pág. 1376
INTELIGENCIA ARTIFICIAL EN EL MANEJO DE
LA DIABETES: ANÁLISIS DE LA EVIDENCIA Y
APLICACIONES POTENCIALES EN ENFERMERÍA
ARTIFICIAL INTELLIGENCE IN DIABETES MANAGEMENT:
ANALYSIS OF EVIDENCE AND POTENTIAL APPLICATIONS IN
NURSING
Araceli Hernández Gómez
Universidad Autónoma del Estado de Hidalgo, México
Olga Rocío Flores Chávez
Universidad Autónoma del Estado de Hidalgo, México
Lizbeth Morales Castillejos
Universidad Autónoma del Estado de Hidalgo, México
pág. 1377
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26028
Inteligencia Artificial en el Manejo de la Diabetes: Análisis de la Evidencia
y Aplicaciones Potenciales en Enfermería
RESUMEN
La inteligencia artificial (IA) ofrece herramientas innovadoras para el monitoreo y manejo de la
diabetes, desde modelos predictivos hasta sistemas de control automatizado; sin embargo, su
integración en la práctica de enfermería aún es incipiente. El objetivo de esta revisión sistemática fue
evaluar la evidencia disponible sobre el uso de la IA en el monitoreo y manejo de la diabetes, con énfasis
en sus aplicaciones para la práctica de enfermería y la toma de decisiones clínicas. Se realizó una
revisión sistemática siguiendo las directrices PRISMA 2020, mediante una búsqueda exhaustiva en las
bases de datos UNAM-ERIC, LILACS, SciELO y PubMed, abarcando documentos en inglés, español
y portugués hasta noviembre de 2025. De un volumen inicial de 8.661 registros identificados, se
incluyeron 50 estudios originales. El 44% de las investigaciones se enfocó en el diagnóstico y la
predicción primaria; las redes neuronales artificiales (42%) y los bosques aleatorios (30%) fueron los
modelos más utilizados. Además, se identificaron cuatro ensayos clínicos controlados sobre sistemas
de circuito cerrado. Los estudios se concentraron principalmente en Estados Unidos y China, con
limitada representación latinoamericana. En conclusión, la IA representa una herramienta con potencial
para fortalecer el cuidado diabetológico, pero requiere profesionales de enfermería capacitados en salud
digital, gestión de datos y toma de decisiones clínicas.
Palabras clave: inteligencia artificial, diabetes mellitus, atención de enfermería, aprendizaje
automático, revisión sistemática
¹ Autor principal
Correspondencia: lizbeth_morales@uaeh.edu.mx
Araceli Hernández Gómez1
he353004@uaeh.edu.mx
https://orcid.org/0009-0009-2491-9031
Universidad Autónoma del Estado de Hidalgo,
México
Olga Rocío Flores Chávez
ofloresc@uaeh.edu.mx
https://orcid.org/0000-0001-9479-9834
Universidad Autónoma del Estado de Hidalgo,
México
Lizbeth Morales Castillejos
lizbeth_morales@uaeh.edu.mx
https://orcid.org/0000-0002-3826-0508
Universidad Autónoma del Estado de Hidalgo,
México
pág. 1378
Artificial Intelligence in Diabetes Management: Analysis of Evidence and
Potential Applications in Nursing
ABSTRACT
Artificial intelligence (AI) offers innovative tools for monitoring and managing diabetes, from
predictive models to automated control systems; however, its integration into nursing practice is still
incipient. The objective of this systematic review was to evaluate the available evidence on the use of
AI in monitoring and managing diabetes, with emphasis on its applications for nursing practice and
clinical decision-making. A systematic review was carried out following the PRISMA 2020 guidelines,
through an exhaustive search in the UNAM-ERIC, LILACS, SciELO and PubMed databases, covering
documents in English, Spanish and Portuguese until November 2025. Out of an initial volume of 8,661
identified records, 50 original studies were included. 44% of the research focused on diagnosis and
primary prediction; artificial neural networks (42%) and random forests (30%) were the most used
models. In addition, four controlled clinical trials on closed-loop systems were identified. The studies
were concentrated mainly in the United States and China, with limited Latin American representation.
In conclusion, AI represents a tool with the potential to strengthen diabetes care, but it requires nursing
professionals trained in digital health, data management and clinical decision-making.
Keywords: artificial intelligence, diabetes mellitus, nursing care, machine learning, systematic review
Artículo recibido 09 julio 2026
Aceptado para publicación: 20 agosto 2026
pág. 1379
INTRODUCCIÓN
La diabetes mellitus es una de las principales enfermedades crónicas a nivel mundial. En 2024, se estimó
que 589 millones de adultos vivían con diabetes, con proyecciones que indican un aumento hasta 853
millones para 2050 según la International Diabetes Federation (IDF, 2024). Además, cerca del 43% de
los adultos con diabetes permanece sin diagnóstico, lo que favorece la detección tardía y el riesgo de
complicaciones
Los análisis del Global Burden of Disease (GBD) muestran un incremento sostenido en la incidencia,
prevalencia y mortalidad por diabetes en las últimas décadas. En el año 2017, dicho estudio reportó
alrededor de 462 millones de personas con diabetes tipo 2 y más de 1 millón de muertes directamente
atribuibles a la enfermedad (GBD 2017 Disease and Injury Collaborators, 2019). Esta tendencia
ascendente ha sido confirmada por otros análisis globales que señalan la creciente carga epidemiológica
de la diabetes tipo 2 (Khan et al., 2020).
La enfermedad afecta de manera desproporcionada a países de ingresos bajos y medios, en los que
factores como obesidad, urbanización acelerada, sedentarismo y envejecimiento poblacional impulsan
su crecimiento. Debido a su elevada carga de morbilidad, mortalidad y discapacidad, la diabetes mellitus
representa un desafío creciente para los sistemas de salud y subraya la necesidad de fortalecer acciones
de prevención, diagnóstico oportuno y control adecuado (World Health Organization [WHO], 2024).
La Agenda 2030 para el desarrollo sostenible, establece en su meta 3.4, el compromiso de reducir en
un tercio la mortalidad prematura por enfermedades no transmisibles, incluida la diabetes, mediante la
prevención y el tratamiento adecuados. Además, el acceso universal y equitativo a los servicios de salud
(diagnóstico, tratamiento, control y educación) es esencial para asegurar un manejo adecuado de la
diabetes en la población vulnerable. En este contexto, el pacto mundial contra la diabetes de la OMS
busca precisamente apoyar a los países en el desarrollo de programas de prevención, diagnóstico y
tratamiento de la diabetes, de modo que contribuyan al cumplimiento de los ODS relacionados con la
salud y el bienestar (WHO, 2021).
La diabetes es un conjunto de enfermedades metabólicas caracterizadas por hiperglucemia causada por
defectos en la secreción o acción de la insulina; la hiperglucemia crónica provoca un daño progresivo
en órganos como los ojos, riñones, nervios, corazón y vasos sanguíneos. Su origen puede deberse a la
pág. 1380
destrucción autoinmune de las células β pancreáticas y a la resistencia a la insulina; en muchos casos,
coexisten ambos mecanismos (American Diabetes Association [ADA], 2010).
El diagnóstico temprano, la educación en autocontrol y la atención continua son fundamentales en todos
los tipos de diabetes para prevenir complicaciones agudas; además del tratamiento farmacológico, el
control de la diabetes requiere una alta adherencia a conductas de autocuidado como planificar la
alimentación, contar carbohidratos, hacer ejercicio y monitorear la glucemia, lo cual implica una carga
significativa para los pacientes. Dado que las complicaciones tardan años en manifestarse, la terapia es
compleja y debe integrar aspectos clínicos y del estilo de vida para mejorar la calidad de vida de las
personas con diabetes (Powers et al., 2015).
