Nový model umelej inteligencie identifikuje riziko cukrovky skôr, ako sa objavia abnormálne výsledky testov

Milióny ľudí si možno neuvedomujú svoje včasné riziko cukrovky. Modely umelej inteligencie ukazujú, prečo môžu byť vaše prudké výkyvy hladiny cukru v krvi dôležitejšie ako výsledky vašich testov.

V nedávnom článku publikovanom v časopise Nature Medicine výskumníci analyzovali údaje od viac ako 2 400 ľudí v dvoch kohortách, aby identifikovali vzorce nárastov glukózy a vyvinuli personalizované profily glykemického rizika.

Zistili významné rozdiely vo vzorcoch glukózových nárastov medzi ľuďmi s diabetom 2. typu (T2D) a tými s prediabetom alebo normoglykémiou. Ich multimodálny model rizika by mohol pomôcť lekárom identifikovať prediabetikov s vyšším rizikom vzniku T2D.

Ľudia s diabetes mellitus 2. typu zažívali závažnejšiu nočnú hypoglykémiu a trvalo im dlhšie, v priemere viac ako 20 minút, kým sa po prudkých nárastoch vrátili k východiskovým hladinám glukózy, čo naznačuje kľúčové fyziologické rozdiely.

Diabetes a prediabetes postihujú významnú časť dospelej populácie v USA, no štandardné diagnostické testy, ako je glykovaný hemoglobín (HbA1c) a hladina glukózy nalačno, nezachytávajú celú komplexnosť regulácie glukózy.

Mnoho faktorov – stres, zloženie mikrobiómu, spánok, fyzická aktivita, genetika, strava a vek – môže ovplyvniť výkyvy hladiny glukózy v krvi, najmä postprandiálne prudké nárasty (definované ako zvýšenie o najmenej 30 mg/dl v priebehu 90 minút), ku ktorým dochádza aj u zdanlivo zdravých ľudí.

Tieto variácie boli predtým študované pomocou kontinuálneho monitorovania glukózy (CGM), ale ich pokrytie bolo často obmedzené na prediabetikov a normoglykemických jedincov a štúdie často chýbali v zastúpení historicky nedostatočne zastúpených skupín v biomedicínskom výskume.

Na vyriešenie tejto medzery štúdia PROGRESS uskutočnila celoštátnu, diaľkovú klinickú štúdiu, do ktorej bolo zaradených 1 137 rôznych účastníkov (48,1 % zo skupín historicky nedostatočne zastúpených v biomedicínskom výskume) s normoglykémiou a diabetes mellitus 2. typu počas 10 dní nekoncentrovaného GM, pričom sa zhromažďovali údaje o zložení mikrobiómu, genomike, srdcovej frekvencii, spánku, strave a aktivite.

Tento multimodálny prístup umožnil podrobnejšie pochopenie glykemickej kontroly a interindividuálnej variability glukózových výkyvov.

Cieľom štúdie bolo vytvoriť komplexné profily glykemického rizika, ktoré by mohli zlepšiť včasnú detekciu a intervenciu u prediabetikov s rizikom progresie do diabetu a ponúknuť personalizovanú alternatívu k tradičným diagnostickým meraniam, ako je HbA1c.

Výskumníci použili údaje z dvoch kohort: PROGRESS (digitálna klinická štúdia v USA) a HPP (observačná štúdia v Izraeli). Do štúdie PROGRESS boli zaradení dospelí s diabetes mellitus 2. typu a bez neho, ktorí podstúpili 10 dní nekontrolovaného GM, pričom súčasne zhromažďovali údaje o črevnom mikrobióme, genomike, srdcovej frekvencii, spánku, strave a aktivite.

Rozmanitosť črevného mikrobiómu (Shannonův index) vykazovala priamu negatívnu koreláciu s priemernými hladinami glukózy: čím menej rozmanitá bola mikrobiota, tým horšia bola kontrola glukózy vo všetkých skupinách.

Účastníci tiež doma odoberali vzorky stolice, krvi a slín a zdieľali svoje elektronické zdravotné záznamy. Medzi kritériá vylúčenia patrilo nedávne užívanie antibiotík, tehotenstvo, cukrovka 1. typu a ďalšie faktory, ktoré by mohli skresliť údaje z CGM alebo metabolické údaje. Nábor účastníkov sa uskutočnil výlučne na diaľku prostredníctvom sociálnych médií a pozvánok na základe elektronických zdravotných záznamov.

Údaje z CGM boli spracované v minútových intervaloch a glukózové špičky boli definované pomocou prednastavených prahových hodnôt. Bolo vypočítaných šesť kľúčových glykemických metrík vrátane priemernej glukózy, času hyperglykémie a trvania špičky.

