Saúde Metabólica Ideal Através do Monitoramento Contínuo da Glicose (CGM)

Alcançar a saúde metabólica ideal e o controle glicêmico é um objetivo comum não apenas entre os diabéticos, mas também para indivíduos saudáveis, atletas, operadores militares de elite e para prevenção e resiliência de doenças infecciosas. Atualmente, nenhum biomarcador isolado é aceito de forma onipresente como um marcador da saúde metabólica geral e a maioria depende de análises instantâneas isoladas (ponto de tempo único) e não de uma avaliação contínua de dados de biomarcadores de circuito fechado. A hemoglobina glicosilada (A1c) fornece caracterização limitada da variabilidade glicêmica, o que contribui para a progressão da desregulação glicêmica. Por exemplo, evidências emergentes vinculam a amplitude e a duração da variabilidade glicêmica como um fator de risco independente ligado à doença cardiovascular (DCV) (Di Flaviani 2011, Monnier 2006). A disfunção endotelial induzida por hiperglicemia e o estresse oxidativo são maiores com maior variabilidade glicêmica (Monnier 2006, Buscemi 2010). A variabilidade glicêmica é mais deletéria para o sistema cardiovascular do que a hiperglicemia sustentada (Nalysnyk 2010). Poucas tecnologias permitem o monitoramento contínuo de biomarcadores ao longo do tempo e sob uma variedade de condições, como atividades diárias, natação, exercícios, sono, etc. Múltiplas linhas de evidência sugerem fortemente o impacto preditivo e o valor do monitoramento da variabilidade glicêmica na saúde aguda e crônica de populações com diabetes e populações sem diabetes (Rodriguez-Segade 2018, Zeevi 2015). Assim, tem surgido interesse em abordagens terapêuticas que buscam reduzir a variabilidade glicêmica. Este potencial para a detecção precoce da desregulação glicêmica provavelmente é o efeito mais benéfico do uso do CGM como um dispositivo informativo, especialmente no contexto de outras medições periódicas de biomarcadores. É provável que as pessoas façam modificações no estilo de vida se estiverem cientes de um problema de saúde iminente, detectado por meio da variabilidade glicêmica rastreada pelo GCM em tempo real. As modificações no estilo de vida provaram ser a intervenção mais eficaz para restaurar os níveis normais de glicose em jejum e prevenir o diabetes entre indivíduos disglicêmicos, reduzindo a conversão para diabetes em 58% em relação ao placebo e em 39% em relação à metformina em um grande estudo americano (Diabetes Prevention Program Research Grupo 2002). Acompanhamentos de longo prazo em outros estudos internacionais mostraram resultados igualmente significativos em 4 anos (Tuomilehto 2001) e 14 anos (Li 2008) após o término das intervenções controladas no estilo de vida, incluindo reduções na incidência de diabetes de 58% e 43%, respectivamente.

Sabe-se que a saúde metabólica está em um espectro e estudos de longo prazo em populações diabéticas demonstraram que reduzir a variabilidade glicêmica é mais importante do que diminuir a hiperglicemia basal em termos de redução de complicações cardiovasculares (Hall 2018). Portanto, existe uma justificativa científica para estudar intervenções que possam otimizar a saúde metabólica em não diabéticos, uma vez que os benefícios potenciais da consciência metabólica se estendem além da população diabética. A tecnologia emergente que pode fornecer um feedback preciso sobre os efeitos do estilo de vida pode ser um mecanismo valioso para os não diabéticos que buscam melhorar a educação e reduzir o risco de doenças ao longo da vida. Embora tais resultados ainda não tenham sido demonstrados em estudos de longo prazo, a pesquisa existente revela resultados promissores, incluindo melhor triagem para risco metabólico (Rodriguez-Segade 2018), clara observabilidade dos efeitos da intervenção no estilo de vida (Hall 2018, Brynes 2005, Freckmann 2007) , e aceitação de uma estratégia de risco mínimo para uso como ferramenta preventiva em uma população não diabética (Liao 2018). O Grupo de Pesquisa do Programa de Prevenção do Diabetes pediu uma mudança na resposta para reverter essas tendências, afirmando que: "os métodos de tratamento do diabetes permanecem inadequados e que a prevenção é preferível (Grupo de Pesquisa do Programa de Prevenção do Diabetes 2002)." Embora não comprovado como medida preventiva, é improvável que o monitoramento da variabilidade glicêmica exacerbe o problema. Na melhor das hipóteses, no entanto, se ela se tornar uma ferramenta de estilo de vida difundida, os benefícios da consciência metabólica individual aprimorada e da ação educada poderão ter efeitos compostos em uma escala social maior.

Portanto, existe uma justificativa científica para estudar intervenções que possam otimizar a saúde metabólica com tecnologias de monitoramento glicêmico aprimoradas (Danne 2017). Está ficando claro que, além das populações diabéticas, as populações normais e saudáveis ​​podem se beneficiar de níveis estáveis ​​e controlados de açúcar no sangue, e que mecanismos de feedback, incluindo tecnologias vestíveis, podem ser empregados. Assim, o CGM pode ser um método promissor de melhorar os biomarcadores da saúde metabólica para praticamente qualquer pessoa. Além disso, a saúde metabólica ideal é normalmente associada à melhoria da saúde comportamental, resiliência cognitiva e tomada de decisões (Hadj-Abo 2020). Assim, otimizar e monitorar o controle glicêmico pode ser útil para a saúde mental e pode ser uma ferramenta valiosa para militares e socorristas sob estresse metabólico. Avanços nas tecnologias de software e hardware foram desenvolvidos para medir, analisar e prever a variabilidade glicêmica e fornecer informações sobre como esse biomarcador dinâmico se correlaciona com a aptidão metabólica. Especificamente, novos avanços nas tecnologias CGM oferecem o potencial de monitorar, prever e mudar o comportamento por meio de um sistema de feedback de circuito fechado. Ao comparar os dados do CGM com marcadores sanguíneos de saúde metabólica (por exemplo, HbA1c, insulina, etc.) e inflamação (por exemplo, hsCRP, citocinas) e, juntamente com avaliações de emoção, cognição e comportamento, pode ser possível uma interpretação mais robusta e deconvolução dos dados CGM com intervenções experimentais.