la monitorización continua de glucosa para estratificar a personas sin diabetes

Por qué importa controlar la glucemia durante todo el día

Muchas personas que se sienten sanas hoy pueden ya tener problemas sutiles en la forma en que su cuerpo maneja el azúcar, mucho antes de que se diagnostique la diabetes. Este estudio plantea una pregunta sencilla pero potente: si colocamos pequeños sensores en miles de adultos y observamos cómo sube y baja su glucosa las 24 horas, ¿podemos condensar toda esa información compleja en solo unos pocos números fáciles de entender que señalen un riesgo temprano para el corazón y el hígado?

Convertir flujos de datos de sensores en tres números simples

Los investigadores analizaron datos de monitorización continua de glucosa (MCG) de más de 8.000 adultos sin diagnóstico de diabetes. Estos sensores vestibles registran los niveles de glucosa cada pocos minutos durante muchos días, generando docenas de métricas posibles: con qué frecuencia los niveles son altos o bajos, cuán irregular es la curva, cuánto duran los picos, y más. Usando herramientas estadísticas que buscan estructura oculta en grandes conjuntos de datos, el equipo preguntó qué combinaciones de medidas capturan mejor las diferencias entre personas. Encontraron que más del 80 por ciento de las diferencias entre individuos podía explicarse por solo tres ideas: el nivel medio de glucosa a lo largo del tiempo («media»), cuánto oscila hacia arriba y abajo («varianza») y cuán similar es una lectura a las lecturas recientes («autocorrelación», una medida de cuánto tienden los niveles a mantenerse en una determinada trayectoria).

Probar el código de tres números después de las comidas

Para ver si estas tres características describen realmente el comportamiento de la glucosa en la vida real, los científicos recurrieron a estudios detallados de respuesta a las comidas. En un proyecto con 863 participantes, todos consumieron comidas de prueba cuidadosamente controladas mientras se registraban sus niveles de glucosa durante las cuatro horas siguientes. El equipo utilizó un tipo de red neuronal llamada autoencoder para comprimir la curva de glucosa postprandial de cada persona en un pequeño conjunto de coordenadas abstractas y luego reconstruir la curva original. Una versión tridimensional de este modelo capturó las formas de las curvas mucho mejor que una versión más simple bidimensional, mientras que añadir dimensiones adicionales aportó poca mejora. De forma crucial, las tres medidas concretas —nivel medio, cantidad de fluctuación y persistencia del patrón— pudieron predecir muy bien estas coordenadas abstractas, lo que significa que el resumen de tres números contiene casi toda la información útil del registro completo de glucosa.

Comprobar que el patrón se mantiene en otros contextos

Los investigadores pusieron a prueba su marco con tipos de datos muy diferentes. Lo testaron en una prueba clásica de sobrecarga de glucosa, en la que los voluntarios beben una cantidad fija de glucosa y se extrae sangre repetidamente, y en grabaciones adicionales de MCG de la vida cotidiana, donde las comidas son irregulares y con frecuencia están muy juntas. En ambos casos, tres dimensiones volvieron a demostrarse el equilibrio ideal: lo suficientemente buenas para reconstruir con alta precisión las curvas de glucosa de las personas, pero lo bastante simples para seguir siendo comprensibles. Los marcadores tradicionales usados en clínicas, como la glucosa en ayunas y el valor a las dos horas tras una carga de glucosa, capturan mayormente solo la dimensión de la «media» y pasan por alto gran parte de la variación en cómo suben y bajan los niveles de cada persona.

Relacionar los patrones de glucosa con la salud del corazón y el hígado

Más allá de describir las curvas de glucosa, el equipo quería saber si estas tres características se relacionan con signos tempranos de daño en órganos clave. En un subgrupo de casi 1.800 participantes, ecografías midieron el grosor de la pared de la arteria carótida —un marcador de aterosclerosis— y varias propiedades del hígado vinculadas con contenido graso, rigidez e inflamación. Las tres características de la MCG mostraron relaciones significativas e independientes con estas medidas de órgano, incluso después de ajustar por presión arterial y colesterol. Por ejemplo, las personas cuyas lecturas de glucosa eran más «pegajosas» a lo largo del tiempo, tal como captura la medida de autocorrelación, tendían a tener paredes arteriales más gruesas y cambios en el tejido hepático, a pesar de no tener diabetes diagnosticada. Al agrupar a los participantes en clústeres basados en los tres números, los investigadores también pudieron definir rangos de referencia y observar que quienes superaban ciertos umbrales tendían a mostrar peor sensibilidad a la insulina en pruebas separadas, altamente controladas.

Qué significa esto para detectar el riesgo de forma temprana

Este trabajo sugiere que los enredos y oscilaciones de alta frecuencia de la glucosa capturados por sensores modernos pueden reducirse a tres dimensiones claras y con significado fisiológico sin perder mucha información. En conjunto, estos números describen qué tan altos son los niveles de glucosa en promedio, qué tan bruscamente oscilan y con qué lentitud cambian de dirección. Dado que cada una de estas dimensiones se asocia con cambios tempranos en los vasos sanguíneos del corazón y en el hígado, pueden ayudar a médicos e investigadores a identificar a personas con mayor riesgo mucho antes de lo que indican las pruebas estándar. Aunque se necesita más trabajo para demostrar que actuar sobre estas medidas puede prevenir enfermedad, este código de tres números ofrece una forma prometedora e interpretable de traducir los datos de sensores recogidos todo el día en ideas simples sobre la salud metabólica.

Cita: Sugimoto, H., Sapir, G., Keshet, A. et al. Use of continuous glucose monitoring to stratify individuals without diabetes. Commun Med 6, 260 (2026). https://doi.org/10.1038/s43856-026-01523-8

Palabras clave: monitorización continua de glucosa, riesgo de prediabetes, patrones de glucemia, salud metabólica, daño cardíaco y hepático