En relación con esto, la Inteligencia Artificial (IA) se ha convertido en un campo de rápido crecimiento
con aplicaciones cada vez más amplias en la investigación y el manejo de la diabetes (Rigla et al., 2018);
el aumento exponencial de los datos clínicos y el avance de los algoritmos inteligentes han permitido
desarrollar herramientas capaces de analizar información compleja y ofrecer atención médica
personalizada (Contreras & Vehi, 2018). En la última década, tecnologías como la monitorización
continua de la glucosa y el páncreas artificial han transformado el manejo de la diabetes, generando
grandes volúmenes de datos que la IA puede procesar eficazmente (Cappon et al., 2019). Esto ha
impulsado su integración en la práctica clínica y su reconocimiento como apoyo terapéutico habitual
para pacientes con diabetes (Ellahham, 2020).
El incremento en la disponibilidad de datos clínicos, biométricos y comportamentales derivados del
monitoreo continuo, de los dispositivos portátiles y de los registros electrónicos de salud ha generado
nuevas oportunidades para optimizar el cuidado de las personas con diabetes (Fagherazzi et al., 2020);
sin embargo, la integración sistemática de estos datos mediante herramientas de inteligencia artificial y
modelos predictivos sigue siendo limitada en la práctica de enfermería, a pesar de su papel fundamental
en la vigilancia del paciente, la educación para el autocuidado y la detección temprana de
complicaciones (Ronquillo et al., 2021).
En este contexto, resulta necesario examinar críticamente las aplicaciones descritas en la literatura,
identificar los beneficios potenciales, los registros y las brechas de conocimiento y precisar cómo estas
pág. 1381
herramientas pueden fortalecer la toma de decisiones clínicas y la personalización del cuidado
(Buchanan et al., 2020).
Si bien las tecnologías de inteligencia artificial están redefiniendo el tratamiento de la diabetes y
generando nuevos modelos de atención basados en datos, la aplicación de estos avances en el ámbito
de la enfermería ha sido poco explorada (O'Connor et al., 2023). Esta brecha de conocimiento limita la
capacidad del personal de enfermería para aprovechar herramientas que podrían mejorar el control
glucémico, personalizar las intervenciones de autocuidado y anticipar riesgos en pacientes diabéticos
(Robert, 2019). En este contexto, resulta imprescindible analizar la evidencia científica disponible para
identificar el potencial de la IA en la práctica de la enfermería y contribuir a obtener resultados clínicos
más efectivos.
Por lo anterior, la presente revisión es pertinente y necesaria, pues proporciona un análisis riguroso del
estado actual del conocimiento, orienta la adopción informada de tecnologías basadas en datos en la
práctica de enfermería y contribuye al desarrollo de intervenciones más seguras, eficientes y centradas
en el paciente. Por lo tanto, el objetivo del presente artículo es evaluar la evidencia disponible sobre el
uso de inteligencias artificiales en el monitoreo, análisis y manejo de la diabetes, para identificar su
posible aplicación en la práctica de enfermería y mejorar el cuidado, la educación, la salud y la toma de
decisiones clínicas.
METODOLOGÍA
El presente estudio corresponde a una revisión sistemática de la literatura, diseñada para identificar,
evaluar y sintetizar de manera rigurosa la evidencia científica disponible sobre la aplicación de la
inteligencia artificial en el monitoreo, análisis y manejo de la diabetes mellitus. Este tipo de
investigación emplea métodos explícitos para la búsqueda, selección, evaluación y síntesis de estudios
relevantes, con el propósito de minimizar sesgos y garantizar la transparencia del proceso.
Durante todo el proceso de selección, cualquier discrepancia surgida en la evaluación de los estudios
fue resuelta mediante conceso entre revisores, garantizando la consistencia y la validez del proceso. No
se emplearon herramientas de automatización para apoyar la selección de los estudios, realizándose de
forma manual y sistemática.
pág. 1382
La revisión se desarrolló siguiendo las directrices de la declaración Preferred Reporting Items for
Systematic Reviews and Meta-Analyses (PRISMA 2020) (Page et al., 2021); una guía
internacionalmente reconocida que proporciona recomendaciones para la planificación, realización y
reporte de revisiones sistemáticas. El enfoque PRISMA promueve la transparencia metodológica
mediante un proceso estructurado que permite documentar cada etapa de la revisión.
De acuerdo con PRISMA 2020, el proceso comprende varias fases secuenciales: identificación de los
estudios potencialmente relevantes mediante búsquedas sistemáticas en base de datos; selección de los
registros a través de la eliminación de duplicados y la evaluación y la evaluación de títulos y resúmenes;
evaluación de elegibilidad mediante la revisión del texto completo de los artículos seleccionados según
criterios previamente establecidos; e inclusión de los estudios que cumplen los criterios definidos para
su síntesis. Asimismo, la metodología contempla procedimientos para la extracción de datos, evaluación
crítica de los estudios y síntesis de la evidencia obtenida.
La ejecución de estas etapas permitió desarrollar una revisión sistemática rigurosa, transparente y
reproducible, en concordancia con los estándares metodológicos recomendados por PRISMA 2020.
Se incluyeron estudios originales que involucran a personas con diabetes mellitus tipo 1, diabetes
mellitus tipo 2, prediabetes o poblaciones con riesgo de desarrollar la enfermedad, sin restricción de
edad, sexo o contexto de atención.
Este criterio permitió abarcar las diferentes etapas del continuo de la enfermedad diabética y considerar
la diversidad de poblaciones en las que las herramientas de inteligencia artificial han sido
implementadas o evaluadas.
Asimismo, se incluyeron investigaciones que evaluaron, desarrollaron o describieron la aplicación de
tecnologías basadas en inteligencia artificial en cualquier fase de la prevención, diagnóstico, monitoreo
o tratamiento de la diabetes. Se consideraron herramientas como Machine learning, Deep learning,
algoritmos predictivos, sistemas de apoyo a la toma de decisiones clínicas, análisis de big data,
monitoreo automatizado y otras tecnologías relacionadas, incluyendo sistemas de monitoreo continuo
de glucosa y páncreas artificial. La inclusión de estas tecnologías permitió obtener una visión integral
del alcance y las aplicaciones actuales de la inteligencia arterial en el manejo de la diabetes.
pág. 1383
También se incluyeron estudios que reportan resultados relacionados con el control y monitoreo
glucémico, la predicción de eventos clínicos, la optimización del tratamiento, la adherencia terapéutica,
la educación en salud, el autocuidado, la toma de decisiones clínicas y otros indicadores de resultados
en salud. Este criterio se estableció con el propósito de identificar la evidencia disponible sobre el
impacto de la inteligencia artificial, en aspectos clínicos, educativos y asistenciales relevantes para la
atención de las personas con diabetes.
Debido al interés de la presente revisión en las posibles aplicaciones de estas tecnologías en el cuidado
de enfermería, se aceptaron estudios que, aunque no estuvieran dirigidos específicamente al ámbito de
enfermería, presentaran resultados potencialmente transferibles a la práctica de enfermería,
especialmente en actividades relacionadas con la educación para la salud, el seguimiento de pacientes,
el apoyo a la toma de decisiones clínicas y la promoción del autocuidado.
Finalmente, se incluyeron únicamente artículos disponibles en texto completo. Este criterio generalizó
el acceso a la información necesaria para realizar una evaluación detallada de los estudios y una
extracción de datos completa y rigurosa.
Se excluyeron aquellos estudios que no utilizaban ningún tipo de inteligencia artificial o tecnología
computacional avanzada, así como los que no incluían población con diabetes o resultados relacionados
con esta condición. También se descartaron editoriales, cartas al editor, comentarios, actas de
conferencia y resúmenes sin acceso al texto completo, además de estudios duplicados o con información
insuficiente para la extracción de datos.
La búsqueda bibliográfica se llevó a cabo en bases de datos especializadas en ciencias de la salud y
tecnologías. Se consultaron UNAM-ERIC, LILACS, SciELO y PubMed, seleccionadas por su
relevancia para la identificación de estudios clínicos, tecnologías y ciencias relacionadas con el uso de
la inteligencia artificial en el manejo de la diabetes mellitus. Todas las bases de datos fueron consultadas
por primera vez el 11 de noviembre de 2025.
