1412- Recomendaciones ADLM a la CLIA acerca de IA

Press Release:  ADLM solicita actualizaciones de CLIA para ayudar a garantizar el uso seguro y confiable de la IA en la medicina de laboratorio. Septiembre 15, 2026

Washington-  La Asociación para el Diagnóstico y la Medicina de Laboratorio (ADLM) ha presentado comentarios en respuesta a una solicitud federal de información sobre posibles actualizaciones de las Clinical Laboratory Improvement Amendments (CLIA),  que son un conjunto de normas reglamentarias que rigen todas las pruebas de laboratorio clínico en los EE. UU. En la carta de comentarios, la ADLM recomienda que, según la CLIA, las herramientas emergentes de inteligencia artificial (IA) sigan estando sujetas a la misma experiencia profesional, sistemas de calidad, requisitos de validación y normas de supervisión que se aplican a las pruebas de laboratorio tradicionales. 

Las pruebas de laboratorio clínico han avanzado significativamente desde la implementación de CLIA en 1992, y uno de los mayores avances recientes en este campo es el creciente uso de la IA. El software tradicional ha respaldado durante mucho tiempo las pruebas de laboratorio de alta calidad mediante funciones como la verificación, la interpretación y la presentación de informes de resultados, y las nuevas tecnologías, como la IA y el aprendizaje automático, desempeñan un papel cada vez más importante en muchas de estas mismas áreas. Sin embargo, las herramientas basadas en IA introducen nuevos modos de fallo y problemas de seguridad que el marco CLIA actual no aborda. 

Por ejemplo, un error en el software convencional generalmente afecta a todos los casos de pacientes que cumplen las mismas condiciones programadas y puede evaluarse utilizando casos con resultados esperados conocidos. Un modelo basado en IA, por otro lado, puede producir errores específicos para cada caso, lo que dificulta la resolución del problema. La IA generativa también puede producir información inexacta o sin respaldo, omitir datos clínicamente importantes o cambiar su comportamiento tras las actualizaciones del modelo, la solicitud o la base de conocimientos.  

A medida que las herramientas basadas en IA se vuelven más comunes en la medicina de laboratorio, ADLM recomienda realizar actualizaciones específicas a CLIA que reflejen los nuevos desafíos que conllevan estas tecnologías. Los aspectos más destacados de las recomendaciones en la carta de comentarios de ADLM incluyen lo siguiente:

• The Centers for Medicare & Medicaid Services y the Centers for Disease Control and Prevention (las dos agencias que respaldan la CLIA) deberían establecer una supervisión federal para las herramientas basadas en IA que evite duplicaciones innecesarias. En concreto, la Administración de Alimentos y Medicamentos (FDA) puede regular determinados productos de software o dispositivos médicos, mientras que la CLIA rige la responsabilidad del laboratorio en cuanto a la precisión y fiabilidad de las pruebas.

• CLIA debería distinguir entre el software convencional y los modelos de IA. Los laboratorios también deberían tener en cuenta las diferencias en el rendimiento del software tradicional y los modelos aprendidos al validar y supervisar su desempeño.

• CLIA debería adoptar un enfoque basado en el riesgo y adecuado a la tecnología, que establezca expectativas de calidad claras para las herramientas basadas en IA, al tiempo que preserve la capacidad de los directores de laboratorio y los profesionales de laboratorio cualificados para determinar métodos científicamente apropiados para cumplir con dichas expectativas.

• Cuando un centro analiza de forma independiente datos de laboratorio específicos de un paciente o proporciona una interpretación de laboratorio especializada que genera o ayuda a generar un resultado de prueba o una interpretación para uso clínico, esas actividades forman parte del proceso de análisis completo y deben estar sujetas a la supervisión CLIA correspondiente.

En general, los comentarios de ADLM enfatizan que las herramientas basadas en IA deben evaluarse como parte del proceso de prueba total dentro del marco existente de CLIA, en lugar de tratarse como herramientas de software independientes que requieren la creación de una estructura regulatoria separada.

