Durante décadas, el control metabólico de la diabetes ha descansado en mediciones necesariamente parciales. La glucemia capilar ofrece una fotografía del momento en que se realiza. La hemoglobina glucosilada, HbA1c, resume aproximadamente varios meses de exposición a la glucosa en un único valor. Ambas medidas han sido fundamentales para diagnosticar, controlar y tratar la enfermedad, pero comparten una limitación: comprimen una trayectoria dinámica en observaciones puntuales o promedios.
Dos personas pueden presentar una HbA1c semejante y haber llegado a ella mediante perfiles muy diferentes. Una puede mantener concentraciones relativamente estables durante gran parte del día. Otra puede alternar episodios de hiperglucemia y descensos frecuentes. El promedio puede ser similar, pero la exposición fisiológica no necesariamente lo es.
La monitorización continua de glucosa ha cambiado esta situación. Los sensores actuales miden glucosa en el líquido intersticial de forma repetida durante todo el día. Algunos sistemas generan una lectura cada cinco minutos; otros, cada minuto. El resultado es una serie temporal formada por cientos o miles de observaciones diarias que permite conocer no solo cuánto es el valor serológico de la glucosa, sino cómo cambia.
La práctica clínica ya ha incorporado parte de este conocimiento. Además de HbA1c y glucemia media, se utilizan métricas como tiempo en rango, tiempo por encima o por debajo del rango objetivo y coeficiente de variación. Para muchos adultos con diabetes, las recomendaciones actuales consideran como objetivo general mantener más del 70 % del tiempo entre 70 y 180 mg/dL, junto con límites específicos para hipoglucemia y variabilidad.
Pero esa utilización sigue resumiendo un conjunto muy amplio de datos en unos pocos indicadores. La cuestión que empieza a plantearse es si las series completas contienen información adicional con significado clínico.
Un trabajo publicado recientemente en npj Digital Medicine aborda precisamente esa pregunta. Los investigadores analizaron datos de monitorización continua de glucosa de 90.757 participantes de la cohorte iCanNet y derivaron 48 métricas diferentes para caracterizar perfiles de normoglucemia, prediabetes, diabetes tipo 2 y diabetes tipo 1. Después, utilizaron esos datos para identificar patrones metabólicos y construir un sistema de estratificación de riesgo de complicaciones en personas con diabetes tipo 2.
El estudio representa un ejemplo de un cambio más amplio en salud digital: cuando una variable se mide de forma suficientemente frecuente, deja de ser únicamente un número y se convierte en una trayectoria susceptible de caracterización. Incluso, una nueva categoría de signo clínico
Del valor de glucosa al patrón glucémico
La monitorización continua genera información que una determinación aislada no puede ofrecer. Permite observar duración de las excursiones, velocidad de ascenso y descenso, variabilidad, distribución de valores a lo largo del día, diferencias entre periodos diurnos y nocturnos y persistencia de determinados patrones.
Este cambio ha dado lugar a un número creciente de métricas derivadas. Una revisión publicada este mismo año identificó 36 medidas diferentes utilizadas en clínica o investigación a partir de datos de monitorización continua de glucosa. Las más consolidadas (tiempo en rango, glucosa media o coeficiente de variación) tienen la ventaja de ser sencillas e interpretables. Las métricas más complejas intentan capturar aspectos que esos resúmenes pueden perder, aunque muchas todavía carecen de umbrales estandarizados o de una relación bien establecida con resultados clínicos.
El estudio de iCanNet lleva esta aproximación a gran escala. Los autores examinaron 48 características derivadas de los registros continuos y comprobaron que los distintos estados metabólicos presentaban firmas glucémicas diferentes. Las personas con prediabetes, diabetes tipo 2 y diabetes tipo 1 no se distinguían únicamente por una glucosa media mayor o menor; aparecían combinaciones específicas de variabilidad, distribución temporal y exposición a determinadas concentraciones.
Los investigadores utilizaron después técnicas estadísticas para seleccionar las métricas con mayor capacidad discriminativa. La combinación de las cinco más informativas mejoró la clasificación de los diferentes estados glucémicos respecto al uso de variables más simples.
Es aquí donde resulta útil hablar de fenotipo digital. El término no significa que exista una nueva enfermedad ni un nuevo biomarcador físico. Describe un conjunto de características observables derivadas de datos digitales longitudinales que permiten caracterizar de forma más precisa cómo se comporta un proceso biológico en una persona.
