Új mesterséges intelligencia modell azonosítja a cukorbetegség kockázatát, mielőtt abnormális teszteredmények jelennének meg

Milliók lehetnek tisztában a korai cukorbetegség kockázatával. A mesterséges intelligencia modelljei megmutatják, miért lehet fontosabb a vércukorszint-emelkedés, mint a teszteredmények.

A Nature Medicine folyóiratban nemrégiben megjelent tanulmányukban a kutatók több mint 2400 ember adatait elemezték két kohorszban, hogy azonosítsák a glükózcsúcsok mintázatait, és személyre szabott glikémiás kockázati profilokat dolgozzanak ki.

Jelentős különbségeket találtak a glükózszint-csúcsok mintázatában a 2-es típusú cukorbetegségben (T2D) szenvedők és a prediabéteszes vagy normoglikémiás betegek között. Multimodális kockázati modelljük segíthet az orvosoknak azonosítani a T2D kialakulásának nagyobb kockázatával járó prediabéteszes betegeket.

A 2-es típusú cukorbetegségben szenvedők súlyosabb éjszakai hipoglikémiát tapasztaltak, és a glükózszint-csúcsok után hosszabb időbe telt, átlagosan több mint 20 percbe telt, mire visszatértek az alapértékre, ami kulcsfontosságú fiziológiai különbségekre utal.

A cukorbetegség és a prediabétesz az amerikai felnőtt lakosság jelentős részét érinti, mégis a standard diagnosztikai tesztek, mint például a glikált hemoglobin (HbA1c) és az éhomi glükóz mérése, nem ragadják meg a glükózszabályozás teljes összetettségét.

Számos tényező – a stressz, a mikrobiom összetétele, az alvás, a fizikai aktivitás, a genetika, az étrend és az életkor – befolyásolhatja a vércukorszint ingadozását, különösen az étkezés utáni kiugrásokat (amelyeket legalább 30 mg/dl-es emelkedésként definiálnak 90 percen belül), amelyek még látszólag egészséges embereknél is előfordulnak.

Korábban ezeket a variációkat folyamatos glükózmonitorozással (CGM) vizsgálták, de ezek lefedettsége gyakran a prediabéteszes és normoglikémiás egyénekre korlátozódott, és a vizsgálatok gyakran nem képviselték a biomedicinális kutatásokban történelmileg alulreprezentált csoportokat.

Ennek a hiányosságnak a megszüntetése érdekében a PROGRESS tanulmány egy országos, távoktatáson alapuló klinikai vizsgálatot végzett, amelybe 1137, normoglikémiás és 2-es típusú cukorbetegségben szenvedő, változatos csoportot (48,1% a biomedicinális kutatásokban történelmileg alulreprezentált csoportokból) vontak be 10 napos folyamatos glikémiás megfigyelés (CGM) során, miközben adatokat gyűjtöttek a mikrobiom összetételéről, a genomikáról, a pulzusszámról, az alvásról, az étrendről és az aktivitásról.

Ez a multimodális megközelítés lehetővé tette a glikémiás kontroll és a glükózkülönbségek egyéni variabilitásának árnyaltabb megértését.

A tanulmány célja átfogó glikémiás kockázati profilok létrehozása volt, amelyek javíthatják a cukorbetegség progressziójának kockázatával járó prediabéteszes betegek korai felismerését és beavatkozását, személyre szabott alternatívát kínálva a hagyományos diagnosztikai intézkedésekkel, például a HbA1c-vel szemben.

A kutatók két kohorsz adatait használták fel: a PROGRESS-t (egy digitális klinikai vizsgálat az Egyesült Államokban) és a HPP-t (egy megfigyeléses vizsgálat Izraelben). A PROGRESS vizsgálatba 2-es típusú cukorbetegségben szenvedő és nem szenvedő felnőtteket vontak be, akik 10 napos folyamatos genetikai monitorozáson (CGM) estek át, miközben egyidejűleg adatokat gyűjtöttek a bélmikrobiomról, a genomikáról, a pulzusszámról, az alvásról, az étrendről és az aktivitásról.

A bélmikrobiom diverzitása (Shannon-index) közvetlen negatív korrelációt mutatott az átlagos glükózszinttel: minél kevésbé diverzifikált a mikrobiota, annál rosszabb a glükózszabályozás minden csoportban.

A résztvevők otthon széklet-, vér- és nyálmintákat is gyűjtöttek, és megosztották elektronikus egészségügyi adataikat. A kizárási kritériumok között szerepelt a közelmúltbeli antibiotikum-használat, a terhesség, az 1-es típusú cukorbetegség, valamint egyéb olyan tényezők, amelyek befolyásolhatják a CGM-et vagy az anyagcsere-adatokat. A résztvevők toborzása teljes mértékben távolról, közösségi média és elektronikus egészségügyi adatokon alapuló meghívók segítségével történt.