«La IA tiene el potencial de impulsar avances extraordinarios en la medicina de laboratorio, pero la innovación en este campo debe equilibrarse con la necesidad de garantizar la calidad de las pruebas y la seguridad del paciente», declaró el Dr. Stanley F. Lo, presidente de la ADLM. «Los laboratorios cuentan con la experiencia y los sistemas de calidad necesarios para evaluar, implementar y supervisar continuamente las herramientas de IA, lo que hace que la supervisión constante de los laboratorios sea esencial para el uso responsable de la IA en las pruebas de laboratorio clínico».

Acerca de la Asociación para el Diagnóstico y la Medicina de Laboratorio (ADLM):

Dedicada a lograr una mejor salud para todos a través de la medicina de laboratorio, ADLM reúne a más de 70 000 profesionales de laboratorio clínico, médicos, científicos investigadores y líderes empresariales de 110 países de todo el mundo. 

Nuestra comunidad está a la vanguardia de las diversas subdisciplinas de la medicina de laboratorio, incluyendo química clínica, diagnóstico molecular, espectrometría de masas, microbiología clínica y ciencia de datos, y está compuesta por personas con un amplio espectro de títulos, certificaciones y credenciales profesionales relacionadas con el laboratorio. 

Desde 1948, ADLM ha impulsado el avance de la medicina de laboratorio fomentando la colaboración científica, el intercambio de conocimientos y el desarrollo de soluciones innovadoras que mejoran los resultados de salud. Para obtener más información, visite www.myadlm.org .

Leer articulo original

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  02 de Octubre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1411- Grupo IA en medicina de laboratorio según la EFLM

Janne Cadamuro, Anna Carobene, et al. (18). Un estudio exhaustivo sobre la adopción de la inteligencia artificial en medicina de laboratorio Europeo: utilización actual y perspectivas. De Gruyter Drill.Clin Chem Lab Med. 2024; 63(4): 692-703. European Federation of Clinical Chemistry and Laboratory Medicine Working Group on Artificial Intelligence

Resumen

Antecedentes:  A medida que evoluciona el sector sanitario, se reconoce cada vez más el potencial de la inteligencia artificial (IA) para mejorar el laboratorio e medicina. Sin embargo, las tasas de adopción y las actitudes hacia la IA de los laboratorios europeos no se han analizado exhaustivamente. Este estudio pretende subsanar esta deficiencia mediante una encuesta a profesionales de laboratorio europeos para evaluar su uso actual de la IA, la infraestructura digital disponible y sus actitudes hacia futuras implementaciones.

Métodos:  En octubre de 2023, realizamos una encuesta metódica que distribuimos a través de las listas de correo de EFLM. La encuesta abarcó seis áreas clave: características generales, equipos digitales, acceso a datos de salud, gestión de datos, avances en IA y perspectivas personales. Analizamos las respuestas para cuantificar la integración de la IA e identificar las barreras para su adopción.

Resultados: De las 426 respuestas iniciales, se consideraron 195 tras excluir las incompletas y las procedentes  fuera de Europa. Los resultados revelaron una escasa participación en IA, con importantes deficiencias en la infraestructura digital y la formación necesarias. Solo el 25,6 % de los laboratorios informaron de proyectos de IA en curso. Entre las principales barreras se encontraban las herramientas digitales inadecuadas, el acceso restringido a datos completos y la falta de competencias en IA entre el personal. Cabe destacar el gran interés manifestado por la formación en IA, lo que indica una demanda de iniciativas educativas.

Conclusiones:  A pesar del reconocido potencial de la IA para revolucionar la medicina de laboratorio mediante la mejora de la precisión y la eficiencia diagnósticas, los laboratorios europeos se enfrentan a importantes desafíos. Esta encuesta pone de manifiesto la necesidad crucial de inversiones estratégicas en programas educativos y mejoras de infraestructura para apoyar la integración de la IA al laboratorio de medicina en toda Europa. Los esfuerzos futuros deben centrarse en mejorar la accesibilidad a los datos, actualizar las herramientas tecnológicas y ampliar la formación y conocimientos sobre IA entre los profesionales. En respuesta, nuestro grupo de trabajo planea desarrollar y poner a disposición materiales de formación en línea para satisfacer esta creciente demanda educativa.

