Нови модел вештачке интелигенције идентификује ризик од дијабетеса пре него што се појаве абнормални резултати теста

Милиони можда нису свесни свог раног ризика од дијабетеса. Модели вештачке интелигенције показују зашто скокови шећера у крви могу бити важнији од резултата тестова.

У недавно објављеном раду у часопису Nature Medicine, истраживачи су анализирали податке више од 2.400 људи из две кохорте како би идентификовали обрасце скокова глукозе и развили персонализоване профиле гликемијског ризика.

Пронашли су значајне разлике у обрасцима скокова глукозе између људи са дијабетесом типа 2 (Т2Д) и оних са предијабетесом или нормогликемијом. Њихов мултимодални модел ризика могао би да помогне лекарима да идентификују предијабетичаре са већим ризиком од развоја Т2Д.

Особе са дијабетесом типа 2 доживеле су тежу ноћну хипогликемију и требало им је дуже, у просеку више од 20 минута, да се врате на почетне нивое глукозе након скокова – што указује на кључне физиолошке разлике.

Дијабетес и предијабетес погађају значајан део одрасле популације САД, али стандардни дијагностички тестови као што су гликовани хемоглобин (HbA1c) и глукоза на наташте не обухватају пуну сложеност регулације глукозе.

Многи фактори - стрес, састав микробиома, сан, физичка активност, генетика, исхрана и старост - могу утицати на промене глукозе у крви, посебно на постпрандијалне скокове (дефинисане као повећања од најмање 30 мг/дл у року од 90 минута), који се јављају чак и код наизглед здравих људи.

Раније су ове варијације проучаване коришћењем континуираног праћења глукозе (CGM), али је њихова покривеност често била ограничена на особе са предијабетесом и нормогликемијом, а студијама је често недостајала заступљеност историјски недовољно заступљених група у биомедицинским истраживањима.

Да би се решио овај јаз, студија PROGRESS спровела је национално, удаљено клиничко испитивање у које је учествовало 1.137 различитих учесника (48,1% из група које су историјски биле недовољно заступљене у биомедицинским истраживањима) са нормогликемијом и дијабетесом типа 2 током 10 дана непретраженог глюкозног мониторинга (CGM), док је истовремено прикупљала податке о саставу микробиома, геномици, срчаној фреквенцији, сну, исхрани и активности.

Овај мултимодални приступ омогућио је нијансираније разумевање гликемијске контроле и интериндивидуалне варијабилности у екскурзијама глукозе.

Циљ студије био је креирање свеобухватних профила гликемијског ризика који би могли побољшати рано откривање и интервенцију код предијабетичара са ризиком од прогресије до дијабетеса, нудећи персонализовану алтернативу традиционалним дијагностичким мерама као што је HbA1c.

Истраживачи су користили податке из две кохорте: PROGRESS (дигитално клиничко испитивање у САД) и HPP (опсервациона студија у Израелу). PROGRESS је обухватио одрасле особе са и без дијабетеса типа 2 који су подвргнути 10 дана континуираног глюкозног мониторинга (CGM), док су истовремено прикупљали податке о цревном микробиому, геномици, срчаној фреквенцији, сну, исхрани и активности.

Разноликост цревне микробиоме (Шенонов индекс) показала је директну негативну корелацију са просечним нивоима глукозе: што је микробиота мање разнолика, то је контрола глукозе лошија у свим групама.

Учесници су такође код куће прикупљали узорке столице, крви и пљувачке и делили своје електронске медицинске картоне. Критеријуми за искључење укључивали су недавну употребу антибиотика, трудноћу, дијабетес типа 1 и друге факторе који би могли да збуне податке о контролисаном гликемијском мониторингу или метаболизам. Регрутовање учесника је спроведено у потпуности на даљину путем друштвених мрежа и позивница на основу електронских медицинских картона.

