Monitoreo continuo de glucosa en prediabetes 2 y personas sin diabetes

Autores/as

  • Arturo López Rivera Sanatorio San Carlos, Río Negro, Argentina

Palabras clave:

monitoreo continuo de glucosa, prediabetes 2, sin diabetes

Resumen

La identificación de la disglucemia mediante mediciones glucémicas puntuales -glucemia en ayunas, glucemia post-PTOG o HbA1c- ha definido el paradigma diagnóstico de los estados intermedios del metabolismo glucídico. La categoría de "prediabetes", que agrupa entidades fisiopatológicamente heterogéneas, constituye una síntesis imprecisa que puede inducir en el paciente una percepción errónea de relativa normalidad metabólica, retrasando intervenciones terapéuticas oportunas.

Metwally et al. demostraron que la morfología de la curva glucémica durante una PTOG domiciliaria medida con monitoreo continuo de glucosa (MCG) permite identificar, mediante machine learning, subfenotipos metabólicos diferenciados en individuos sin DM o con prediabetes: resistencia insulínica muscular o hepática (34%; AUC 0,88–0,95) y disfunción de célula beta con déficit de acción incretínica (40%; AUC 0,84). Estos subfenotipos no se correlacionan con HbA1c, HOMA-IR, HOMA-B ni polygenic risk score, evidenciando que la información dinámica del MCG supera a las mediciones estáticas en la caracterización del fenotipo fisiopatológico individual.

El MCG ofrece, además, una dimensión terapéutica a través de la retroalimentación biológica en tiempo real. Richardson et al., en un metaanálisis de 25 ensayos clínicos aleatorizados (n=2.996, incluyendo poblaciones con obesidad sin diabetes), demostraron que el MCG como intervención conductual reduce la HbA1c en 0,28% (IC 95%: 0,15–0,42; p<0,001) e incrementa el tiempo en rango en 7,4% (IC 95%: 2,0–12,8; p=0,008). La visibilización en tiempo real del impacto de la alimentación, la actividad física y otros determinantes conductuales sobre la glucemia constituye un mecanismo de modificación del comportamiento de alta eficacia, particularmente al integrarse con el seguimiento longitudinal de hábitos relacionados con la salud.

Desde una perspectiva de salud pública de precisión, el MCG trasciende su rol diagnóstico para constituirse en una herramienta de caracterización metabólica funcional. La individualización basada en el "glucotipo" del paciente -perfil glucémico dinámico que define su respuesta metabólica individual- permite orientar intervenciones preventivas personalizadas antes del establecimiento de hiperglucemia franca, con potencial de aplicación tanto en la prevención de la DM2 como en la optimización del rendimiento metabólico y deportivo en poblaciones sin enfermedad.

Biografía del autor/a

Arturo López Rivera, Sanatorio San Carlos, Río Negro, Argentina

Médico especialista en Medicina Interna y Magíster en Diabetes, Jefe del Servicio de Diabetes y Nutrición

Citas

I. Metwally AA, et al. Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning. Nat Biomed Eng. 2025;9:1222-1239. doi:10.1038/s41551-024-01311-6.

II. Richardson KM, et al. The efficacy of using continuous glucose monitoring as a behaviour change tool in populations with and without diabetes: a systematic review and meta-analysis of randomised controlled trials. Int J Behav Nutr Phys Act. 2024;21:145. doi:10.1186/s12966-024-01692-6.

III. Mao Y, et al. Stratification of patients with diabetes using continuous glucose monitoring profiles and machine learning. Health Data Sci. 2022;2022:9892340. doi:10.34133/2022/9892340.

Descargas

Publicado

01-10-2026

Número

Sección

Simposios parte 13