Introducción

El mundo tal como lo conocemos está cambiando drástica y rápidamente, y también los procesos sanitarios actuales. El potencial de la inteligencia artificial (IA) se ha hecho cada vez más evidente, ya que puede liberarnos de tareas repetitivas y simples o incluso complejas, permitiéndonos, como profesionales sanitarios, dedicar más tiempo a aquellos pacientes cuyos síntomas y enfoque diagnóstico requieren creatividad humana. Estos casos que consumen mucho tiempo podrían haber sido minimizados y pasados ​​por alto en el pasado debido a la enorme cantidad de trabajo y datos que llegan constantemente, como demostraron Elliot et al. 

Hasta ahora, la IA se ha abierto camino en áreas médicas donde las imágenes forman la base de los diagnósticos. Por lo tanto, las disciplinas con más herramientas de IA aprobadas por la FDA son actualmente la radiología y la cardiología. Según los resultados de una encuesta de 2021, el 30 % de los radiólogos ya utilizan IA para apoyar los procesos de diagnóstico. Sin embargo, como la interpretación de los resultados de las pruebas de laboratorio clínico depende de muchas otras variables, solo se han entrenado unos pocos modelos de aprendizaje automático (ML) para servir a los procesos de laboratorio, la mayoría de los cuales se basan en el reconocimiento de imágenes de células y otras estructuras en sangre u orina, evaluación de tiras de orina o pruebas rápidas de glucosa. 

Aparte de la plétora de estudios publicados que utilizan datos de laboratorio para el diagnóstico y pronóstico de COVID-19, solo se han publicado unos pocos estudios que apuntan a interpretar los resultados de las pruebas de laboratorio, principalmente en conjunto con otros datos médicos (por ejemplo, sepsis, pronóstico de ascitis, etc.). No obstante, los profesionales de laboratorio deben familiarizarse con este tema para mantener y mejorar sus servicios en el futuro y para contrarrestar una posible disminución de la plantilla debido a la jubilación de la llamada generación "boomer".

Para evaluar el estado actual del conocimiento sobre inteligencia artificial (IA) en los laboratorios Europeos, el Working Group on AI (WG-AI) de la European Federation of Laboratory Medicine (EFLM) realizó una encuesta con el objetivo de obtener información sobre el hardware y el software disponibles, el nivel de experiencia, los proyectos de IA en curso, el acceso a datos sanitarios y la disposición de los profesionales de laboratorio a participar en formación continua sobre IA. 

Objetivo: utilizar las respuestas de la encuesta para proporcionar material educativo, una base de conocimientos y oportunidades de creación de redes para los laboratorios europeos.

Materiales y métodos: Esta investigación empleó un enfoque de encuesta metódica para recopilar información exhaustiva sobre el uso y los puntos de vista relacionados con la IA en la medicina de laboratorio. La encuesta se diseñó para evaluar seis temas clave, que se describen a continuación:

Características generales : Esta sección abarca información básica sobre los laboratorios, incluyendo la ubicación geográfica, la demografía por edades del personal, el tipo de organización del lugar de trabajo, el volumen anual de pruebas y los tipos de análisis que se realizan......

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  28 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1410- Grupo IA en medicina de laboratorio segun la IFCC

Damien Gruson, Bernard Gouget, Woochang Lee, Ronda Greaves, Yan Liu , Sven Ebert He Sarina Yang, Swarup Shah. De la automatización a la inteligencia artificial con agentes en medicina de laboratorio: una opinión de la División de Tecnologías Emergentes de la IFCC. Clin Chem Lab Med.2025; 64(5): 985-988. Departamento de Bioquímica Clínica, Cliniques Universitaires St-Lux, Bruselas, Bélgica y Université Catholique de Louvain, Bruselas, Bélgica y otras Instituciones.

