Avaliação de um Sistema de Apoio à Decisão Móvel com Inteligência Artificial para Dosagem de Insulina e Previsão da Glicemia na Diabetes Tipo 1: Protocolo do Estudo Clínico glUCModel (glUCModel-1)

A diabetes mellitus é uma doença metabólica crónica caracterizada por uma regulação deficiente da glicemia, que afeta mais de 400 milhões de pessoas em todo o mundo. A insulina, uma hormona produzida pelo pâncreas, facilita a captação de glucose pelas células para produção de energia. Na diabetes, ou é produzida insulina insuficiente ou o organismo não consegue utilizá-la eficazmente, o que conduz a hiperglicemia persistente. Com o tempo, os níveis de glucose descontrolados podem resultar em complicações graves, incluindo doença cardiovascular, neuropatia, retinopatia e nefropatia. Por conseguinte, uma gestão eficaz é essencial para prevenir resultados adversos agudos e a longo prazo.

Podem distinguir-se duas formas principais de diabetes. A diabetes mellitus tipo 1 (DMT1) é uma doença autoimune em que as células β pancreáticas são destruídas, resultando em deficiência absoluta de insulina. Representa aproximadamente 10% de todos os casos. Os indivíduos com DMT1 necessitam de terapia de substituição de insulina para toda a vida, geralmente administrada através de múltiplas injeções diárias (MID) ou de uma bomba de insulina. Em contrapartida, a diabetes mellitus tipo 2 (DMT2), a forma mais prevalente, caracteriza-se principalmente por resistência à insulina. Embora a produção de insulina seja preservada nas fases iniciais, uma disfunção progressiva pode acabar por exigir terapia farmacológica, incluindo insulina. Intervenções no estilo de vida, como uma alimentação saudável e atividade física, podem atrasar ou prevenir o aparecimento e a progressão da DMT2.

Para os indivíduos com diabetes, a autogestão diária requer monitorização frequente da glucose e ajustes da dose de insulina que devem ter em conta as refeições, a atividade física, o stresse, a doença e outros fatores. Os medidores de glucose capilar e, mais recentemente, os sistemas de monitorização contínua da glucose (MCG) melhoraram significativamente o acesso a dados de glucose em tempo real. No entanto, interpretar estes dados e decidir sobre ações corretivas continua a ser desafiante, e erros na dosagem de insulina podem levar a hipoglicemia ou hiperglicemia persistente. Tanto as complicações agudas como a constante carga de tomada de decisões contribuem para uma redução da qualidade de vida e fadiga do tratamento.

Para apoiar os doentes nestas tarefas complexas, foram amplamente investigados modelos preditivos da dinâmica da glucose. Uma previsão precisa poderia permitir avisos precoces de hipo- ou hiperglicemia e ajudar a otimizar a terapia com insulina. A visão final é o desenvolvimento de um "pâncreas artificial" totalmente automatizado que combine sensores de glucose, administração de insulina e algoritmos de previsão robustos. Várias abordagens de aprendizagem automática (AA) foram exploradas para a previsão da glucose, incluindo Programação Genética, K-Vizinhos Mais Próximos, Evolução Gramatical e, mais proeminentemente, Redes Neuronais. Entre as arquiteturas neuronais, a Memória de Longo e Curto Prazo (LSTM) e outros modelos recorrentes demonstraram um forte desempenho para dados de séries temporais, como os traços de MCG, embora redes convolucionais e perceptrões multicamada (MLP) também tenham sido aplicados. Apesar dos resultados encorajadores, subsistem desafios para garantir precisão, robustez e usabilidade no mundo real em diversas populações de doentes.

A gestão da DMT1, especialmente em doentes que utilizam MID, continua a representar um grande desafio. Embora a MCG e as bombas de insulina tenham melhorado os resultados, as decisões sobre a dosagem de insulina ainda dependem muito da intuição e experiência do doente, deixando margem para erros e variabilidade. Existe, portanto, uma clara necessidade de ferramentas de apoio à decisão que combinem análises preditivas com recomendações personalizadas para melhorar a segurança, a autonomia e a adesão ao tratamento.

A aplicação móvel glUCModel foi desenvolvida para responder a esta necessidade. Desde as suas primeiras versões, integra modelos de inteligência artificial proprietários e patenteados para fornecer recomendações de insulina em tempo real, previsões de glucose a curto prazo e alertas preditivos de hipo- e hiperglicemia. Com um horizonte de previsão de até duas horas, o sistema visa reduzir a variabilidade glicémica e apoiar ações corretivas atempadas.

Este protocolo descreve um estudo clínico randomizado e aberto para avaliar a eficácia e segurança da aplicação glUCModel em doentes com DMT1 que utilizam terapia MID. O objetivo principal é avaliar a melhoria do controlo glicémico a curto prazo, medido pela percentagem de tempo passado dentro do intervalo alvo (70-180 mg/dL). Os objetivos secundários incluem reduções nas excursões glicémicas, melhoria da satisfação com o tratamento e avaliação da usabilidade e adesão num ambiente do mundo real.