Las estrategias de búsqueda se diseñaron combinando operadores booleanos (AND/OR) con términos
específicos y descriptores controlados (MeSH y DeCS), adaptados técnicamente a la sintaxis y lenguaje
de indexación de cada base de datos. Los términos empleados combinaron descripciones de forma
cruzada en tres idiomas para asegurar la captura en el entorno iberoamericano y anglosajón:
pág. 1384
"Inteligencia artificial" / "Artificial intelligence" / "Inteligência artificial" en conjunción con "Diabetes
mellitus".
La selección de los estudios se realizó de acuerdo con las recomendaciones de la declaración PRISMA
2020, mediante cuatro fases secuenciales. Inicialmente, se identificaron los registros potencialmente
relevantes a partir de las estrategias de búsqueda establecidas y se eliminaron los duplicados.
Posteriormente, una revisora evaluó de forma independiente los títulos y resúmenes, aplicando los
criterios de inclusión y exclusión. Los estudios potencialmente elegibles fueron evaluados mediante la
lectura del texto completo, registrando los motivos de exclusión de aquellos que no cumplían con los
criterios establecidos.
La extracción de datos fue realizada manualmente por una única revisora mediante un formulario
previamente diseñado en Microsoft Excel. Se recopilaron variables como autores, país, año de
publicación, objetivo, diseño metodológico, características de la población, tipo de diabetes,
herramienta de inteligencia artificial utilizada, principales resultados y potencial aplicación en
enfermería. La información se extrajo de los textos completos y fue revisada de manera iterativa para
garantizar su precisión, coherencia y consistencia. No fue necesario contactar a los autores de los
estudios, y no se utilizaron herramientas de automatización ni software especializado. Los datos no
reportados o incompletos se registraron como no especificados, sin realizar supuestos adicionales.
Los resultados de interés estuvieron relacionados con efectos del uso de herramientas de inteligencia
artificial en el manejo de la diabetes mellitus, incluyendo el control glucémico, el desempeño de
modelos predictivos (como exactitud, sensibilidad y especificidad), la predicción de eventos
glucémicos, la optimización del tratamiento y el apoyo a la toma de decisiones clínicas. También se
consideraron resultados con educación en salud, autocuidado, adherencia terapéutica, usabilidad y
aceptabilidad de las herramientas.
Se extrajeron todos los resultados compatibles con estos dominios, independientemente de la escala de
medición, momento de evaluación o tipo de análisis empleado. Debido a la heterogeneidad de los
diseños, poblaciones, herramientas de inteligencia artificial y desenlaces, no se realizó una síntesis
cuantitativa, ni metaanálisis; por ello, las medidas de efecto se reportaron descriptivamente de acuerdo
con cada estudio. En los estudios de desempeño de modelos de inteligencia artificial se consideraron
pág. 1385
métricas como exactitud, sensibilidad, especificidad y otros indicadores reportados; en los estudios
clínicos se consideraron cambios en parámetros glucémicos y frecuencia de eventos; mientras que
intervenciones relacionadas con cuidado, educación o toma de decisiones se consideraron indicadores
de adherencia, usabilidad, aceptabilidad y apoyo a la práctica clínica.
Los resultados se sintetizaron mediante un enfoque narrativo, debido a la heterogeneidad de los diseños,
poblaciones, herramientas de inteligencia artificial y desenlaces evaluados. Los estudios se organizaron
según el tipo de aplicación de inteligencia artificial, ámbito de implementación y variables analizadas,
permitiendo identificar patrones, tendencias y diferencias relevantes sin realizar combinaciones
estadísticas.
El riesgo de sesgo de publicación y de resultados faltantes se evaluó cualitativamente, considerando la
consistencia de los hallazgos y la posible ausencia de resultados negativos o no significativos; asimismo,
la certeza de la evidencia se valoró considerando el diseño de los estudios, el riesgo de sesgo, la
consistencia y la calidad de los resultados. No se aplicaron herramientas estadísticas ni sistemas
formales como GRADE debido a la heterogeneidad de la evidencia.
RESULTADOS Y DISCUSIÓN
Selección de los estudios
La búsqueda realizada en las bases de datos seleccionadas permitió identificar inicialmente 8.661
registros potencialmente relevantes. Como parte del proceso de depuración, se eliminaron 5 registros
duplicados, quedando 6.656 estudios para la fase de cribado. Posteriormente, se revisaron de manera
independiente los títulos y resúmenes, excluyéndose 8.507 registros que no cumplían con los criterios
de inclusión establecidos, principalmente por no abordar temas relacionados con el objetivo de la
revisión.
Como resultado de esta primera selección, 149 artículos fueron evaluados mediante la lectura del texto
completo para determinar su elegibilidad. De estos, 99 fueron excluidos por diferentes motivos, entre
ellos, no presentar aplicaciones de inteligencia artificial relacionadas o aplicables al cuidado de
enfermería, utilizar diseños de estudio no elegibles o no reportar resultados clínicos o predictivos de
interés. Finalmente, 50 estudios originales cumplieron con todos los criterios de selección y fueron
incluidos en la síntesis cualitativa y narrativa de la revisión: (Cardozo et al., 2021; Lee et al., 2011;
pág. 1386
Rohan et al., 2011; Santos et al., 2023; Sagi et al., 2015; Huang et al., 2015; Anderson et al., 2016; Reis
et al., 2024; Fan et al., 2021; Dagliati et al., 2018; Aminian et al., 2020; Jian et al., 2021; Lee et al.,
2021; Ljubic et al., 2020; Ramesh et al., 2021; Shi et al., 2020; Tarumi et al., 2021; Autor no
especificado, 2020; Vu et al., 2020; Jacobs et al., 2015; Atlas et al., 2010; Shi et al., 2023; Paula et al.,
2024; Phillip et al., 2013; Revitalizante et al., 2014; Mauseth et al., 2010; Mauseth et al., 2015; Dinani
et al., 2015; Catalogna et al., 2012; Tang et al., 2018; Greenwood et al., 2016; Daskalaki et al., 2013;
Kurasawa et al., 2016; Pappada et al., 2010; Wang et al., 2013; Turksoy et al., 2016; Albers et al., 2017;
Contreras et al., 2017; Skrovseth et al., 2012; Jensen et al., 2013; Sudharsan et al., 2015; Otto et al.,
2016; Herrero et al., 2019; Rhyder et al., 2016; Agianniotis et al., 2015; Anthimopoulos et al., 2015;
Srinivasan et al., 2015; Cappon et al., 2018; Turksoy et al., 2015; Kozinetz et al., 2024).
Figura 1. Diagrama de flujo del proceso de selección de estudios basado en la declaración PRISMA
2020.
pág. 1387
Características de los estudios incluidos
Al analizar las características de los 50 estudios incluidos, se observó que todos fueron publicados
originalmente en inglés (n=50; 100%). Aunque los estudios proceden de diferentes regiones, la
producción científica se concentró principalmente en algunos países.
Estados Unidos presentó la mayor contribución, con 18 artículos (n=18; 36%), seguido de China, con
6 estudios (n=6; 12%). Brasil y Suiza aportaron 4 artículos cada uno (n=4; 8% respectivamente); por su
parte, Australia, Italia, Emiratos Árabes Unidos, Israel y España registraron 2 estudios cada uno (n= 2;
4% respectivamente).
Finalmente, se identificó un artículo (n=1; 2%) procedente de Corea, Taiwán, Eslovenia, Irán, Japón,
Noruega, Dinamarca y Rusia. En conjunto, estos resultados muestran una distribución científica
concentrada en Estados Unidos y China.
pág. 1388
Tabla 1. Características generales de los estudios incluidos
Nº
País
Tipo de estudio
Aplicación principal
Título del artículo
Brasil
Estudio Metodológico
/ Predictivo
Diagnóstico / Detección
Uso del aprendizaje automático y las pruebas de laboratorio rutinarias
para la detección de la diabetes mellitus.