N.del E.: Algunas consideraciones sobre el titulo de esta presentación (Chat Claude 5.0) 

Significado y  funciones de "Agente de inteligencia artificil: Se refiere a sistemas de IA capaces de actuar de forma autónoma para cumplir objetivos, en lugar de solo responder a una consulta puntual. A diferencia de la IA tradicional basada en prompts, un sistema agéntico puede descomponer una meta compleja en subtareas, planificar los pasos necesarios, utilizar herramientas externas (como buscadores, código o bases de datos), tomar decisiones según los resultados obtenidos y corregir su curso de acción sin intervención humana constante. Mantiene además memoria o contexto a lo largo de todo el proceso, lo que le permite ejecutar tareas extendidas de principio a fin."

Introducción

La inteligencia artificial (IA) se ha convertido rápidamente en un pilar fundamental de la investigación y la práctica sanitaria. En e laboratorio de medicina, las aplicaciones del aprendizaje automático y los grandes modelos lingüísticos (MLL) ya han demostrado su potencial en diagnóstico, apoyo a la toma de decisiones clínicas y optimización de flujos de trabajo. Si bien estos sistemas de IA pueden generar información y recomendaciones valiosas, aún dependen de usuarios humanos para interpretar e implementar sus resultados.

La IA con agentes representa un cambio fundamental en este paradigma. A diferencia de los modelos tradicionales que se limitan a la predicción, los sistemas con agentes pueden razonar, planificar y actuar de forma autónoma a lo largo de múltiples etapas de un proceso. Los gemelos digitales complementan esta evolución al crear réplicas virtuales dinámicas y actualizadas continuamente de sistemas de laboratorio o trayectorias de pacientes, lo que reduce la brecha entre la simulación y la práctica del mundo real.

Al combinar la descomposición de tareas, la toma de decisiones y la orquestación de diversas herramientas digitales, la IA con agentes funciona menos como un asistente pasivo y más como un «colega digital» . Este marco emergente amplía las capacidades de la IA tradicional al integrar el razonamiento en cadena, la investigación profunda, la orquestación de herramientas multimodales y la ejecución autónoma.

En el contexto del laboratorio, esta evolución es particularmente transformadora. La IA con capacidad de agencia tiene el potencial de ir más allá de la automatización estática y la generación de informes de datos, permitiendo que los laboratorios operen como ecosistemas adaptativos que brindan valor continuo y orientado a resultados.

Por ejemplo, consideremos el objetivo común de emitir un resultado de troponina seguro y oportuno: una IA con capacidad de agencia podría consultar de forma autónoma el sistema informático del laboratorio (LIS), el software intermedio y los registros electrónicos de salud (EHR); recuperar resultados históricos, el estado de los instrumentos y los procedimientos operativos estándar; procesar la muestra mediante la automatización total del laboratorio; aplicar reglas de uso de pruebas; validar y generar informes estructurados; interpretar los resultados con recomendaciones de seguimiento; y comunicar los hallazgos inusuales al personal.

Estudios preliminares indican que esta arquitectura podría superar a los modelos LLM de referencia en tareas clínicas al aprovechar el razonamiento estructurado y la orquestación de herramientas. Sin embargo, la transición de la asistencia a la autonomía también intensifica la necesidad de interpretabilidad, transparencia y supervisión humana claramente definida ("intervención humana") para garantizar la rendición de cuentas de todas las acciones automatizadas.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  26 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1409- Dosificación de fármacos mediante ecuaciones CKD-EPI. - Podcast

Edward J Filippone, Walter K Kraft. Perspectiva sobre la dosificación de fármacos mediante las nuevas ecuaciones CKD-EPI. Oxford Academic.Clin Chem 2025; 71(10):  1014-1017. Department of Medicine, Sidney Kimmel Medical College of Thomas Jefferson University, Philadelphia, PA, United States.

