Nowy model sztucznej inteligencji identyfikuje ryzyko cukrzycy, zanim pojawią się nieprawidłowe wyniki testów

Miliony osób mogą nie zdawać sobie sprawy z wczesnego ryzyka zachorowania na cukrzycę. Modele sztucznej inteligencji pokazują, dlaczego skoki poziomu cukru we krwi mogą mieć większe znaczenie niż wyniki badań.

W niedawno opublikowanym artykule w czasopiśmie Nature Medicine naukowcy przeanalizowali dane pochodzące od ponad 2400 osób z dwóch kohort, aby zidentyfikować wzorce skoków glikemii i opracować spersonalizowane profile ryzyka glikemicznego.

Stwierdzili istotne różnice we wzorcach skoków glikemii między osobami z cukrzycą typu 2 (T2D) a osobami w stanie przedcukrzycowym lub normoglikemii. Ich multimodalny model ryzyka może pomóc lekarzom w identyfikacji osób w stanie przedcukrzycowym z wyższym ryzykiem rozwoju T2D.

U osób chorych na cukrzycę typu 2 nocna hipoglikemia była poważniejsza, a powrót do wyjściowego poziomu glikemii po skokach glikemii zajmował im średnio ponad 20 minut, co sugeruje kluczowe różnice fizjologiczne.

Cukrzyca i stan przedcukrzycowy dotykają znaczną część dorosłej populacji Stanów Zjednoczonych, jednak standardowe testy diagnostyczne, takie jak badanie hemoglobiny glikowanej (HbA1c) i stężenia glukozy na czczo, nie odzwierciedlają w pełni złożoności procesu regulacji glukozy.

Na wahania poziomu glukozy we krwi, a zwłaszcza skoki poposiłkowe (określane jako wzrost o co najmniej 30 mg/dl w ciągu 90 minut), które występują nawet u pozornie zdrowych osób, może wpływać wiele czynników, takich jak stres, skład mikrobiomu, sen, aktywność fizyczna, genetyka, dieta i wiek.

Wcześniej te wahania badano za pomocą ciągłego monitorowania glikemii (CGM), ale ich zakres był często ograniczony do osób w stanie przedcukrzycowym i normoglikemii, a badania często nie uwzględniały grup historycznie niedostatecznie reprezentowanych w badaniach biomedycznych.

Aby wypełnić tę lukę, w badaniu PROGRESS przeprowadzono ogólnopolskie, zdalne badanie kliniczne z udziałem 1137 różnych uczestników (48,1% z grup historycznie niedostatecznie reprezentowanych w badaniach biomedycznych) z normoglikemią i cukrzycą typu 2. Badanie trwało 10 dni i obejmowało zbieranie danych na temat składu mikrobiomu, genomiki, tętna, snu, diety i aktywności.

To multimodalne podejście pozwoliło na bardziej szczegółowe zrozumienie kontroli glikemii i zmienności międzyosobniczej wahań glikemii.

Celem badania było stworzenie kompleksowych profili ryzyka glikemicznego, które mogłyby usprawnić wczesne wykrywanie i interwencję w przypadku stanu przedcukrzycowego, u których istnieje ryzyko rozwoju cukrzycy, oferując spersonalizowaną alternatywę dla tradycyjnych metod diagnostycznych, takich jak pomiar HbA1c.

Naukowcy wykorzystali dane z dwóch kohort: PROGRESS (cyfrowego badania klinicznego w USA) i HPP (badania obserwacyjnego w Izraelu). W badaniu PROGRESS udział wzięli dorośli z cukrzycą typu 2 i bez niej, którzy przez 10 dni stosowali CGM, jednocześnie gromadząc dane dotyczące mikrobiomu jelitowego, genomiki, tętna, snu, diety i aktywności.

Różnorodność mikrobiomu jelitowego (wskaźnik Shannona) wykazała bezpośrednią ujemną korelację ze średnim poziomem glukozy: im mniejsza różnorodność mikrobiomu, tym gorsza kontrola poziomu glukozy we wszystkich grupach.

Uczestnicy pobierali również próbki kału, krwi i śliny w domu i udostępniali swoją elektroniczną dokumentację medyczną. Kryteria wykluczenia obejmowały niedawne stosowanie antybiotyków, ciążę, cukrzycę typu 1 i inne czynniki, które mogłyby zakłócić wyniki CGM lub dane metaboliczne. Rekrutacja uczestników odbywała się całkowicie zdalnie za pośrednictwem mediów społecznościowych i zaproszeń opartych na elektronicznej dokumentacji medycznej.

Dane CGM przetwarzano w odstępach minutowych, a skoki glikemii definiowano za pomocą wstępnie ustawionych progów. Obliczono sześć kluczowych wskaźników glikemii, w tym średnie stężenie glukozy, czas hiperglikemii i czas trwania skoku.