2
Corea
Estudio Metodológico
/ Predictivo
Monitoreo / Series
temporales
Sistema de monitorización y asesoramiento para el manejo de pacientes
con diabetes mediante un método basado en reglas y KNN
3
Estados
Unidos
Estudio Metodológico
/ Predictivo
Modelo Predictivo
Identificación de patrones de autocontrol en la diabetes tipo 1 pediátrica
mediante análisis de conglomerados
4
Brasil
Desarrollo de modelo
Predicción de Riesgo
Enfoques de aprendizaje automático y determinantes genéticos que
influyen en el desarrollo de la diabetes mellitus tipo 2: un estudio de
asociación genética en pacientes brasileños.
5
Australia
Ensayo Clínico
Predicción de Riesgo
Aplicación de una novedosa combinación de técnicas para desarrollar un
modelo predictivo de las complicaciones de la diabetes.
6
Taiwan
Estudio Metodológico
/ Predictivo
Diagnóstico / Detección
Clasificación diagnóstica interpretable basada en reglas de la nefropatía
diabética en pacientes con diabetes tipo 2
7
Estados
Unidos
Estudio Metodológico
/ Predictivo
Predicción de Riesgo
Ingeniería inversa y evaluación de modelos de predicción para la
progresión a la diabetes tipo 2.
8
Brasil
Desarrollo de modelo
Diagnóstico / Detección
Avances en la atención médica con inteligencia artificial: precisión
diagnóstica en el cribado de la diabetes y la hipertensión.
9
China
Observacional
Retrospectivo
Predicción de Riesgo
Enfoques de aprendizaje automático para predecir los riesgos de
complicaciones de la diabetes e interacciones de factores de riesgo
basados en registros de salud electrónicos.
10
Italia
Observacional
Retrospectivo
Modelo Predictivo
Métodos de aprendizaje automático para predecir las complicaciones de
la diabetes: una revisión sistemática.
pág. 1389
11
Estados
Unidos
Observacional
Retrospectivo
Predicción de Riesgo
Predicción del riesgo a 10 años de complicaciones cardiovasculares
adversas mayores en pacientes con diabetes y obesidad mórbida.
12
Emiratos
Árabes
Unidos
Observacional
Retrospectivo
Modelo Predictivo
Un enfoque de aprendizaje automático para predecir eventos adversos en
pacientes con diabetes mellitus.
13
China
Cohorte
Modelo Predictivo
Variabilidad glucémica y lipídica para la predicción de mortalidad en
pacientes con diabetes mellitus tipo 2.
14
Estados
Unidos
Desarrollo de modelo
Modelo Predictivo
Predicción de complicaciones de la diabetes mellitus tipo 2 basadas en
modelos de aprendizaje automático y datos de registros de salud
electrónicos.
15
Emiratos
Árabes
Unidos
Estudio Metodológico
/ Predictivo
Monitoreo / Series
temporales
Un marco de monitorización remota de la salud para la detección
temprana de complicaciones diabéticas mediante aprendizaje
automático.
16
China
Transversal
Predicción de Riesgo
Nomograma para el riesgo de nefropatía diabética o retinopatía diabética
entre pacientes con diabetes mellitus tipo 2 basado en un modelo de
aprendizaje automático.
17
Estados
Unidos
Observacional
Retrospectivo
Modelo Predictivo
Aprovechamiento de la inteligencia artificial para la predicción de la
diabetes mellitus tipo 2 en estudiantes universitarios japoneses.
18
No
Especificado
Desarrollo de modelo
Diagnóstico / Detección
Detección precoz de la diabetes mellitus tipo 2 mediante modelos de
predicción basados en aprendizaje automático.
19
Estados
Unidos
Estudio Metodológico
/ Predictivo
Predicción de
Hipoglucemia
Predicción de la hipoglucemia nocturna a partir de datos de
monitorización continua de glucosa con horizonte de predicción
ampliado.
20
Estados
Unidos
Ensayo Clínico
Páncreas Artificial /
Control automatizado
Incorporación de un algoritmo de detección, clasificación y dosificación
de comidas en un sistema de control de glucosa de circuito cerrado de
doble hormona para uso ambulatorio.
pág. 1390
21
Israel
Ensayo Clínico
Páncreas Artificial /
Control automatizado
Sistema de páncreas artificial MD-Logic
22
China
Cohorte
Predicción de
Hipoglucemia
Un novedoso modelo de aprendizaje automático basado en registros
electrónicos de salud para predecir la hipoglucemia grave que conduce a
hospitalizaciones en adultos mayores con diabetes: un estudio de cohorte
y modelado a nivel territorial.
23
Brasil
Cohorte
Predicción de Riesgo
BrDMrisc – Puntuación de riesgo brasileña en línea para predecir la
incidencia de diabetes tipo 2: diseño del estudio, métodos y
características poblacionales.
24
Estados
Unidos
Ensayo Clínico
Páncreas Artificial /
Control automatizado
Control nocturno de la glucosa con un páncreas artificial en un
campamento para diabéticos
25
Estados
Unidos
Ensayo Clínico
Páncreas Artificial /
Control automatizado
Control nocturno de la glucosa con páncreas artificial MD-Logic en el
domicilio: ensayo cruzado aleatorizado simple ciego—análisis interino
26
Estados
Unidos
Simulación (in silico)
Páncreas Artificial /
Control automatizado
Aplicación clínica propuesta para el ajuste del controlador de lógica
difusa del páncreas artificial mediante un factor de personalización.
27
Estados
Unidos
Ensayo Clínico
Páncreas Artificial /
Control automatizado
Las pruebas de estrés de un sistema de páncreas artificial con pizza y
ejercicio conducen a mejoras en el controlador de lógica difusa del
sistema.
28
Irán
Simulación (in silico)
Páncreas Artificial /
Control automatizado
Regulación de la concentración de glucosa en sangre en diabéticos tipo 1
mediante control por modos deslizantes de orden único combinado con
ganancia ajustable en línea difusa: un estudio de simulación.
pág. 1391
29
Israel
Ensayo Clínico
Monitoreo / Series
temporales
Controlador basado en redes neuronales artificiales para la
monitorización de glucosa durante la prueba de clamp
30
China
Simulación (in silico)
Páncreas Artificial /
Control automatizado
Control predictivo de modelo económico de un sistema de páncreas
artificial bihormonal basado en control de conmutación y parámetro R
dinámico
31
Australia
Simulación (in silico)
Páncreas Artificial /
Control automatizado
Una prueba de concepto computacional de un páncreas artificial con
inteligencia artificial mediante la estabilidad de Lyapunov y la teoría de
juegos diferenciales.
32
Suiza
Desarrollo de modelo
Predicción de
Hipoglucemia
Un sistema de alerta temprana para episodios de
hipoglucemia/hiperglucemia basada en la fusión de modelos de
predicción adaptativos.
33
Japón
Observacional
Retrospectivo
Modelo Predictivo
Predicción mediante aprendizaje automático de la inasistencia a citas
clínicas programadas por pacientes con diabetes
34
Estados
Unidos
Desarrollo de modelo
Modelo Predictivo
Desarrollo de un modelo de red neuronal para predecir los niveles de
glucosa en un entorno de cuidados intensivos quirúrgicos.
35
China
Desarrollo de modelo
Modelo Predictivo
Un nuevo marco de promedio ponderado adaptativo para la predicción
de la glucosa en sangre
36
Estados
Unidos
Observacional
Páncreas Artificial /
Control automatizado
Detección de comidas en pacientes con diabetes tipo 1: un nuevo módulo
para el sistema de control del páncreas artificial adaptativo multivariable
37
Estados
Unidos
Desarrollo de modelo
Modelo Predictivo
Predicción personalizada de glucosa para la diabetes tipo 2 mediante
asimilación de datos
pág. 1392
38
España
Simulación (in silico)
Modelo Predictivo
Predicción personalizada de la glucosa en sangre: un enfoque híbrido que
utiliza la evolución gramatical y modelos fisiológicos.