La determinación de la función renal es un pilar fundamental de la medicina clínica. En primer lugar, la disminución de la función renal conlleva complicaciones médicas como anemia, trastornos mineralo-óseos, acidosis y, sobre todo, un mayor riesgo cardiovascular y mortalidad. La medición de la función renal, que sea económica, reproducible y razonablemente precisa, es crucial. La segunda aplicación de la evaluación de la función renal es la utilización y dosificación adecuadas de los medicamentos que se eliminan por vía renal. La eliminación de fármacos se produce a través de (a) la filtración glomerular, (b) la secreción tubular proximal, (c) la reabsorción tubular distal y (d) el metabolismo renal. Los marcadoes afecta la disposición de los fármacos debido a cambios en la función de los transportadores, la absorción gastrointestinal de fármacos, el metabolismo extrarrenal y otros mecanismos mal definidos. Estos son difíciles de medir y se enmarcan en una categoría de variabilidad interindividual aún inexplicada en la exposición a los fármacos.

La mejor evaluación general de la función renal es la tasa de filtración glomerular (TFG). La disminución de la TFG se asocia linealmente con la función tubular y, por lo tanto, sigue siendo una guía razonable para la eliminación renal de fármacos, incluso para aquellos que se eliminan principalmente por secreción. No es posible medir directamente la TFG en humanos; la depuración renal medida de sustancias exógenas o endógenas se utiliza como un indicador indirecto de la TFG, denominada TFG medida (TFGm). La depuración renal es igual a la cantidad de sustancia excretada a lo largo del tiempo dividida por la concentración plasmática. También se utiliza la depuración plasmática de sustancias exógenas, lo que evita la necesidad de recolectar orina. El método de referencia para la TFGm es la depuración renal de inulina. Sin embargo, la inulina es costosa, no está fácilmente disponible y es difícil de medir. Otros agentes exógenos que se pueden utilizar para determinar la TFGm incluyen iotamato, iohexol, Cr 51 -EDTA y ácido dietilentriaminopentaacético.

De forma más práctica, se han desarrollado ecuaciones para estimar la TFG [TFG estimada (TFGe)] basándose en analitos séricos fácilmente disponibles que se eliminan mediante filtración glomerular. La creatinina es la más estudiada, pero la cistatina C (cistatina) se utiliza cada vez más. Tanto la generación como la eliminación de un sustrato endógeno deben estar en estado estacionario para una estimación precisa de la TFG, y no se puede utilizar ninguna fórmula cuando alguna de ellas está fluctuando. Específicamente, el nivel sérico de cualquiera de ellos no está determinado únicamente por su eliminación, sino también por su producción en estado estacionario, que puede variar sustancialmente según las comorbilidades asociadas (véase la Tabla 1 

La primera fórmula ampliamente utilizada fue la ecuación de Cockcroft-Gault (CG) en 1976, que empleaba la creatinina sérica para estimar el aclaramiento de creatinina medido, un método con limitaciones y en función de la edad, el peso corporal y el sexo. Los datos se obtuvieron de 236 hombres, predominantemente blancos, con un factor de corrección de 0,85 elegido arbitrariamente para las mujeres. El uso generalizado y la vigencia de la CG son prueba de su utilidad como estimador del aclaramiento de creatinina y, por ende, de la TFG, fácil de calcular y muy útil. Sin embargo, se desarrolló utilizando un ensayo de creatinina no estandarizado que ya no se utiliza. 

La ecuación nunca se validó con la TFG medida exógenamente, ni se estudió en otros grupos raciales. Ha demostrado ser menos precisa que las ecuaciones posteriores para estimar la TFG medida y predecir la concentración de fármacos de eliminación renal. La CG todavía es utilizada con frecuencia en el laboratorio clínico para estimar la TFG en decisiones relacionadas con la dosificación de medicamentos, pero, debido a sus numerosas limitaciones, ha llegado al final de su utilidad.....

