Novi model umjetne inteligencije identificira rizik od dijabetesa prije pojave abnormalnih rezultata testova

Milijuni možda nisu svjesni svog ranog rizika od dijabetesa. Modeli umjetne inteligencije pokazuju zašto bi vam skokovi šećera u krvi mogli biti važniji od rezultata testova.

U nedavnom radu objavljenom u časopisu Nature Medicine, istraživači su analizirali podatke više od 2400 ljudi iz dvije kohorte kako bi identificirali obrasce skokova glukoze i razvili personalizirane profile glikemijskog rizika.

Otkrili su značajne razlike u obrascima skokova glukoze između osoba s dijabetesom tipa 2 (T2D) i onih s predijabetesom ili normoglikemijom. Njihov multimodalni model rizika mogao bi pomoći liječnicima da identificiraju predijabetičare s većim rizikom od razvoja T2D-a.

Osobe s dijabetesom tipa 2 iskusile su težu noćnu hipoglikemiju i trebalo im je dulje, u prosjeku više od 20 minuta, da se vrate na početne razine glukoze nakon naglih porasta – što ukazuje na ključne fiziološke razlike.

Dijabetes i predijabetes pogađaju značajan dio odrasle populacije SAD-a, no standardni dijagnostički testovi poput glikiranog hemoglobina (HbA1c) i glukoze natašte ne obuhvaćaju svu složenost regulacije glukoze.

Mnogi čimbenici - stres, sastav mikrobioma, san, tjelesna aktivnost, genetika, prehrana i dob - mogu utjecati na promjene glukoze u krvi, posebno na postprandijalne skokove (definirane kao porast od najmanje 30 mg/dL unutar 90 minuta), koji se javljaju čak i kod naizgled zdravih ljudi.

Prije su se te varijacije proučavale korištenjem kontinuiranog praćenja glukoze (CGM), ali njihova pokrivenost često je bila ograničena na predijabetese i normoglikemične osobe, a studije često nisu imale zastupljenost povijesno nedovoljno zastupljenih skupina u biomedicinskim istraživanjima.

Kako bi se riješio taj nedostatak, studija PROGRESS provela je nacionalno, udaljeno kliničko ispitivanje u koje je uključeno 1137 različitih sudionika (48,1% iz skupina koje su povijesno bile nedovoljno zastupljene u biomedicinskim istraživanjima) s normoglikemijom i dijabetesom tipa 2 tijekom 10 dana kontinuiranog fiziološkog monitora (CGM), a istovremeno su prikupljani podaci o sastavu mikrobioma, genomici, otkucajima srca, snu, prehrani i aktivnosti.

Ovaj multimodalni pristup omogućio je nijansiranije razumijevanje glikemijske kontrole i interindividualne varijabilnosti u odstupanjima glukoze.

Cilj studije bio je stvoriti sveobuhvatne profile glikemijskog rizika koji bi mogli poboljšati rano otkrivanje i intervenciju za predijabetičare s rizikom od progresije u dijabetes, nudeći personaliziranu alternativu tradicionalnim dijagnostičkim mjerama poput HbA1c.

Istraživači su koristili podatke iz dvije kohorte: PROGRESS (digitalno kliničko ispitivanje u SAD-u) i HPP (opservacijska studija u Izraelu). U PROGRESS su sudjelovale odrasle osobe sa i bez dijabetesa tipa 2 koje su 10 dana podvrgnute kontinuiranom fiziološkom monitoringu (CGM), a istovremeno su prikupljali podatke o crijevnom mikrobiomu, genomici, otkucajima srca, snu, prehrani i aktivnosti.

Raznolikost crijevne mikrobiote (Shannonov indeks) pokazala je izravnu negativnu korelaciju s prosječnom razinom glukoze: što je mikrobiota manje raznolika, to je kontrola glukoze bila lošija u svim skupinama.

Sudionici su također kod kuće prikupljali uzorke stolice, krvi i sline te dijelili svoje elektroničke medicinske kartone. Kriteriji isključenja uključivali su nedavnu upotrebu antibiotika, trudnoću, dijabetes tipa 1 i druge čimbenike koji bi mogli utjecati na CGM ili metaboličke podatke. Regrutiranje sudionika provedeno je u potpunosti na daljinu putem društvenih mreža i pozivnica na temelju elektroničkih medicinskih kartona.

