Del Plato a la Glucosa: Predicción ML de Respuestas Posprandiales a Banquetes Keto vs Tradicionales en DT2

Resumen

Este estudio se centra en el desarrollo y la evaluación rigurosa de modelos de Machine Learning (ML) para predecir el pico de respuesta glucémica posprandial (PPGR_peak_0_120) en individuos con riesgo metabólico, analizando banquetes Keto versus tradicionales. El objetivo principal fue integrar un conjunto exhaustivo de variables (fenotipo clínico, composición nutricional y marcadores de microbiota) para mejorar la precisión de la predicción individual. Se aplicaron modelos de regresión penalizada (ElasticNet, Lasso) y un modelo no lineal (GradientBoosting). La validación se realizó mediante la estricta estrategia Leave-One-Group-Out (LOGO) para evaluar la capacidad real de generalización a nuevos participantes. El modelo ElasticNet resultó ser el de mejor rendimiento, alcanzando un RMSE de 32.13 mg/dL. Aunque la R2 negativa obtenida en la validación LOGO subraya el desafío de la alta variabilidad inter-individual, el RMSE relativo (∼18% de la DE) es clínicamente aceptable. Los modelos convergieron en la identificación de factores de riesgo robustos: el BMI_kgm2 y el HbA1c_pct son consistentemente los predictores más potentes de la magnitud del pico glucémico. Los hallazgos destacan la relevancia de la ingeniería de características nutricionales (interacciones dieta × macronutrientes, y densidades calóricas), demostrando que la proporción y el contexto de los nutrientes son cruciales. El estudio concluye que, si bien la predicción individual precisa es compleja, los modelos son herramientas valiosas para identificar jerarquías de riesgo y fundamentar intervenciones dietéticas personalizadas en la gestión de la Diabetes Tipo 2.