1)  Leer el artículo completo

2)  Dosificación de fármacos mediante ecuaciones CKD-EPI.-Podcast

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  24 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

Artes plásticas y medicina

Bagnarelli A.E., Editor. Dia Internacional del Artista Plástico. Fuente; Chat Claude/ Geminis. Imágenes: Web Art Gallery - Wikipedia

1) El 21 de septiembre se celebra el Día Mundial del  Artista Plástico, una fecha dedicada a homenajear a los hombres y mujeres que comunican ideas, emociones y realidades a través de expresiones visuales como la pintura, la escultura, el dibujo, y más. Se conmemora esta fecha como una forma de valorar el aporte cultural, social y estético de los artistas plásticos a la humanidad. Es un día para recordar que detrás de cada obra hay una mente creativa comprometida con mostrar el mundo desde otra perspectiva.

2) La pintura  ha evolucionado a través de diferentes períodos y corrientes, dando lugar a obras que han marcado la historia de la cultura y cada una co sus sus propias características. Cada Período  refleja un momento histórico y contribuye a la evolución continua de la expresión humana. Estos movimientos a menudo se superponen e influyen entre sí, creando un rico entramado de tradiciones que continúa evolucionando hasta hoy.

3) Se pueden encontrar pinturas relacionadas con la actividad medica en diferentes períodos de la historia del arte, lo que refleja la evolución de la comprensión de la medicina, el papel de los profesionales de la salud y el contexto social de la enfermedad.

4) En esta presentación, la clasificación por Períodos simplifica procesos culturales complejos y superpuestos, con límites cronológicos aproximados que varían según la tradición local. Además, la selección de estas obras refleja un canon occidental, sujeto a revisión crítica constante. Por lo tanto, la elección refleja más el consenso crítico actual que un juicio definitivo que en el arte nunca lo es.

Períodos, pintores y alguna de sus obras

1) Periodo Renacimiento (c. 1300-1600):  Durante el Renacimiento, el enfoque en el humanismo y la investigación científica condujo a un renovado interés en la anatomía.Artistas y médicos colaboraron para crear dibujos anatómicos detallados, que eran a la vez documentos científicos y obras de arte.

Leonardo da Vinci (1452-1519): creó extraordinarios dibujos anatómicos basados en sus disecciones de cadáveres y sus detallados estudios del corazón, el cerebro y el sistema reproductivo humanos combinaron maestría artística con precisión científica.

“Hombre de Vitruvio" (1492)

Ver el artículo completo

1408- Prueba de tolerancia a la glucosa

William E. Winter, MD ¿Qué fuentes de glucosa deben utilizarse para una prueba de tolerancia oral a la glucosa? ADLM-CLN- Asuntos judiciales. Bench Matters: Nov/Dec 2024. Department of Pathology at the University of Florida in Gainesville, Florida.

Si un paciente presenta signos clínicos de diabetes mellitus (DM), como poliuria, polidipsia o pérdida de peso involuntaria, el diagnóstico de DM se confirma una vez que se confirma la hiperglucemia o una crisis diabética (por ejemplo, cetoacidosis diabética o estado hiperglucémico hiperosmolar). En pacientes sintomáticos, la hiperglucemia se define como una glucemia plasmática aleatoria (GP) de ≥200 mg/dL, una GP en ayunas de ≥126 mg/dL, una GP a las 2 horas durante una prueba de tolerancia oral a la glucosa (PTOG) de 75 g de ≥200 mg/dL o un nivel de hemoglobina A1c de ≥6,5 %.

En pacientes asintomáticos, la diabetes mellitus se diagnostica cuando se confirma la hiperglucemia mediante dos pruebas diferentes realizadas el mismo día o en días distintos. Los criterios para definir la hiperglucemia son los mismos que para los pacientes sintomáticos, con la excepción de que no se utilizan mediciones aleatorias de glucosa plasmática en individuos asintomáticos.

En personas no embarazadas, la prueba de tolerancia oral a la glucosa (PTOG) se realiza tras un ayuno nocturno. Se obtiene una muestra de glucosa plasmática en ayunas (GPA), seguida de la ingesta de 75 gramos de glucosa en ≥300 ml de agua en no más de 5 minutos. Dos horas después de comenzar la prueba de tolerancia a la glucosa, se recoge la muestra de glucosa plasmática a las 2 horas. Los niños reciben 1,75 gramos de glucosa por kilogramo, hasta un máximo de 75 gramos.