39
Noruega
Cohorte
Modelo Predictivo
Reconocimiento de patrones y análisis de datos mediante teléfonos
móviles para pacientes con diabetes tipo 1
40
Dinamarca
Observacional
retrospectivo
Predicción de
hipoglucemia
Monitorización continua profesional de la glucosa en sujetos con
diabetes tipo 1: detección retrospectiva de hipoglucemia
41
Estados
Unidos
Desarrollo de modelo
Predicción de
hipoglucemia
Predicción de hipoglucemia mediante modelos de aprendizaje
automático en pacientes con diabetes tipo 2
42
Estados
Unidos
Cohorte
Modelo Predictivo
Evaluación de la utilidad de un sistema de identificación de patrones
glucémicos
43
España
Simulación (in silico)
Páncreas artificial / Control
automatizado
Mejora del control glucémico automático en circuito cerrado en la
diabetes tipo 1 mediante una calculadora adaptativa de bolo de insulina
para comidas: evaluación in silico bajo variabilidad intradía
44
Suiza
Transversal
Modelo Predictivo
Estimación de carbohidratos mediante un sistema basado en teléfono
móvil frente a las estimulaciones de individuos con diabetes mellitus tipo
1: un estudio comparativo
45
Suiza
Simulación (in silico)
Páncreas Artificial /
Control automatizado
GoCARB en el contexto de un páncreas artificial
46
Suiza
Desarrollo de modelo
Modelo Predictivo
Estimación de carbohidratos basada en visión por computadora para
pacientes con diabetes tipo 1 mediante teléfonos inteligentes
pág. 1393
47
Estados
Unidos
Simulación (in silico)
Páncreas artificial / Control
automatizado
Nuevos perfiles de administración de insulina para comidas mixtas en
terapias con bomba de insulina con sensor y páncreas artificial de circuito
cerrado para la diabetes mellitus tipo 1
48
Italia
Simulación (in silico)
Monitoreo / Series
temporales
Un enfoque basado en redes neuronales para personalizar el cálculo del
bolo de insulina mediante la monitorización continua de glucosa.
49
Estados
Unidos
Ensayo clínico
Páncreas artificial / Control
automatizado
Clasificación de la actividad física: Información para sistemas de control
de páncreas artificial en tiempo real.
50
Rusia
Observacional
retrospectivo
Modelo predictivo
Modelos de aprendizaje automático y aprendizaje profundo para la
predicción de niveles altos y bajos de glucosa nocturna en adultos con
diabetes tipo 1
pág. 1394
Análisis por tipo de aplicación y modelos de inteligencia artificial
Los 50 estudios incluidos en la presente revisión sistemática evidencian una amplia aplicación de la
Inteligencia Artificial (IA) en el ámbito de la diabetes, desde el diagnóstico y la predicción de riesgo
hasta el monitoreo continuo, la predicción de eventos glucémicos y el apoyo al tratamiento. A
continuación, se presentan las tablas estadísticas estructuradas que consolidan la distribución
cuantitativa de las investigaciones según sus variables operacionales.
Tabla 2. Distribución de estudios por tipo de aplicación de la IA
Tabla 3. Distribución por Modelos de Inteligencia Artificial empleados
*Nota: La suma de las frecuencias en la Tabla 3 supera el umbral de los 50 estudios y el 100%, debido a que múltiples
investigaciones de corte metodológico emplearon enfoques comparativos concurrentes, evaluando el rendimiento de diversos
algoritmos de forma simultánea dentro del mismo diseño.
Categoría por Tipo de Aplicación de IA
Frecuencia
(n)
Porcentaje (%)
Diagnóstico y predicción primaria de diabetes
22
44%
Predicción de riesgo a largo plazo (Diabetes Mellitus Tipo 2 y progresión de
complicaciones)
9
18%
Predicción de eventos glucémicos agudos (episodios de hipoglucemia grave
o nocturna)
8
16%
Predicción dinámica de niveles de glucosa (Modelos basados en series
temporales)
7
14%
Tratamiento, control automatizado y monitoreo clínico interactivo
4
8%
Total
50
100%
Algoritmo o Modelo de Inteligencia Artificial Empleado
Frecuencia
(n)
Porcentaje (%)
Redes Neuronales Artificiales y Aprendizaje Profundo (ANN / DL)
21
42%
Bosques Aleatorios y Modelos de Ensamble (Random Forest)
15
30%
Máquinas de Vectores de Soporte (SVM / SVR)
13
26%
Árboles de Decisión (Decision Trees)
11
22%
Regresión Logística Avanzada (Modelos de referencia)
10
20%
Gradient Boosting / Algoritmos XGBoost
9
18%
Clasificadores Naïve Bayes
8
16%
pág. 1395
En los estudios incluidos, el 100% utiliza técnicas de machine learning, principalmente mediante
enfoques de aprendizaje supervisado. La aplicación más frecuente de la inteligencia artificial fue el
diagnóstico y la predicción de la diabetes, presente en el 44% de los estudios, utilizando principalmente
datos clínicos como la edad, el índice de masa corporal, la glucosa y la presión arterial. En estos trabajos
fue común comparar diferentes algoritmos; las redes neuronales destacaron por su capacidad para
identificar relaciones no lineales, mientras que la regresión logística se utilizó como modelo de
referencia por su mayor interpretabilidad.
La predicción del riesgo de desarrollar diabetes mellitus tipo 2 representó el 18% de los estudios,
mediante modelos que integran variables clínicas, metabólicas y relacionadas con el estilo de vida,
destacando el potencial de la IA para la detección temprana y la prevención. Por otro lado, el 16% se
centró en la predicción de eventos glucémicos, principalmente hipoglucemia, empleando algoritmos
como redes neuronales, random forest, support vector machine y modelos probabilísticos, a partir de
datos obtenidos mediante automonitoreo de glucosa (SMBG) y monitoreo continuo (CGM)
La predicción de los niveles de glucosa en tiempo real estuvo presente en el 14% de los estudios,
principalmente mediante modelos de series temporales, como support vector regression, redes
neuronales y modelos híbridos, utilizando datos de monitoreo continuo de glucosa (CGM) para anticipar
cambios y favorecer un mejor control glucémico.
Por su parte, el 8% de los estudios abordó el uso de IA en el tratamiento y control automatizado de la
diabetes, incluyendo sistemas para optimizar la administración de insulina y plataformas de monitoreo
remoto. Estos avances incorporan datos fisiológicos en tiempo real y contribuyen al desarrollo de
sistemas automatizados de circuito cerrado, como páncreas artificial (Paula et al., 2024; Phillip et al.,
2013; Revitalizante et al., 2014; Albers et al., 2017; Contreras et al., 2017).
En conjunto, los estudios muestran una evolución desde modelos tradicionales basados en datos clínicos
hacia herramientas capaces de procesar información en tiempo real y apoyar la predicción y el control
automatizado de la diabetes. A partir de estos hallazgos, el análisis cualitativo de la presente revisión
sistemática evidencia que la IA ha evolucionado de una propuesta principalmente tecnológica hacia una
herramienta con aplicaciones cada vez más concretas en el ámbito clínico (Rigla et al., 2018; Contreras
& Vehi, 2018); sin embargo, los estudios incluidos demuestran que su desarrollo se ha concretado
pág. 1396
principalmente en el diagnóstico, la predicción de riesgos y el control automatizado de la enfermedad,
mientras que su aplicación directa en el cuidado de enfermería continúa siendo limitada y representa un
campo que aún requiere mayor investigación (Ronquillo et al., 2021; O'Connor et al., 2023).
Un hallazgo relevante de esta revisión fue la concentración de estudios en el desarrollo de modelos
predictivos y sistemas de control automatizado, incluidos el monitoreo continuo de glucosa y los
sistemas de circuito cerrado, como el páncreas artificial (Jacobs et al., 2015; Phillip et al., 2013;
Greenwood et al., 2016; Herrero et al., 2019) Desde la perspectiva clínica, estas herramientas
representan un avance importante para mejorar el control glucémico y anticipar eventos como la
hipoglucemia, incluso durante el periodo nocturno (Vu et al., 2020; Daskalaki et al., 2013; Sudharsan
et al., 2015); sin embargo, su incorporación también plantea nuevos retos para la práctica de enfermería.