Dane dotyczące stylu życia zebrano za pomocą aplikacji do prowadzenia dziennika żywieniowego oraz noszonych trackerów. Dane genomiczne i mikrobiomowe przeanalizowano standardowymi metodami, a następnie obliczono wskaźniki złożone, takie jak wskaźniki ryzyka poligenicznego i wskaźniki różnorodności mikrobiomu.

Następnie, wykorzystując uczenie maszynowe, skonstruowano model oceny ryzyka cukrzycy typu 2 (T2DM) z wykorzystaniem danych multimodalnych (demografia, antropometria, CGM, dieta i mikrobiom), a jego skuteczność przetestowano w kohortach PROGRESS i HPP. Analiza statystyczna wykorzystała analizę kowariancji, korelację Spearmana oraz bootstrapping do testowania istotności i oceny modelu.

Spośród 1137 uczestników objętych badaniem, w analizie końcowej uwzględniono 347 osób: 174 z normoglikemią, 79 ze stanem przedcukrzycowym i 94 z cukrzycą typu 2.

Naukowcy odkryli istotne różnice w parametrach skoków glikemii między różnymi stanami: nocną hipoglikemią, czasem ustępowania skoków, średnim poziomem glukozy i czasem hiperglikemii. Największe różnice wystąpiły między cukrzycą typu 2 a pozostałymi grupami, przy czym osoby z przedcukrzycą były statystycznie bliżej normoglikemii niż osoby z cukrzycą typu 2 pod względem kluczowych parametrów, takich jak częstotliwość i intensywność skoków.

Różnorodność mikrobiomu korelowała negatywnie z większością wskaźników szczytowego stężenia glukozy, co sugeruje, że zdrowy mikrobiom wiąże się z lepszą kontrolą glikemii.

Wyższe tętno spoczynkowe, wskaźnik masy ciała (BMI) i HbA1c wiązały się z gorszymi wynikami glikemii, podczas gdy aktywność fizyczna wiązała się z korzystniejszymi wzorcami glikemii. Co ciekawe, wyższe spożycie węglowodanów wiązało się z szybszym ustępowaniem szczytów, ale również z częstszymi i intensywniejszymi skokami.

Zespół opracował binarny model klasyfikacji oparty na danych multimodalnych, który z dużą dokładnością rozróżniał normoglikemię od cukrzycy typu 2. Po zastosowaniu do zewnętrznej kohorty (HPP), model zachował wysoką skuteczność i skutecznie zidentyfikował istotną zmienność poziomów ryzyka wśród osób w stanie przedcukrzycowym o podobnych wartościach HbA1c.

Wyniki te wskazują, że multimodalne profilowanie glikemii może poprawić przewidywanie ryzyka i monitorowanie indywidualne w porównaniu ze standardowymi metodami diagnostycznymi, zwłaszcza w przypadku stanu przedcukrzycowego.

Badanie podkreśla, że tradycyjne metody diagnostyki cukrzycy, takie jak oznaczenie HbA1c, nie odzwierciedlają indywidualnych cech metabolizmu glukozy.

Stosując CGM w połączeniu z danymi multimodalnymi (genomika, styl życia, mikrobiom), naukowcy odkryli istotne różnice w odchyleniach poziomu glukozy u osób z normoglikemią, stanem przedcukrzycowym i cukrzycą typu 2, przy czym stan przedcukrzycowy wykazywał większe podobieństwo do normoglikemii niż cukrzyca typu 2 pod względem szeregu kluczowych wskaźników.

Opracowany model ryzyka oparty na uczeniu maszynowym, zweryfikowany w zewnętrznej kohorcie, wykazał duże zróżnicowanie ryzyka wśród osób ze stanem przedcukrzycowym o podobnych wartościach HbA1c, co potwierdza jego dodatkową wartość w porównaniu z tradycyjnymi metodami.

Do mocnych stron badania należą zdecentralizowana, zróżnicowana kohorta PROGRESS (48,1% z grup niedostatecznie reprezentowanych) oraz gromadzenie danych „z życia wziętych”. Do ograniczeń należą jednak potencjalne błędy wynikające z różnic między urządzeniami, nieścisłości w samoocenie, trudności w prowadzeniu dzienniczka żywieniowego oraz stosowanie leków hipoglikemizujących.

Aby potwierdzić korzyści prognostyczne i znaczenie kliniczne, konieczne są większe badania walidacyjne i longitudinalne.

Ostatecznie badanie to wykazało potencjał zdalnego, multimodalnego gromadzenia danych w zakresie poprawy wczesnego wykrywania, stratyfikacji ryzyka stanu przedcukrzycowego i spersonalizowanej profilaktyki cukrzycy typu 2, torując drogę do precyzyjniejszej i bardziej kompleksowej opieki nad pacjentami narażonymi na ryzyko cukrzycy.