Durante la prueba, los participantes no deben fumar, comer ni realizar actividad física. Deben suspender la medicación matutina hasta que finalice la prueba. El paciente debe gozar de buena salud, ya que una enfermedad reciente, el estrés, la hospitalización o la cirugía pueden provocar resultados falsamente anormales.

La prueba de tolerancia oral a la glucosa (PTOG) rara vez se utiliza para detectar la diabetes mellitus tipo 2, a menos que el paciente presente una hemoglobinopatía o una menor supervivencia de los glóbulos rojos. Lo más habitual es que la detección de la diabetes mellitus tipo 2 se realice mediante la medición de la hemoglobina glicosilada (HbA1c).

Si se diagnostica DM en el primer trimestre del embarazo, se considera DM preexistente (generalmente DM tipo 2). El diagnóstico de DM en el segundo o tercer trimestre [diabetes mellitus gestacional (DMG)] se aborda de varias maneras. Se recomienda la detección de DMG entre las 24 y 28 semanas de gestación. Tradicionalmente, se mide una glucemia posprandial a la hora después de una prueba de tolerancia oral a la glucosa de 50 gramos. Si la glucemia posprandial a la hora es ≥130 mg/dL o ≥140 mg/dL, según la elección del médico, se realiza una prueba de tolerancia oral a la glucosa de 100 gramos, de 3 horas y de cuatro puntos. Para la prueba de detección de 50 gramos, la paciente no necesita estar en ayunas.

Para la PTOG de 3 horas, se diagnostica GDM si se cumplen o superan dos de los siguientes puntos de corte de Carpenter-Coustan: en ayunas, 95 mg/dL; a la hora, 180 mg/dL; a las dos horas, 155 mg/dL; o a las tres horas, 140 mg/dL. Alternativamente (sin la prueba de detección de 50 gramos), se puede realizar una PTOG de 75 gramos, de dos horas y tres puntos, y se diagnostica GDM si se cumple o supera alguno de los siguientes umbrales: en ayunas 92 mg/dL, a la hora 180 mg/dL o a las dos horas 153 mg/dL. La hemoglobina A1c no se utiliza para la detección de GDM.

Desafíos relacionados con la reproducibilidad y la estandarización

La clasificación de pacientes como normoglucémicos, prediabéticos o hiperglucémicos mediante la prueba de tolerancia oral a la glucosa (PTOG) presenta una variabilidad significativa. Por ello, es fundamental que los profesionales de laboratorio que  realizan las PTOG estandaricen el procedimiento.

Existe un debate constante sobre el tipo de azúcar que debe utilizarse en la prueba. La única forma aceptable de glucosa para una prueba de tolerancia oral a la glucosa (PTOG) es la glucosa diluida en agua, con una concentración máxima de aproximadamente 0,33 g/ml. Existen diversas bebidas de glucosa comerciales, a menudo llamadas "glucolas", disponibles en porciones de 50 g, 75 g y 100 g.

Desafortunadamente, a muchos pacientes, especialmente a las embarazadas, les producen náuseas las bebidas con glucosa. Por consiguiente, algunos investigadores han explorado fuentes alternativas de glucosa, como las gominolas (amplia categoría de dulces masticables a base de gelatina o goma) o el regaliz. Sin embargo, la composición de azúcares (p.ej.,glucosa, fructosa, sacarosa o lactosa) y el tamaño de los caramelos varían ampliamente, lo que hace que la reproducibilidad sea inaceptable. 

Un pequeño estudio mostró que las gominolas tenían menor sensibilidad que las pruebas de tolerancia a la glucosa tradicionales. De manera similar, en estudios anteriores, las gominolas también demostraron ser menos sensibles. En dos estudios separados con 20 mujeres embarazadas cada uno, Racusin et al. encontraron que el regaliz era una alternativa aceptable a la glucosa en las pruebas de diabetes gestacional. Sin embargo, se necesitan más datos antes de que se puedan justificar las fuentes de azúcar distintas de la glucosa. 

