Telemedicina y automonitoreo glucémico
Las personas con diabetes se enfrentan a muchos obstáculos para seguir sus regímenes diarios de autocontrol1 . Los recientes adelantos tecnológicos y la amplia disponibilidad de teléfonos móviles ofrecen oportunidades únicas para la prevención, el control y la gestión de enfermedades crónicas como la diabetes18. En este último caso, la tecnología viene a presentar además un método para transmitir los resultados del automonitoreo de glucosa en sangre (SMBG) al profesional de salud vía electrónica a través de correos, SMS o de un portal web13.
En la conferencia de la Asociación Americana de Diabetes, en 2018, un tema común que apareció fue el papel, cada vez más importante, que desempeñan la telemedicina y las tecnologías de salud móvil para hacer frente a la inercia terapéutica y para mejorar los resultados clínicos y la calidad de vida de los pacientes1.
La telemedicina es una estrategia prometedora que facilita la interacción entre el profesional de salud y la población de zonas rurales o alejadas y zonas remotas e inaccesibles del mundo13.
El rol de la tecnología en el uso de la automonitorización de la glucosa
Una limitante para el uso de tecnología es la falta de datos. En el caso de pacientes con diabetes mellitus tipo 2, la conveniencia de monitorear la glucemia ha sido cuestionada durante la última década, ya que los investigadores y los médicos no consideran esencial ver el valor del SMBG si no utilizan insulina2,3,4. Se ha postulado firmemente que el SMBG tendría un valor limitado cuando se realiza sin mediciones estructuradas, lecturas contextualizadas y entrenamiento2. No obstante, la ausencia de cualquier forma de medición podría fácilmente conducir a la falta de compromiso y a la pasividad, lo que sin duda no llevará a la mejora del control glicémico de esta población4.
Un programa estructurado para el SMBG puede ser difícil y no siempre se siguen las recomendaciones sobre su uso adecuado2,5,6. Aquí es donde las intervenciones de salud digital tienen el potencial de facilitarlo, ya que no sólo entrega la organización necesaria, sino también crean un acceso directo a los profesionales de atención médica2,7-11. En estas aplicaciones se pueden emplear recordatorios, indicaciones, retos y otros estímulos de comportamiento. La recopilación de datos podría automatizarse, interpretarse y proporcionar retroalimentación, todo ello limitando la carga individual, si se diseña y ejecuta bien2,12.
En el estudio Vision18, realizado en 2016 se evaluaron las perspectivas de los médicos sobre el control de la diabetes, con y sin el uso de la herramienta digital Accu-Chek® Smart Pix, bajo un programa estructurado; donde se evidenció una disminución significativa y clínicamente relevante de la HbA1c para los participantes de este estudio que utilizaron la herramienta digital, junto con una mejora en la satisfacción del tratamiento, reducción de la variabilidad glucémica y una reducción en un 61% del tiempo invertido por los profesionales de la salud en la toma de decisiones terapéuticas.
Interpretación de informes de automonitoreo, ¿Cómo nos ayuda la tecnología?
Si bien es cierto, la HbA1c es el patrón orientador del control glicémico, el SMBG es la forma más accesible de evaluar las excursiones glucémicas. Para realizar los ajustes apropiados de tratamiento, es necesario una interpretación precisa de los informes de los pacientes, lo que se ve obstaculizado por la gran cantidad de datos que se generan. La toma de decisiones basadas en estos datos glucémicos lleva tiempo y es necesario tener en cuenta varios parámetros14.
Para mejorar el manejo de los datos, Comellas y colaboradores en el año 2017, realizaron una evaluación del software Emminens eConecta® que es una herramienta basada en la web, cuyo objetivo fue comparar un nuevo instrumento digital de detección de patrones automatizada, con el análisis respectivo en términos de inversión de tiempo, interpretación de datos y utilidad clínica14 . El manejo de patrones ha sido definido como la interpretación sistemática de los datos de SMBG a lo largo del tiempo para determinar si se requieren cambios para optimizar el control de la glucosa en sangre15.
Como resultado, se observó que el promedio de tiempo empleado por los médicos para visualizar los datos de pacientes con múltiples dosis de insulina (MDI) fue de 12,5 minutos, mientras que con el módulo de patrones se visualizaba de forma automática14.
En resumen, los médicos consideraron que la herramienta de detección de patrones automatizada era útil. La mayoría de los médicos (94,6%) indicaron que era una herramienta fiable. El 83,8% de los médicos en general se mostraron satisfechos con el módulo y el 89,2% de los médicos recomendaría a sus colegas emminens eConecta® con el módulo de patrones.
Un modelo digital de atención a la diabetes16,17
Las necesidades de las personas que viven con diabetes son inmediatas y sus parámetros tienden a no mantenerse hasta la siguiente visita programada, cuando el momento ha pasado y el contexto a menudo se olvida, lo que conduce a una inercia constante en la atención.
