Nov model umetne inteligence prepozna tveganje za sladkorno bolezen, še preden se pojavijo nenormalni rezultati testov

Milijoni se morda ne zavedajo svojega zgodnjega tveganja za sladkorno bolezen. Modeli umetne inteligence kažejo, zakaj so lahko vaši skoki krvnega sladkorja pomembnejši od rezultatov testov.

V nedavnem članku, objavljenem v reviji Nature Medicine, so raziskovalci analizirali podatke več kot 2400 ljudi iz dveh kohort, da bi prepoznali vzorce skokov glukoze in razvili prilagojene profile glikemičnega tveganja.

Ugotovili so pomembne razlike v vzorcih skokov glukoze med ljudmi s sladkorno boleznijo tipa 2 (T2S) in tistimi s prediabetesom ali normoglikemijo. Njihov multimodalni model tveganja bi lahko zdravnikom pomagal prepoznati prediabetike z večjim tveganjem za razvoj T2S.

Ljudje s sladkorno boleznijo tipa 2 so imeli hujšo nočno hipoglikemijo in so po skokih potrebovali dlje, v povprečju več kot 20 minut, da so se vrnili na izhodiščno raven glukoze – kar kaže na ključne fiziološke razlike.

Sladkorna bolezen in prediabetes prizadeneta znaten delež odrasle populacije v ZDA, vendar standardni diagnostični testi, kot sta glikirani hemoglobin (HbA1c) in glukoza na tešče, ne zajamejo celotne kompleksnosti uravnavanja glukoze.

Številni dejavniki – stres, sestava mikrobioma, spanec, telesna dejavnost, genetika, prehrana in starost – lahko vplivajo na nihanja glukoze v krvi, zlasti na postprandialne skoke (opredeljene kot zvišanje za vsaj 30 mg/dl v 90 minutah), ki se pojavijo tudi pri na videz zdravih ljudeh.

Prej so te variacije preučevali z uporabo neprekinjenega spremljanja glukoze (CGM), vendar je bila njihova pokritost pogosto omejena na prediabetike in normoglikemične posameznike, študije pa pogosto niso bile zastopane zgodovinsko premalo zastopanih skupin v biomedicinskih raziskavah.

Da bi odpravili to vrzel, je študija PROGRESS izvedla vsedržavno, oddaljeno klinično preskušanje, v katerega je bilo v 10 dneh nenehnega merjenja glukoze (CGM) vključenih 1137 različnih udeležencev (48,1 % iz skupin, ki so bile v preteklosti premalo zastopane v biomedicinskih raziskavah) z normoglikemijo in sladkorno boleznijo tipa 2, hkrati pa so zbirali podatke o sestavi mikrobioma, genomiki, srčnem utripu, spanju, prehrani in aktivnosti.

Ta multimodalni pristop je omogočil bolj niansirano razumevanje glikemičnega nadzora in interindividualne variabilnosti v nihanjih glukoze.

Cilj študije je bil ustvariti celovite profile glikemičnega tveganja, ki bi lahko izboljšali zgodnje odkrivanje in intervencijo pri prediabetikih, ki jim grozi napredovanje sladkorne bolezni, ter ponudili personalizirano alternativo tradicionalnim diagnostičnim ukrepom, kot je HbA1c.

Raziskovalci so uporabili podatke iz dveh kohort: PROGRESS (digitalna klinična študija v ZDA) in HPP (opazovalna študija v Izraelu). V PROGRESS so bili vključeni odrasli s sladkorno boleznijo tipa 2 in brez nje, ki so bili 10 dni podvrženi nenehnemu merjenju glukoze (CGM), hkrati pa so zbirali podatke o črevesnem mikrobiomu, genomiki, srčnem utripu, spanju, prehrani in aktivnosti.

Raznolikost črevesnega mikrobioma (Shannonov indeks) je pokazala neposredno negativno korelacijo s povprečnimi ravnmi glukoze: manj raznolika kot je mikrobiota, slabši je bil nadzor glukoze v vseh skupinah.

Udeleženci so doma odvzeli tudi vzorce blata, krvi in sline ter delili svoje elektronske zdravstvene kartoteke. Izključitveni kriteriji so vključevali nedavno uporabo antibiotikov, nosečnost, sladkorno bolezen tipa 1 in druge dejavnike, ki bi lahko vplivali na podatke o merjenju baz podatkov ali presnovi. Rekrutiranje udeležencev je potekalo v celoti na daljavo prek družbenih medijev in povabil na podlagi elektronskih zdravstvenih kartotek.