Podaci CGM-a obrađeni su u minutnim intervalima, a skokovi glukoze definirani su pomoću unaprijed postavljenih pragova. Izračunato je šest ključnih glikemijskih metrika, uključujući prosječnu glukozu, vrijeme hiperglikemije i trajanje skokova.

Podaci o načinu života prikupljeni su pomoću aplikacije za dnevnik prehrane i nosivih trackera. Genomski i mikrobiomski podaci analizirani su standardnim metodama, a izračunati su i kompozitni pokazatelji poput poligenskih rezultata rizika i indeksa raznolikosti mikrobioma.

Model za procjenu rizika dijabetesa tipa 2 korištenjem multimodalnih podataka (demografija, antropometrija, CGM, prehrana i mikrobiom) zatim je konstruiran korištenjem strojnog učenja, a njegova učinkovitost je testirana u kohortama PROGRESS i HPP. Statistička analiza koristila je analizu kovarijance, Spearmanove korelacije i bootstrapping za testiranje značajnosti i evaluaciju modela.

Od 1137 uključenih sudionika, 347 je uključeno u konačnu analizu: 174 s normoglikemijom, 79 s predijabetesom i 94 s dijabetesom tipa 2.

Istraživači su pronašli značajne razlike u metrikama skokova glukoze između stanja: noćna hipoglikemija, vrijeme rješavanja skokova, prosječna glukoza i vrijeme hiperglikemije. Najveće razlike bile su između dijabetesa tipa 2 i ostalih skupina, pri čemu su predijabetičari statistički bili bliži normoglikemiji nego dijabetes tipa 2 za ključne metrike poput učestalosti i intenziteta skokova.

Raznolikost mikrobioma negativno je korelirala s većinom pokazatelja skokova glukoze, što sugerira da je zdrav mikrobiom povezan s boljom kontrolom glukoze.

Viši otkucaji srca u mirovanju, indeks tjelesne mase i HbA1c bili su povezani s lošijim glikemijskim ishodima, dok je tjelesna aktivnost bila povezana s povoljnijim obrascima glukoze. Zanimljivo je da je veći unos ugljikohidrata bio povezan s bržim razrješenjem vršnih vrijednosti, ali i s češćim i intenzivnijim skokovima.

Tim je razvio binarni klasifikacijski model temeljen na multimodalnim podacima koji je s visokom točnošću razlikovao normoglikemiju od dijabetesa tipa 2. Kada se primijeni na vanjsku kohortu (HPP), model je zadržao visoke performanse i uspješno identificirao značajnu varijabilnost u razinama rizika među predijabetesima sa sličnim vrijednostima HbA1c.

Ovi rezultati ukazuju na to da multimodalno glikemijsko profiliranje može poboljšati predviđanje rizika i individualno praćenje u usporedbi sa standardnim dijagnostičkim metodama, posebno za predijabetes.

Studija ističe da tradicionalna dijagnostika dijabetesa, poput HbA1c, ne odražava individualne karakteristike metabolizma glukoze.

Koristeći CGM u kombinaciji s multimodalnim podacima (genomika, način života, mikrobiom), istraživači su otkrili značajne razlike u fluktuacijama glukoze između normoglikemije, predijabetesa i dijabetesa tipa 2, pri čemu predijabetes pokazuje veću sličnost s normoglikemijom nego s dijabetesom tipa 2 na nizu ključnih mjera.

Razvijeni model rizika temeljen na strojnom učenju, validiran u vanjskoj kohorti, otkrio je veliku varijaciju u riziku među predijabetesima sa sličnim vrijednostima HbA1c, potvrđujući njegovu dodatnu vrijednost u usporedbi s tradicionalnim metodama.

Snage studije uključuju decentraliziranu, raznoliku PROGRESS kohortu (48,1% iz nedovoljno zastupljenih skupina) i prikupljanje podataka iz „stvarnog svijeta“. Međutim, ograničenja uključuju potencijalnu pristranost zbog razlika u uređajima, netočnosti u samoprocjeni, poteškoće u vođenju dnevnika prehrane i upotrebu hipoglikemijskih lijekova.

Potrebne su veće validacijske i longitudinalne studije kako bi se potvrdila prognostička korist i klinički značaj.

U konačnici, ova studija pokazuje potencijal daljinskog multimodalnog prikupljanja podataka za poboljšanje ranog otkrivanja, stratifikacije rizika od predijabetesa i personalizirane prevencije dijabetesa tipa 2, otvarajući put preciznijoj i inkluzivnijoj skrbi za pacijente s rizikom od dijabetesa.