Dado los avances tecnológicos que implica la salud digital, se podría imaginar un modelo en el que la atención, incluido el tratamiento, el apoyo a la toma de decisiones y la educación, pudiera prestarse en el contexto y en el momento. Las interacciones personales con el profesional de salud se harían de forma virtual, con base en la información de un conjunto de datos completos, pero breves y relevantes, que también están en contexto para el médico, el educador o el cuidador. La retroalimentación oportuna y la prestación de atención en esta coordinación requiere rehacer la forma en que los profesionales de salud trabajan, interactúan e incluso son compensados.
Referencias
1.- Garg S., Parkin C., 2019, The Emerging Role of Telemedicine and Mobile Health Technologies in Improving Diabetes Care, DIABETES TECHNOLOGY & THERAPEUTICS, Vol 21, Supp 2.
2.- Cafazzo J.,2019, A Digital-First Model of Diabetes Care EMERGING DIGITAL HEALTH TECHNOLOGIES IN DIABETES, DIABETES TECHNOLOGY & THERAPEUTICS, Vol 21, Supp 2.
3.- Malanda UL, Bot SD, Nijpels G: Self-monitoring of blood glucose in noninsulin-using type 2 diabetic patients: it is time to face the evidence. Diabetes Care 2013;36: 176–178.
4.- Dean HJ. Self-monitoring of blood glucose levels in persons with type 2 diabetes not requiring insulin: routine use is not recommended. Canadian J Diabetes 2011;35:19–20.
5.- Greenwood DA, Gee PM, Fatkin KJ, Peeples M: A systematic review of reviews evaluating technology-enabled diabetes self-management education and support. J Diabetes Sci Technol 2017;11:1015–1027.
6.- Polonsky WH, Fisher L, Hessler D, Edelman SV: A survey of blood glucose monitoring in patients with type 2 diabetes: are recommendations from health care professionals being followed? Curr Med Res Opin 2011;27 Suppl 3: 31–37.
7.- Quinn CC, Butler EC, Swasey KK, et al.: Mobile diabetes intervention study of patient engagement and impact on blood glucose: mixed methods analysis. JMIR Mhealth Uhealth 2018;6:e31.
8.- Kumar S, Moseson H, Uppal J, Juusola JL: A diabetes mobile app with in-app coaching from a certified diabetes educator reduces A1C for individuals with type 2 diabetes. Diabetes Educ 2018;44:226–236.
9.- Brandell B, Ford C: Diabetes professionals must seize the opportunity in mobile health. J Diabetes Sci Technol 2013; 7:1616–1620.
10.- Kirwan M, Vandelanotte C, Fenning A, Duncan MJ: Diabetes self-management smartphone application for adults with type 1 diabetes: randomized controlled trial. J Med Internet Res 2013;15:e235.
11.- Goyal S, Nunn CA, Rotondi M, et al.: A mobile app for the self-management of type 1 diabetes among adolescents: a randomized controlled trial. JMIR Mhealth Uhealth 2017;5: e82
12.- Grady M, Cameron H, Levy BL, Katz LB: Remote health consultations supported by a diabetes management web application with a new glucose meter demonstrates improved glycemic control. JDiabetes Sci Technol 2016;10: 737–743.
13.- Pradeepa R. et al., 2019, Use of Telemedicine Technologies in Diabetes Prevention and Control in Resource-Constrained Settings: Lessons Learned from Emerging Economies, DIABETES TECHNOLOGY & THERAPEUTICS Volume 21, Supplement 2.
14.- Comellas MJ. et al., 2017, Evaluation of a New Digital Automated Glycemic Pattern Detection Tool, DIABETES TECHNOLOGY & THERAPEUTICS, Volume 19, Number 11.
15.- Hirsch IB, Bode BW, Childs BP, et al.: Self-monitoring of blood glucose (SMBG) in insulin- and non-insulin-using adults with diabetes: consensus recommendations for improving SMBG accuracy, utilization, and research. Diabetes Technol Ther 2008;10:419–439.
16.- Schramm W: Digital diabetes self-management: a trilateral serial. J Diabetes Sci Technol 2018;12:709–711.
17.- Offringa R, Sheng T, Parks L, et al.: Digital diabetes management application improves glycemic outcomes in people with type 1 and type 2 diabetes. J Diabetes Sci Technol 2018;12:701–708.
18.- Krebs P, Duncan DT: Health app use among US mobile phone owners: a national survey. JMIR Mhealth Uhealth 2015;3:e101.
19.- Wild SH, Hanley J, Lewis SC, McKnight JA, McCloughan LB, Padfield PL, et al. (2016) Supported Telemonitoring and Glycemic Control in People with Type 2 Diabetes: The Telescot Diabetes Pragmatic Multicenter Randomized Controlled Trial. PLoS Med 13(7): e1002098.doi:10.1371/journal.pmed.1002098