Contrario a la idea de que la automatización podría sustituir el cuidado humano, los hallazgos sugieren
que estas tecnologías pueden transformar y ampliar el papel del profesional de enfermería, al requerir
mayores habilidades de análisis, interpretación y toma de decisiones (Buchanan et al., 2020; Robert,
2019). En este contexto, el profesional no se limita a realizar procedimientos técnicos, sino que también
participa en la interpretación de los datos generados por estas herramientas, la identificación de posibles
errores o alertas inadecuadas y la valoración de la respuesta del paciente. Por ello, la incorporación de
la IA no elimina la necesidad del cuidado de enfermería, sino que demanda nuevas competencias para
integrar la información tecnológica con la valoración clínica y las necesidades individuales de cada
paciente.
Asimismo, la evidencia revisada muestra que la incorporación de la tecnología, por sí sola, no garantiza
una mejor adherencia al tratamiento ni el bienestar del paciente. El uso de sistemas automatizados y
herramientas predictivas puede generar nuevas demandas cognitivas y emocionales, por lo que es
necesario contar con un nivel adecuado de alfabetización digital (Fagherazzi et al., 2020). El uso
continuo de dispositivos de monitoreo y alertas frecuentes también pueden generar cansancio o ansiedad
en algunos pacientes, especialmente cuando perciben una disminución de su autonomía al depender de
la tecnología para tomar determinadas decisiones relacionadas con su salud. En este contexto, el
acompañamiento y la orientación del personal de enfermería adquiere especial importancia.
pág. 1397
Desde una perspectiva centrada en la persona, el profesional de enfermería puede actuar como un
vínculo entre la información proporcionada por los sistemas de IA y las necesidades reales del paciente.
Su intervención no se limita a enseñar el funcionamiento de los dispositivos, sino que también implica
brindar apoyo para afrontar las dificultades, el estrés y la adaptación que puede surgir durante su uso.
De esta manera, enfermería puede favorecer una incorporación más segura y consciente de estas
herramientas, promoviendo el autocuidado, la autonomía y la participación activa del paciente en el
manejo de su enfermedad.
Por otro lado, el análisis de las características de los estudios incluidos (Tabla 1) mostró una distribución
geográfica desigual de la evidencia. Estados Unidos concretó la mayor proporción de estudios, seguido
de China y otros países de Europa y Asia, mientras que la representación de América Latina estuvo
concretada principalmente en Brasil, con cuatro estudios (Cardozo et al., 2021; Santos et al., 2023;
Paula et al., 2024). Esta distribución plantea interrogantes sobre la aplicabilidad de algunos modelos a
poblaciones con características clínicas, sociales, culturales y de acceso a los servicios de salud
diferentes. Por ello, resulta necesario fortalecer la investigación en América Latina y desarrollar
procesos de validación de los modelos de IA en poblaciones locales, con el fin de favorecer herramientas
más representativas y adecuadas a las características de cada contexto.
En conjunto, los hallazgos muestran que, aunque existe un creciente cuerpo de evidencia sobre el uso
de la IA en el manejo de la diabetes, su incorporación sistemática al cuidado de enfermería aún enfrenta
desafíos tecnológicos, formativos y relacionados con la adaptación de estas herramientas a la práctica
clínica. Por ello, las investigaciones futuras no deberían centrarse únicamente en mejorar el rendimiento
de los algoritmos, sino también en desarrollar estrategias que faciliten su integración en el trabajo de
enfermería. Esto permitiría aprovechar el potencial de la IA para personalizar el cuidado y apoyar la
toma de decisiones, sin perder de vista el juicio profesional, la autonomía del paciente y el carácter
humano del cuidado.
CONCLUSIONES
La inteligencia artificial presenta un importante potencial para transformar el manejo de la diabetes,
especialmente en áreas como la predicción temprana de complicaciones, el monitoreo continuo y el
control glucémico automatizado; sin embargo, los hallazgos de esta revisión. Muestran que su
pág. 1398
aplicación se ha orientado principalmente al diagnóstico, la predicción y el control clínico, mientras que
el desarrollo de herramientas dirigidas específicamente al cuidado de enfermería continúa siendo
limitado. Esto evidencia una oportunidad para fortalecer la investigación y favorecer una mayor
integración de las IA en las diferentes dimensiones del cuidado.
Asimismo, la incorporación de estas tecnologías puede transformar las funciones del profesional de
enfermería, más que sustituir el papel del personal de salud. Su implementación requiere profesionales
con competencias en salud digna que permitan interpretar la información generada por estas
herramientas, valorar su pertinencia y traducirla en intervenciones de cuidado y educación
comprensibles para el paciente. De esta manera, la tecnología puede complementar el juicio clínico y
favorecer un cuidado más individualizado, sin desplazar el componente humano de la atención.
Finalmente, es necesario ampliar la investigación en contextos actualmente poco representados,
particularmente en América Latina, para favorecer el desarrollo y validación de herramientas de IA que
consideren las características clínicas, sociales y culturales de estas poblaciones. Promover una
investigación más diversa e inclusiva será fundamental para lograr una implementación de la
inteligencia artificial que contribuya a un cuidado de enfermería seguro, personalizado, equitativo y
centrado en la persona.
REFERENCIAS BIBLIOGRÁFICAS
Agianniotis, A., Anthimopoulos, M., Daskalaki, E., Drapela, A., Stettler, C., Diem, P. et al. (2020).
GoCARB en el contexto de un páncreas artificial.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4604547/
Albers, D., Levine, M., Gluckman, B., Ginsberg, H., Hripcsak, G., & Mamykina, L. (2017). Predicción
personalizada de glucosa para la diabetes tipo 2 mediante asimilación de datos.
https://pmc.ncbi.nlm.nih.gov/articles/PMC5409456/
American Diabetes Association [ADA]. (2010). Diagnosis and classification of diabetes mellitus.
Diabetes Care, 33(Suppl 1), S62-S69.
Aminian, A., Zajichek, A., & Aerterburn, D. (2020). Predicción del riesgo a 10 años de complicaciones
en órganos diana de la diabetes tipo 2 con y sin cirugía metabólica: un enfoque de aprendizaje
automático. https://pmc.ncbi.nlm.nih.gov/articles/PMC7646205/
pág. 1399
Anderson, J., Parikh, J., Shenfeld, D., Ivanov, V., Marks, C., Laramie, I. et al. (2015). Ingeniería inversa
y evaluación de modelos de predicción para la progresión a la diabetes tipo 2: una aplicación
del aprendizaje automático utilizando registros electrónicos de salud.
https://pubmed.ncbi.nlm.nih.gov/26685993/
Anthimopoulos, M., Dehais, J., Shevchik, S., Ransford, B., Duke, D., Diem, P. et al. (2015). Estimación
de carbohidratos basada en visión por computadora para pacientes con diabetes tipo 1 mediante
teléfonos inteligentes. https://pmc.ncbi.nlm.nih.gov/articles/PMC4604531/
Atlas, E., Nimri, R., Miller, S., Grunberg, E., & Philip, M. (2010). Sistema de páncreas artificial MD-
Logic. https://pmc.ncbi.nlm.nih.gov/articles/PMC2858178/
Autor no especificado (2020). Detección precoz de la diabetes mellitus tipo 2 mediante modelos de
predicción basados en aprendizaje automático. https://www.nature.com/articles/s41598-020-
68771-z
Buchanan, C., Howitt, M. L., Wilson, R., Booth, R. G., Risling, T., & Bamford, M. (2020). Predicted
Influences of Artificial Intelligence on the Domains of Nursing: Scoping Review. JMIR
Nursing, 3(1), e23939.
Cappon, G., Vettoretti, M., Marturano, F., Facchinetti, A., & Sparacino, G. (2018). Un enfoque basado
en redes neuronales para personalizar el cálculo del bolo de insulina mediante la monitorización
continua de glucosa. https://pmc.ncbi.nlm.nih.gov/articles/PMC5851237/
Cappon, G., Vettoretti, M., Sparacino, G., & Facchinetti, A. (2019). Continuous Glucose Monitoring
Sensors for Diabetes Management: A Review of Technologies and Applications. Diabetes &
Metabolism Journal, 43(4), 383-397.