Podatki CGM so bili obdelani v minutnih intervalih, skoki glukoze pa so bili določeni z uporabo vnaprej določenih pragov. Izračunanih je bilo šest ključnih glikemičnih metrik, vključno s povprečno glukozo, časom hiperglikemije in trajanjem skokov.

Podatki o življenjskem slogu so bili zbrani z aplikacijo za dnevnik prehrane in nosljivimi sledilniki. Genomski in mikrobiomski podatki so bili analizirani s standardnimi metodami, izračunane pa so bile tudi sestavljene metrike, kot so ocene poligenskega tveganja in indeksi raznolikosti mikrobioma.

Nato je bil z uporabo strojnega učenja izdelan model za oceno tveganja za sladkorno bolezen tipa 2 z uporabo multimodalnih podatkov (demografija, antropometrija, CGM, prehrana in mikrobiom), njegova učinkovitost pa je bila preizkušena v kohortah PROGRESS in HPP. Statistična analiza je uporabila analizo kovariance, Spearmanove korelacije in bootstrapping za testiranje pomembnosti in oceno modela.

Od 1137 vključenih udeležencev jih je bilo v končno analizo vključenih 347: 174 z normoglikemijo, 79 s prediabetesom in 94 s sladkorno boleznijo tipa 2.

Raziskovalci so ugotovili pomembne razlike v metrikah skokov glukoze med različnimi stanji: nočna hipoglikemija, čas razrešitve skokov, povprečna glukoza in čas hiperglikemije. Največje razlike so bile med sladkorno boleznijo tipa 2 in drugimi skupinami, pri čemer so bili prediabetiki statistično bližje normoglikemiji kot sladkorna bolezen tipa 2 pri ključnih metrikah, kot sta pogostost in intenzivnost skokov.

Raznolikost mikrobioma je bila negativno povezana z večino meritev skokov glukoze, kar kaže na to, da je zdrav mikrobiom povezan z boljšo kontrolo glukoze.

Višji srčni utrip v mirovanju, indeks telesne mase in HbA1c so bili povezani s slabšimi glikemičnimi izidi, medtem ko je bila telesna aktivnost povezana z ugodnejšimi glukoznimi vzorci. Zanimivo je, da je bil večji vnos ogljikovih hidratov povezan s hitrejšo ločljivostjo vrhov, pa tudi s pogostejšimi in intenzivnejšimi skoki.

Ekipa je razvila binarni klasifikacijski model, ki temelji na multimodalnih podatkih in z visoko natančnostjo razlikuje med normoglikemijo in sladkorno boleznijo tipa 2. Pri uporabi na zunanji kohorti (HPP) je model ohranil visoko učinkovitost in uspešno prepoznal pomembno variabilnost v ravneh tveganja med prediabetiki s podobnimi vrednostmi HbA1c.

Ti rezultati kažejo, da lahko multimodalno glikemično profiliranje izboljša napovedovanje tveganja in individualno spremljanje v primerjavi s standardnimi diagnostičnimi metodami, zlasti pri prediabetesu.

Študija poudarja, da tradicionalna diagnostika sladkorne bolezni, kot je HbA1c, ne odraža individualnih značilnosti presnove glukoze.

Z uporabo CGM v kombinaciji z multimodalnimi podatki (genomika, življenjski slog, mikrobiom) so raziskovalci ugotovili pomembne razlike v nihanjih glukoze med normoglikemijo, prediabetesom in sladkorno boleznijo tipa 2, pri čemer je prediabetes pri številnih ključnih merilih pokazal večjo podobnost z normoglikemijo kot s sladkorno boleznijo tipa 2.

Razviti model tveganja, ki temelji na strojnem učenju in je bil validiran v zunanji kohorti, je razkril velike razlike v tveganju med prediabetiki s podobnimi vrednostmi HbA1c, kar potrjuje njegovo dodatno vrednost v primerjavi s tradicionalnimi metodami.

Prednosti študije vključujejo decentralizirano, raznoliko kohorto PROGRESS (48,1 % iz premalo zastopanih skupin) in zbiranje podatkov iz »resničnega sveta«. Vendar pa omejitve vključujejo morebitno pristranskost zaradi razlik v napravah, netočnosti pri samoporočanju, težave pri vodenju dnevnika prehrane in uporabo hipoglikemičnih zdravil.

Za potrditev prognostične koristi in kliničnega pomena so potrebne večje validacijske in longitudinalne študije.

Ta študija navsezadnje dokazuje potencial oddaljenega multimodalnega zbiranja podatkov za izboljšanje zgodnjega odkrivanja, stratifikacije tveganja za prediabetes in personaliziranega preprečevanja sladkorne bolezni tipa 2, kar utira pot natančnejši in vključujoči oskrbi bolnikov s tveganjem za sladkorno bolezen.