Подаци CGM-а су обрађивани у минутним интервалима, а скокови глукозе су дефинисани коришћењем унапред подешених прагова. Израчунато је шест кључних гликемијских метрика, укључујући просечну глукозу, време хипергликемије и трајање скокова.

Подаци о начину живота прикупљени су помоћу апликације за дневник исхране и носивих уређаја за праћење. Геномски и микробиомски подаци анализирани су стандардним методама и израчунати су композитни показатељи као што су полигенски резултати ризика и индекси разноликости микробиома.

Модел за процену ризика од дијабетеса типа 2 коришћењем мултимодалних података (демографија, антропометрија, CGM, исхрана и микробиом) је затим конструисан коришћењем машинског учења, а његове перформансе су тестиране у кохортама PROGRESS и HPP. Статистичка анализа је користила анализу коваријансе, Спирманове корелације и bootstrapping методу за тестирање значајности и процену модела.

Од 1137 укључених учесника, 347 је укључено у коначну анализу: 174 са нормогликемијом, 79 са предијабетесом и 94 са дијабетесом типа 2.

Истраживачи су пронашли значајне разлике у метрикама скокова глукозе између стања: ноћна хипогликемија, време решавања скокова, просечна глукоза и време хипергликемије. Највеће разлике биле су између дијабетеса типа 2 и осталих група, при чему су предијабетичари били статистички ближи нормогликемији него дијабетичар типа 2 за кључне метрике као што су учесталост и интензитет скокова.

Разноликост микробиома је негативно корелирана са већином метрика скокова глукозе, што сугерише да је здрав микробиом повезан са бољом контролом глукозе.

Већи број откуцаја срца у мировању, индекс телесне масе и HbA1c били су повезани са лошијим гликемијским исходима, док је физичка активност била повезана са повољнијим обрасцима глукозе. Занимљиво је да је већи унос угљених хидрата био повезан са бржим разрешавањем врхова, али и са чешћим и интензивнијим скоковима.

Тим је развио бинарни модел класификације заснован на мултимодалним подацима који је са високом тачношћу разликовао нормогликемију и дијабетес типа 2. Када је примењен на екстерну кохорту (HPP), модел је задржао високе перформансе и успешно идентификовао значајну варијабилност у нивоима ризика међу предијабетичарима са сличним вредностима HbA1c.

Ови резултати указују на то да мултимодално гликемијско профилисање може побољшати предвиђање ризика и индивидуално праћење у поређењу са стандардним дијагностичким методама, посебно за предијабетес.

Студија истиче да традиционална дијагностика дијабетеса, као што је HbA1c, не одражава индивидуалне карактеристике метаболизма глукозе.

Користећи ЦГМ у комбинацији са мултимодалним подацима (геномика, начин живота, микробиом), истраживачи су открили значајне разлике у екскурзијама глукозе између нормогликемије, предијабетеса и дијабетеса типа 2, при чему предијабетес показује већу сличност са нормогликемијом него са дијабетесом типа 2 на бројним кључним мерама.

Развијени модел ризика заснован на машинском учењу, валидиран у екстерној кохорти, открио је велику варијацију у ризику међу предијабетичарима са сличним вредностима HbA1c, потврђујући његову додатну вредност у поређењу са традиционалним методама.

Снаге студије укључују децентрализовану, разнолику кохорту PROGRESS (48,1% из недовољно заступљених група) и прикупљање података „из стварног света“. Међутим, ограничења укључују потенцијалну пристрасност због разлика у уређајима, нетачности у самопроцени, тешкоће у вођењу дневника исхране и употребу хипогликемијских лекова.

Потребне су веће валидационе и лонгитудиналне студије како би се потврдила прогностичка корист и клинички значај.

Коначно, ова студија показује потенцијал даљинског мултимодалног прикупљања података за побољшање раног откривања, стратификације ризика од предијабетеса и персонализоване превенције дијабетеса типа 2, отварајући пут прецизнијој и инклузивнијој нези за пацијенте са ризиком од дијабетеса.