Cardozo, G., Brasil, P., Rettore, G., Correa, A., & Brum, J. (2022). Uso del aprendizaje automático y
las pruebas de laboratorio rutinarias para la detección de la diabetes mellitus.
https://pmc.ncbi.nlm.nih.gov/articles/PMC8983182/
Catalogna, M., Cohen, E., Fishman, S., Halpern, Z., Nevo, U., & Ben-jacob, E. (2012). Controlador
basado en redes neuronales artificiales para la monitorización de glucosa durante la prueba de
clamp. https://pmc.ncbi.nlm.nih.gov/articles/PMC3432111/
pág. 1400
Contreras, I., Oviedo, S., Vettoretti, M., Visentin, R., & Vehí, J. (2017). Predicción personalizada de la
glucosa en sangre: un enfoque híbrido que utiliza la evolución gramatical y modelos
fisiológicos. https://pmc.ncbi.nlm.nih.gov/articles/PMC5675457/
Contreras, I., & Vehi, J. (2018). Artificial Intelligence for Diabetes Management and Decision Support:
Literature Review. Journal of Medical Internet Research, 20(5), e10775.
Dagliati, A., Marini, S., Sacchi, L., Cogin, G., Teliti, M., Tibollo, V. et al. (2017). Métodos de
aprendizaje automático para predecir las complicaciones de la diabetes.
https://pmc.ncbi.nlm.nih.gov/articles/PMC5851210/
Daskalaki, E., Nørgaard, K., Züger, T., Prountzou, A., Diem, P., & Mougiakakou, S. (2013). Un sistema
de alerta temprana para episodios de hipoglucemia/hiperglucemia basado en la fusión de
modelos de predicción adaptativos. https://pmc.ncbi.nlm.nih.gov/articles/PMC3869137/
Dinani, S., Zekri, M., & Kamali, M. (2015). Regulación de la concentración de glucosa en sangre en
diabéticos tipo 1 mediante control por modos deslizantes de orden único combinado con
ganancia ajustable en línea difusa: un estudio de simulación.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4528351/
Ellahham, S. (2020). Artificial Intelligence: The Future for Diabetes Care. The American Journal of
Medicine, 133(8), 895-900.
Fagherazzi, G., Ravaud, P., Touillaud, M., Ortiz, J., Blanc, J., & Heude, B. (2020). Smart Digital
Biomarkers for Diabetes. Diabetes Technology & Therapeutics, 22(S1), S78-S85.
Fan, Y., Long, E., Cai, L., Cao, Q., Wu, X., & Tong, R. (2021). Enfoques de aprendizaje automático
para predecir los riesgos de complicaciones diabéticas y el mal control glucémico en la diabetes
tipo 2 no adherente al tratamiento. https://pmc.ncbi.nlm.nih.gov/articles/PMC8258097/
GBD 2017 Disease and Injury Collaborators. (2019). Global, regional, and national incidence,
prevalence, and mortality of diabetes, 1990-2017. The Lancet, 393(10190), 1217-1236.
Greenwood, N., & Gunton, J. (2016). Una prueba de concepto computacional de un páncreas artificial
con inteligencia artificial mediante la estabilidad de Lyapunov y la teoría de juegos
diferenciales. https://pmc.ncbi.nlm.nih.gov/articles/PMC4764243/
pág. 1401
Herrero, P., Bondia, J., Adewuyi, O., Pesl, P., El-sharkawy, M., Reddy, M. et al. (2019). Mejora del
control glucémico automático en circuito cerrado en la diabetes tipo 1 mediante una calculadora
adaptativa de bolo de insulina para comidas: evaluación in silico bajo variabilidad intradía.
https://pmc.ncbi.nlm.nih.gov/articles/PMC6522376/
Huang, G., Huang, K., Lee, T., & Weng, J. (2014). Clasificación diagnóstica interpretable basada en
reglas de la nefropatía diabética en pacientes con diabetes tipo 2.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4331704/
International Diabetes Federation [IDF]. (2024). IDF Diabetes Atlas (11th ed.). International Diabetes
Federation.
Jacobs, P., Resalat, N., Youssef, J., Reddy, R., Branigan, D., Presier, N. et al. (2015). Incorporación de
un algoritmo de detección, clasificación y dosificación hormonal del ejercicio en el páncreas
artificial mediante acelerometría y frecuencia cardíaca.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4667295/
Jensen, M., Christensen, T., Tarnow, L., Mahmoudi, Z., Johansen, M., & Hejlesen, O. (2013).
Monitorización continua profesional de la glucosa en sujetos con diabetes tipo 1: detección
retrospectiva de hipoglucemia. https://pmc.ncbi.nlm.nih.gov/articles/PMC3692225/
Jian, Y., Pasquier, M., Sagahyroom, A., & Aloul, F. (2021). Un enfoque de aprendizaje automático para
predecir las complicaciones de la diabetes.
https://pmc.ncbi.nlm.nih.gov/articles/PMC8702133/
Khan, M. A. B., Hashim, M. J., King, J. K., Govender, R. D., Mustafa, H., & Al Kaabi, J. (2020).
Epidemiology of Type 2 Diabetes - Global Burden and Forecasted Trends. Journal of
Epidemiology and Global Health, 10(1), 107-111.
Kozinetz, R., Berikov, V., Semenova, J., & Klimotov, V. (2024). Modelos de aprendizaje automático y
aprendizaje profundo para la predicción de niveles altos y bajos de glucosa nocturna en adultos
con diabetes tipo 1. https://pmc.ncbi.nlm.nih.gov/articles/PMC11011674/
Kurasawa, H., Hayashi, K., Fujino, A., Takasugi, K., Haga, T., Waki, K. et al. (2015). Predicción
mediante aprendizaje automático de la inasistencia a citas clínicas programadas por pacientes
con diabetes. https://pmc.ncbi.nlm.nih.gov/articles/PMC5038527/
pág. 1402
Lee, M., Gatton, T., & Lee, K. (2010). Sistema de monitorización y asesoramiento para el manejo de
pacientes con diabetes mediante un método basado en reglas y KNN.
https://pmc.ncbi.nlm.nih.gov/articles/PMC3274186/
Lee, S., Zhou, J., Wong, W., Liu, T., Wu, W., Wong, L. et al. (2021). Variabilidad glucémica y lipídica
para la predicción de complicaciones y mortalidad en la diabetes mellitus mediante aprendizaje
automático. https://pmc.ncbi.nlm.nih.gov/articles/PMC8097996/
Ljubic, B., Hai, A., Stanjevic, M., Diaz, W., Polimac, D., Pavlovski, M. et al. (2020). Predicción de
complicaciones de la diabetes mellitus mediante algoritmos avanzados de aprendizaje
automático. https://pmc.ncbi.nlm.nih.gov/articles/PMC7647294/
Mauseth, R., Lord, S., Hirsch, I., Kircher, R., Matherson, D., & Greenbaum, C. (2015). Las pruebas de
estrés de un sistema de páncreas artificial con pizza y ejercicio conducen a mejoras en el
controlador de lógica difusa del sistema. https://pmc.ncbi.nlm.nih.gov/articles/PMC4667297/
Mauseth, R., Wang, Y., Dassau, E., Kircher, R., Matheson, D., Zisser, H. et al. (2010). Aplicación
clínica propuesta para el ajuste del controlador de lógica difusa del páncreas artificial mediante
un factor de personalización. https://pmc.ncbi.nlm.nih.gov/articles/PMC2909525/
Nimri, R., Muller, I., Atlas, E., Miller, S., Kordonouri, O., Bratina, N. et al. (2014). Control nocturno
de la glucosa con páncreas artificial MD-Logic en el domicilio: ensayo cruzado aleatorizado
simple ciego—análisis interino. https://onlinelibrary.wiley.com/doi/10.1111/pedi.12071
O'Connor, S., Yan, Y., Thilo, F. J. S., Felzmann, H., Dowding, D., & Lee, J. J. (2023). Artificial
intelligence in nursing and midwifery: A systematic review. Journal of Clinical Nursing, 32(13-
14), 2951-2968.