En el caso de la glucosa, el fenotipo deja de ser únicamente “HbA1c de 7%” o “tiempo en rango del 72%”. Puede incorporar cuánto fluctúa la glucosa, cuándo se producen esas fluctuaciones, cuánto duran, qué amplitud alcanzan y cómo se distribuyen a lo largo del día.
Esta idea tiene una consecuencia metodológica relevante. Una medición ocasional responde principalmente a la pregunta “¿cuál es el valor?”. Una serie temporal permite añadir otras: “¿cómo varía?”, “¿cuándo cambia?”, “¿con qué frecuencia?” y “¿qué estructura tiene esa variación?”.
Cuatro perfiles y riesgo residual
El trabajo resulta especialmente interesante en diabetes tipo 2. Mediante un modelo estadístico de agrupación, los investigadores identificaron cuatro fenotipos glucémicos diferentes dentro de esta población.
Dos de ellos mostraron asociaciones relevantes con complicaciones. El perfil caracterizado por hiperglucemia mantenida se asoció con un incremento del 59 % en el riesgo de complicaciones agudas. El patrón de elevada variabilidad glucémica se relacionó con un riesgo un 75 % superior de complicaciones agudas y un 41 % mayor de complicaciones crónicas.
Estos resultados no implican que el patrón glucémico sea necesariamente la causa de esas complicaciones. El diseño es observacional y las asociaciones pueden reflejar también gravedad de enfermedad, tratamiento, comorbilidades u otros factores. Pero muestran que las características temporales del registro contienen información relacionada con riesgo que no queda necesariamente recogida por un único promedio.
Los autores dieron un paso adicional y desarrollaron un Digital Glycemic Risk Score (DGRS), una puntuación que integra varias dimensiones de la señal continua para estimar riesgo de complicaciones en diabetes tipo 2.
El resultado más llamativo apareció entre pacientes que cumplían uno de los objetivos actualmente más utilizados en monitorización continua de glucosa: un tiempo en rango igual o superior al 70 %. Según ese criterio, su control glucémico podría considerarse inicialmente adecuado. Sin embargo, la nueva puntuación reclasificó al 25 % de estas personas dentro de un grupo de riesgo elevado de complicaciones agudas y al 22,3 % dentro de un grupo de alto riesgo de complicaciones crónicas.
Cuando disponer de datos crea nuevas preguntas
Este trabajo forma parte de una transformación que excede a la diabetes. Durante buena parte de la medicina, el conocimiento clínico ha estado condicionado por la frecuencia con que era posible medir una variable. La presión arterial se obtenía durante una consulta; el ritmo cardiaco, mediante un electrocardiograma breve; la glucosa, mediante una extracción o una punción digital.
Los sensores modifican esa restricción. Cuando la medición pasa de ocasional a continua aparecen fenómenos que antes eran difíciles de observar: variabilidad intradía, ritmos circadianos, episodios transitorios, respuesta a comidas, ejercicio o sueño y diferencias entre individuos que presentan promedios similares.
La cuestión posterior es convertir esa abundancia en conocimiento clínicamente útil. Los sistemas de monitorización continua de glucosa ya ilustran una primera fase de esa transición. El sensor genera una señal continua; el software la transforma en gráficos y métricas; las métricas se relacionan con objetivos terapéuticos; y ahora grandes cohortes permiten investigar qué combinaciones de esas métricas se asocian con fenotipos y resultados.
Para la salud digital, es una evolución relevante. Los sensores no solo permiten medir con mayor frecuencia lo que ya conocíamos. A partir de determinado volumen y continuidad, pueden hacerse visibles características que antes no formaban parte habitual de la descripción clínica.
En diabetes, esa nueva información empieza a concretarse en patrones de variabilidad, perfiles diarios y estratificación de riesgo. Falta demostrar cuánto de ese conocimiento puede transformarse en decisiones terapéuticas mejores. Pero el cambio conceptual ya está producido: la glucosa ha dejado de ser únicamente una sucesión de valores para convertirse en una señal longitudinal de la que puede extraerse un fenotipo.
Imagen principal: E+/Getty Images
APPDEMECUM © 2026 APPDEMECUM SL