Údaje o životnom štýle boli zozbierané pomocou aplikácie na vedenie potravinového denníka a nositeľných trackerov. Genomické a mikrobiómové údaje boli analyzované štandardnými metódami a boli vypočítané kompozitné metriky, ako sú skóre polygénneho rizika a indexy diverzity mikrobiómu.

Následne bol pomocou strojového učenia vytvorený model na hodnotenie rizika diabetu 2. typu s využitím multimodálnych údajov (demografické údaje, antropometria, CGM, strava a mikrobióm) a jeho výkonnosť bola testovaná v kohortách PROGRESS a HPP. Štatistická analýza použila analýzu kovariancie, Spearmanove korelácie a bootstrapping na testovanie významnosti a vyhodnotenie modelu.

Z 1137 zahrnutých účastníkov bolo do konečnej analýzy zahrnutých 347: 174 s normoglykémiou, 79 s prediabetom a 94 s diabetes mellitus 2. typu.

Výskumníci zistili významné rozdiely v metrikách glukózových nárastov medzi jednotlivými stavmi: nočná hypoglykémia, čas vymiznutia nárastu, priemerná hladina glukózy a čas hyperglykémie. Najväčšie rozdiely boli medzi diabetes mellitus 2. typu a ostatnými skupinami, pričom prediabetici boli štatisticky bližšie k normoglykémii ako diabetes 2. typu v kľúčových metrikách, ako je frekvencia a intenzita nárastov glukózy.

Rozmanitosť mikrobiómu negatívne korelovala s väčšinou ukazovateľov glukózových vrcholov, čo naznačuje, že zdravý mikrobióm je spojený s lepšou kontrolou glukózy.

Vyššia pokojová srdcová frekvencia, index telesnej hmotnosti a HbA1c boli spojené s horšími glykemickými výsledkami, zatiaľ čo fyzická aktivita bola spojená s priaznivejšími glukózovými vzormi. Je zaujímavé, že vyšší príjem sacharidov bol spojený s rýchlejším odznením vrcholov, ale aj s častejšími a intenzívnejšími výkyvmi.

Tím vyvinul binárny klasifikačný model založený na multimodálnych údajoch, ktorý s vysokou presnosťou rozlišoval medzi normoglykémiou a diabetes mellitus 2. typu. Pri aplikácii na externú kohortu (HPP) si model zachoval vysokú výkonnosť a úspešne identifikoval významnú variabilitu v úrovniach rizika medzi prediabetikmi s podobnými hodnotami HbA1c.

Tieto výsledky naznačujú, že multimodálne glykemické profilovanie môže zlepšiť predikciu rizika a individuálne monitorovanie v porovnaní so štandardnými diagnostickými metódami, najmä pri prediabete.

Štúdia zdôrazňuje, že tradičná diagnostika diabetu, ako je HbA1c, neodráža individuálne charakteristiky metabolizmu glukózy.

Pomocou CGM v kombinácii s multimodálnymi údajmi (genomika, životný štýl, mikrobióm) výskumníci zistili významné rozdiely vo výkyvoch glukózy medzi normoglykémiou, prediabetom a diabetes mellitus 2. typu, pričom prediabetes vykazoval väčšiu podobnosť s normoglykémiou ako diabetes mellitus 2. typu v mnohých kľúčových ukazovateľoch.

Vyvinutý model rizika založený na strojovom učení, validovaný v externej kohorte, odhalil širokú variabilitu rizika medzi prediabetikmi s podobnými hodnotami HbA1c, čo potvrdzuje jeho pridanú hodnotu v porovnaní s tradičnými metódami.

Medzi silné stránky štúdie patrí decentralizovaná a rozmanitá kohorta PROGRESS (48,1 % z nedostatočne zastúpených skupín) a zber údajov z „reálneho sveta“. Medzi obmedzenia však patrí potenciálne skreslenie v dôsledku rozdielov v zariadeniach, nepresnosti v subjektívnom hlásení, ťažkosti s vedením denníka jedál a užívanie hypoglykemických liekov.

Na potvrdenie prognostického prínosu a klinického významu sú potrebné rozsiahlejšie validačné a longitudinálne štúdie.

Táto štúdia v konečnom dôsledku demonštruje potenciál diaľkového multimodálneho zberu údajov na zlepšenie včasnej detekcie, stratifikácie rizika prediabetu a personalizovanej prevencie diabetu 2. typu, čím sa pripraví cesta pre presnejšiu a inkluzívnejšiu starostlivosť o pacientov s rizikom diabetu.