Implicaciones y soluciones médico-legales

El uso de fuentes de glucosa no validadas para la detección de la diabetes gestacional conlleva importantes riesgos médico-legales. Si se utilizan caramelos y se obtiene un resultado falso negativo, retrasando el diagnóstico, sería difícil justificar su uso como herramienta diagnóstica adecuada. El riesgo de un diagnóstico erróneo exige el uso de fuentes de glucosa validadas y fiables para las pruebas.

Algunos pacientes expresan preocupación por los colorantes y saborizantes artificiales presentes en las bebidas de glucosa. Para abordar estas inquietudes, existen opciones sin colorantes ni saborizantes, como Fresh Test. Sin embargo, antes de recurrir a alternativas más costosas, la experiencia de los pacientes con las bebidas de glucosa estándar puede mejorarse enfriándolas, diluyéndolas o bebiéndolas lentamente durante 5 minutos, el tiempo máximo permitido para su consumo.

Conclusión: las bebidas que contienen glucosa (como la glucola o Fresh Test) son las únicas adecuadas para realizar una prueba de tolerancia oral a la glucosa (PTOG); si bien la PTOG dista mucho de ser perfecta, sigue siendo una herramienta diagnóstica estándar que requiere una preparación preanalítica minuciosa.

Leer el articulo original y Referencias

*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  22 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1407- Fórmulas modernas para estimar el LDL-C

Jeffrey W Meeusen, Xin Yi, Steven W Cotten et.al. Las fórmulas modernas para medir el colesterol de lipoproteínas de baja densidad superan a los métodos directos en pacientes con hipertrigliceridemia y niveles bajos de colesterol de lipoproteínas de baja densidad. Oxford Academic-ADLM-Clin Chem. 2025; 71(11): 1138-1146. Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, MN, United States y otras Instituciones

Resumen Chat GPT

1) El artículo evalúa la exactitud de diferentes métodos para estimar el colesterol unido a lipoproteínas de baja densidad (LDL-C) en pacientes con hipertrigliceridemia y/o concentraciones bajas de LDL-C.

2) El estudio compara tres fórmulas para calcular LDL-C: Friedewald, Martin/Hopkins y la fórmula de Sampson modificada, con tres métodos de medición directa de LDL-C. Como método de referencia se utilizó la β-cuantificación.

3) Se analizaron 181 muestras de suero procedentes de pacientes con triglicéridos ≥400 mg/dL o con triglicéridos ≥150 mg/dL y LDL-C <70 mg/dL. Las determinaciones se realizaron mediante plataformas de Abbott, Roche y Siemens.

4) Los resultados mostraron que la fórmula de Friedewald presentó una mayor tendencia a subestimar el LDL-C, especialmente cuando aumentaban los triglicéridos. Los métodos directos también presentaron diferencias importantes entre las distintas plataformas analíticas, con variaciones y sesgos respecto al método de referencia.

5) Las fórmulas Martin/Hopkins y Sampson modificada mostraron una concordancia superior con la β-cuantificación respecto de Friedewald y, en general, respecto de los métodos directos. La fórmula de Sampson modificada presentó el mejor desempeño global, particularmente en pacientes con triglicéridos entre 400 y 800 mg/dL y concentraciones bajas de LDL-C. (N.del E.: ver la fórmula en la publicación original) 

6) El estudio también evaluó la clasificación de los pacientes según determinados puntos de corte de LDL-C. Las fórmulas modernas produjeron menos reclasificaciones incorrectas que Friedewald y los métodos directos.

7) En pacientes con triglicéridos ≥ 800 mg/dL, todos los métodos mostraron una reducción de su exactitud, aunque la fórmula de Sampson modificada mantuvo un desempeño relativamente favorable.

Conclusión de los autores:  Los resultados indican que, en pacientes con hipertrigliceridemia y/o LDL-C bajo, las fórmulas modernas para el cálculo de LDL-C, particularmente la fórmula de Sampson modificada, presentan mayor exactitud que la fórmula de Friedewald y que los métodos directos evaluados.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el  20 de Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina