Model AI baharu mengenal pasti risiko diabetes sebelum keputusan ujian abnormal muncul

Berjuta-juta mungkin tidak menyedari risiko diabetes awal mereka. Model AI menunjukkan sebab kenaikan gula darah anda mungkin lebih penting daripada keputusan ujian anda.

Dalam makalah baru-baru ini yang diterbitkan dalam jurnal Nature Medicine, penyelidik menganalisis data daripada lebih 2,400 orang merentasi dua kohort untuk mengenal pasti corak pancang glukosa dan membangunkan profil risiko glisemik yang diperibadikan.

Mereka mendapati perbezaan ketara dalam corak lonjakan glukosa antara orang yang menghidap diabetes jenis 2 (T2D) dan mereka yang mempunyai pradiabetes atau normoglikemia. Model risiko multimodal mereka boleh membantu doktor mengenal pasti pesakit pradiabetes yang berisiko tinggi mendapat T2D.

Orang yang mempunyai T2DM mengalami hipoglikemia malam yang lebih teruk dan mengambil masa lebih lama, secara purata lebih daripada 20 minit, untuk kembali ke tahap glukosa asas selepas pancang - mencadangkan perbezaan fisiologi utama.

Diabetes dan pradiabetes menjejaskan sebahagian besar populasi dewasa AS, namun ujian diagnostik standard seperti hemoglobin terglikasi (HbA1c) dan glukosa berpuasa tidak menangkap kerumitan penuh peraturan glukosa.

Banyak faktor—tekanan, komposisi mikrobiom, tidur, aktiviti fizikal, genetik, diet dan umur—boleh mempengaruhi perubahan glukosa darah, terutamanya pancang selepas makan (ditakrifkan sebagai peningkatan sekurang-kurangnya 30 mg/dL dalam masa 90 minit), yang berlaku walaupun pada orang yang kelihatan sihat.

Sebelum ini, variasi ini telah dikaji menggunakan pemantauan glukosa berterusan (CGM), tetapi liputannya selalunya terhad kepada individu pradiabetes dan normoglikemik, dan kajian sering kekurangan perwakilan kumpulan yang kurang diwakili sejarah dalam penyelidikan bioperubatan.

Untuk menangani jurang ini, kajian PROGRESS menjalankan percubaan klinikal jauh di seluruh negara yang mendaftarkan 1,137 peserta yang pelbagai (48.1% daripada kumpulan sejarah yang kurang diwakili dalam penyelidikan bioperubatan) dengan normoglycemia dan T2D selama 10 hari CGM, sambil mengumpul data tentang komposisi mikrobiom, genomik, kadar jantung, tidur, diet dan aktiviti.

Pendekatan multimodal ini membolehkan pemahaman yang lebih bernuansa tentang kawalan glisemik dan kebolehubahan antara individu dalam lawatan glukosa.

Matlamat kajian ini adalah untuk mencipta profil risiko glisemik komprehensif yang boleh meningkatkan pengesanan awal dan campur tangan untuk pesakit pradiabetes yang berisiko mendapat diabetes, menawarkan alternatif yang diperibadikan kepada langkah diagnostik tradisional seperti HbA1c.

Para penyelidik menggunakan data daripada dua kohort: PROGRESS (percubaan klinikal digital di AS) dan HPP (kajian pemerhatian di Israel). PROGRESS mendaftarkan orang dewasa dengan dan tanpa T2D yang menjalani 10 hari CGM sambil mengumpul data pada mikrobiom usus, genomik, kadar jantung, tidur, diet dan aktiviti secara serentak.

Kepelbagaian mikrobiom usus (indeks Shannon) menunjukkan korelasi negatif langsung dengan paras glukosa purata: semakin kurang pelbagai mikrobiota, semakin teruk kawalan glukosa dalam semua kumpulan.

Para peserta juga mengumpul sampel najis, darah dan air liur di rumah dan berkongsi rekod perubatan elektronik mereka. Kriteria pengecualian termasuk penggunaan antibiotik baru-baru ini, kehamilan, diabetes jenis 1 dan faktor lain yang boleh mengelirukan CGM atau data metabolik. Pengambilan peserta dijalankan sepenuhnya dari jauh melalui media sosial dan jemputan berdasarkan rekod perubatan elektronik.

Data CGM diproses dalam selang minit, dan pancang glukosa ditakrifkan menggunakan ambang pratetap. Enam metrik glisemik utama telah dikira, termasuk glukosa purata, masa dalam hiperglikemia, dan tempoh lonjakan.