Otto, E., & Tannan, V. (2016). Evaluación de la utilidad de un sistema de identificación de patrones
glucémicos. https://pmc.ncbi.nlm.nih.gov/articles/PMC4764210/
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher,
D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic
reviews. BMJ, 372, n71.
pág. 1403
Pappada, S., Borst, M., Cameron, B., Bourey, R., Lather, J., Shipp, D. et al. (2010). Desarrollo de un
modelo de red neuronal para predecir los niveles de glucosa en un entorno de cuidados
intensivos quirúrgicos. https://pmc.ncbi.nlm.nih.gov/articles/PMC2944194/
Paula, A. et al. (2023). BrDMrisc – Puntuación de riesgo brasileña en línea para la incidencia de diabetes
tipo 2 – Cohorte ELSA-Brasil. https://revistas.usp.br/rsp/en/article/view/172506
Phillip, M., Battelino, T., Atlas, E., Kordonouri, O., Bratina, N., Miller, S. et al. (2013). Control
nocturno de la glucosa con un páncreas artificial en un campamento para diabéticos.
https://www.nejm.org/doi/10.1056/NEJMoa1206881
Powers, M. A., Bardsley, J., Cypress, M., Duker, P., Funnell, M. M., Fischl, A. H., ... & Vivian, E.
(2015). Diabetes self-management education and support in type 2 diabetes: a joint position
statement. Diabetes Care, 38(7), 1372-1382.
Ramesh, J., Aburukba, R., & Sagahyroon, A. (2021). Un marco de monitorización remota de la salud
para la predicción de la diabetes mediante aprendizaje automático.
https://pmc.ncbi.nlm.nih.gov/articles/PMC8136765/
Reis, M., Kunas, C., Dos reis, B., & Schaan, B. (2024). Avances en la atención médica con inteligencia
artificial: precisión diagnóstica del algoritmo de aprendizaje automático en el diagnóstico de
retinopatía diabética en la población brasileña.
https://link.springer.com/article/10.1186/s13098-024-01447-0
Revitalizante, N. et al. (2014). Control nocturno de la glucosa con páncreas artificial MD-Logic en el
domicilio: ensayo cruzado aleatorizado simple ciego—análisis interino.
https://onlinelibrary.wiley.com/doi/10.1111/pedi.12071
Rhyder, D., Loher, H., Dehais, J., Anthimopoulos, M., Shevchik, S., Botwey, R. et al. (2016).
Estimación de carbohidratos mediante un sistema basado en teléfono móvil frente a las
autoestimaciones de individuos con diabetes mellitus tipo 1: un estudio comparativo.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4880742/
Rigla, M., García-Sáez, G., Pons, B., & Hernando, M. E. (2018). Artificial Intelligence Methodologies
and Their Application to Diabetes. Journal of Diabetes Science and Technology, 12(2), 303-
310.
pág. 1404
Robert, N. (2019). How artificial intelligence is changing nursing. Nursing Management, 50(9), 30-39.
Rohan, J., Delamater, A., Pendley, J., Dolan, L., Reeves, G., & Drotar, D. (2011). Identificación de
patrones de autocontrol en la diabetes tipo 1 pediátrica mediante análisis de conglomerados.
https://pubmed.ncbi.nlm.nih.gov/21446925/
Ronquillo, C. E., Peltonen, L. M., Pruinelli, L., Chu, C. H., Bakken, S., Beduschi, A., ... & Topaz, M.
(2021). Artificial intelligence in nursing: Priorities and opportunities from an international
invitational think-tank of the Nursing and Artificial Intelligence Leadership Collaborative.
Journal of Advanced Nursing, 77(9), 3707-3717.
Sagi, M., Win, K., Shirvani, F., Rad, M., & Shukla, N. (2015). Aplicación de una novedosa combinación
de técnicas para desarrollar un modelo predictivo de las complicaciones de la diabetes.
https://pubmed.ncbi.nlm.nih.gov/25902317/
Santos, K., Assuncao, L., Santos, R., & Reis, A. (2023). Enfoques de aprendizaje automático y
determinantes genéticos que influyen en el desarrollo de la diabetes mellitus tipo 2: un estudio
de asociación genética en pacientes brasileños. https://www.bjournal.org/article/machine-
learning-approaches-and-genetic-determinants-that-influence-the-development-of-type-2-
diabetes-mellitus-a-genetic-association-study-in-brazilian-patients/
Shi, M., Yang, A., Lau, E., Luk, A., Ma, R., Kong, A. et al. (2023). Un novedoso modelo de aprendizaje
automático basado en registros electrónicos de salud para predecir la hipoglucemia grave que
conduce a hospitalizaciones en adultos mayores con diabetes: un estudio de cohorte y modelado
a nivel territorial.
https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1004369
Shi, R., Niu, Z., Wu, B., Zhang, T., Cai, D., Sun, H. et al. (2020). Nomograma para el riesgo de
nefropatía diabética o retinopatía diabética en pacientes con diabetes mellitus tipo 2 basado en
cuestionarios e indicadores bioquímicos: un estudio transversal.
https://pmc.ncbi.nlm.nih.gov/articles/PMC7182465/
Skrovseth, S., Årsand, E., Godtliebsen, F., & Hartvigsen, G. (2012). Reconocimiento de patrones y
análisis de datos mediante teléfonos móviles para pacientes con diabetes tipo 1.
https://pmc.ncbi.nlm.nih.gov/articles/PMC3521145/
pág. 1405
Srinivasan, A., Lee, J., Dassau, E., & Doyle, F. (2015). Nuevos perfiles de administración de insulina
para comidas mixtas en terapias con bomba de insulina con sensor y páncreas artificial de
circuito cerrado para la diabetes mellitus tipo 1.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4455363/
Sudharsan, B., Peeples, M., & Shomali, M. (2015). Predicción de hipoglucemia mediante modelos de
aprendizaje automático en pacientes con diabetes tipo 2.
https://pmc.ncbi.nlm.nih.gov/articles/PMC4495530/
Tang, G., & Wang, Y. (2018). Control predictivo de modelo económico de un sistema de páncreas
artificial bihormonal basado en control de conmutación y parámetro R dinámico.
https://pmc.ncbi.nlm.nih.gov/articles/PMC5951052/
Tarumi, S., Takeuchi, W., Chalkidis, G., Rodriguez, S., Kuwata, J., Flynn, M. et al. (2021).
Aprovechamiento de la inteligencia artificial para mejorar la atención de enfermedades
crónicas: métodos y aplicación al apoyo a la toma de decisiones farmacoterapéuticas para la
diabetes mellitus tipo 2. https://pmc.ncbi.nlm.nih.gov/articles/PMC8294941/
Turksoy, K., Paulino, T., Zaharieva, P., Yavelberg, L., Jamnik, V., Riddell, M. et al. (2015).
Clasificación de la actividad física: Información para sistemas de control de páncreas artificial
en tiempo real. https://pmc.ncbi.nlm.nih.gov/articles/PMC4667299/
Turksoy, K., Samadi, S., Feng, J., Littlejohn, E., Quinn, L., & Cinar, A. (2016). Detección de comidas
en pacientes con diabetes tipo 1: un nuevo módulo para el sistema de control del páncreas
artificial adaptativo multivariable. https://pmc.ncbi.nlm.nih.gov/articles/PMC4713125/
Vu, L., Kefyati, S., Ide, T., & Pavuluri, V. (2020). Predicción de la hipoglucemia nocturna a partir de
datos de monitorización continua de glucosa con horizonte de predicción ampliado.
https://pmc.ncbi.nlm.nih.gov/articles/PMC7153099/
Wang, Y., Wu, X., & Mo, X. (2013). Un nuevo marco de promedio ponderado adaptativo para la
predicción de la glucosa en sangre. https://pmc.ncbi.nlm.nih.gov/articles/PMC3781119/
World Health Organization [WHO]. (2021). The WHO Global Diabetes Compact. World Health
Organization.
World Health Organization [WHO]. (2024). Diabetes fact sheet. World Health Organization.