Data gaya hidup dikumpul menggunakan aplikasi diari makanan dan penjejak boleh pakai. Data genomik dan mikrobiom dianalisis menggunakan kaedah standard, dan metrik komposit seperti skor risiko poligenik dan indeks kepelbagaian mikrobiom telah dikira.

Model untuk penilaian risiko T2DM menggunakan data multimodal (demografi, antropometri, CGM, diet dan mikrobiom) kemudiannya dibina menggunakan pembelajaran mesin dan prestasinya telah diuji dalam kohort PROGRESS dan HPP. Analisis statistik menggunakan analisis kovarians, korelasi Spearman, dan bootstrap untuk menguji kepentingan dan menilai model.

Daripada 1137 termasuk peserta, 347 telah dimasukkan dalam analisis akhir: 174 dengan normoglycemia, 79 dengan prediabetes, dan 94 dengan T2DM.

Para penyelidik mendapati perbezaan ketara dalam metrik lonjakan glukosa antara keadaan: hipoglikemia malam, masa resolusi lonjakan, glukosa purata, dan masa dalam hiperglikemia. Perbezaan terbesar adalah antara T2DM dan kumpulan lain, dengan prediabetes secara statistik lebih hampir kepada normoglikemia daripada T2DM untuk metrik utama seperti kekerapan dan intensiti lonjakan.

Kepelbagaian mikrobiom dikaitkan secara negatif dengan kebanyakan metrik lonjakan glukosa, mencadangkan mikrobiom yang sihat dikaitkan dengan kawalan glukosa yang lebih baik.

Kadar jantung rehat yang lebih tinggi, indeks jisim badan dan HbA1c dikaitkan dengan hasil glisemik yang lebih teruk, manakala aktiviti fizikal dikaitkan dengan corak glukosa yang lebih baik. Menariknya, pengambilan karbohidrat yang lebih tinggi dikaitkan dengan resolusi puncak yang lebih cepat, tetapi juga dengan lonjakan yang lebih kerap dan sengit.

Pasukan ini membangunkan model klasifikasi binari berdasarkan data multimodal yang mendiskriminasi antara normoglycemia dan T2DM dengan ketepatan yang tinggi. Apabila digunakan pada kohort luaran (HPP), model itu mengekalkan prestasi tinggi dan berjaya mengenal pasti kebolehubahan ketara dalam tahap risiko dalam kalangan pesakit pradiabetes dengan nilai HbA1c yang serupa.

Keputusan ini menunjukkan bahawa pemprofilan glisemik multimodal boleh meningkatkan ramalan risiko dan pemantauan individu berbanding dengan kaedah diagnostik standard, terutamanya untuk prediabetes.

Kajian itu menekankan bahawa diagnostik diabetes tradisional seperti HbA1c tidak mencerminkan ciri individu metabolisme glukosa.

Menggunakan CGM dalam kombinasi dengan data multimodal (genomik, gaya hidup, mikrobiom), para penyelidik mendapati perbezaan ketara dalam lawatan glukosa antara normoglycemia, prediabetes dan T2DM, dengan prediabetes menunjukkan persamaan yang lebih besar kepada normoglycemia daripada T2DM pada beberapa langkah utama.

Model risiko berasaskan pembelajaran mesin yang dibangunkan, disahkan dalam kohort luaran, mendedahkan variasi risiko yang luas dalam kalangan pesakit pradiabetes dengan nilai HbA1c yang sama, mengesahkan nilai tambahannya berbanding kaedah tradisional.

Kekuatan kajian termasuk kohort PROGRESS yang terdesentralisasi dan pelbagai (48.1% daripada kumpulan yang kurang diwakili) dan pengumpulan data "dunia sebenar". Walau bagaimanapun, had termasuk kemungkinan berat sebelah disebabkan oleh perbezaan peranti, ketidaktepatan dalam pelaporan diri, kesukaran dalam mengekalkan diari makanan dan penggunaan ubat hipoglisemik.

Pengesahan yang lebih besar dan kajian membujur diperlukan untuk mengesahkan manfaat prognostik dan kepentingan klinikal.

Akhirnya, kajian ini menunjukkan potensi pengumpulan data multimodal jauh untuk meningkatkan pengesanan awal, stratifikasi risiko pradiabetes dan pencegahan T2D yang diperibadikan, membuka jalan untuk penjagaan yang lebih tepat dan inklusif untuk pesakit yang berisiko menghidap diabetes.