A CGM-adatokat perces intervallumokban dolgozták fel, és a glükózcsúcsokat előre beállított küszöbértékek segítségével határozták meg. Hat kulcsfontosságú glikémiás mutatót számítottak ki, beleértve az átlagos glükózt, a hiperglikémia időtartamát és a csúcs időtartamát.

Az életmódbeli adatokat egy étkezési napló alkalmazás és viselhető követők segítségével gyűjtötték. A genomikai és mikrobióma adatokat standard módszerekkel elemezték, és olyan összetett mérőszámokat számítottak ki, mint a poligénes kockázati pontszámok és a mikrobióma diverzitási indexek.

Gépi tanulás segítségével egy multimodális adatokat (demográfia, antropometria, CGM, étrend és mikrobiom) felhasználó, a 2-es típusú cukorbetegség kockázatértékelésére alkalmas modellt készítettek, amelynek teljesítményét a PROGRESS és a HPP kohorszokban tesztelték. A statisztikai elemzés kovarianciaanalízist, Spearman-korrelációkat és bootstrapping-módszert alkalmazott a szignifikancia teszteléséhez és a modell értékeléséhez.

Az 1137 résztvevőből 347-et vontak be a végső elemzésbe: 174-en normoglikémiásak, 79-en prediabéteszesek és 94-en 2-es típusú cukorbetegségben szenvedtek.

A kutatók szignifikáns különbségeket találtak a glükózcsúcsok mérőszámaiban a következő állapotok között: éjszakai hipoglikémia, a csúcsok feloldódásának ideje, átlagos glükóz és hiperglikémia időtartama. A legnagyobb különbségek a 2-es típusú cukorbetegség (TDM) és a többi csoport között mutatkoztak, a prediabéteszesek statisztikailag közelebb álltak a normoglikémiához, mint a T2DM-hez, az olyan kulcsfontosságú mérőszámok tekintetében, mint a csúcsok gyakorisága és intenzitása.

A mikrobiom diverzitása negatív korrelációt mutatott a legtöbb glükózcsúcs-mutatóval, ami arra utal, hogy az egészséges mikrobiom jobb glükózszabályozással jár.

A magasabb nyugalmi pulzusszám, testtömegindex és HbA1c rosszabb glikémiás eredményekkel, míg a fizikai aktivitás kedvezőbb glükózmintázatokkal járt együtt. Érdekes módon a magasabb szénhidrátbevitel gyorsabb csúcsmegoldódással, de gyakoribb és intenzívebb kiugrásokkal is járt.

A csapat egy multimodális adatokon alapuló bináris osztályozási modellt fejlesztett ki, amely nagy pontossággal különbséget tett a normoglikémia és a 2-es típusú cukorbetegség között. Külső kohorszra (HPP) alkalmazva a modell megőrizte a magas teljesítményét, és sikeresen azonosította a kockázati szintek jelentős variabilitását a hasonló HbA1c-értékekkel rendelkező prediabéteszesek között.

Ezek az eredmények arra utalnak, hogy a multimodális glikémiás profilalkotás javíthatja a kockázatbecslést és az egyéni monitorozást a standard diagnosztikai módszerekhez képest, különösen a prediabétesz esetében.

A tanulmány kiemeli, hogy a hagyományos cukorbetegség-diagnosztika, mint például a HbA1c, nem tükrözi a glükózanyagcsere egyéni jellemzőit.

A folyamatos glikémiás görbe (CGM) multimodális adatokkal (genomika, életmód, mikrobiom) kombinálva a kutatók szignifikáns különbségeket találtak a glükózszint-ingadozásokban a normoglikémia, a prediabétesz és a 2-es típusú cukorbetegség (T2DM) között, ahol a prediabétesz számos kulcsfontosságú mutató esetében nagyobb hasonlóságot mutatott a normoglikémiával, mint a T2DM.

A kifejlesztett, gépi tanuláson alapuló kockázati modell, amelyet egy külső kohorszban validáltak, a hasonló HbA1c-értékekkel rendelkező prediabéteszesek körében a kockázat széles skáláját tárta fel, megerősítve a hagyományos módszerekhez képest hozzáadott értékét.

A tanulmány erősségei közé tartozik a decentralizált, sokszínű PROGRESS kohorsz (48,1% alulreprezentált csoportokból) és a „valós világbeli” adatok gyűjtése. A korlátozások közé tartozik azonban az eszközök közötti különbségekből, az önbevallás pontatlanságából, az étkezési napló vezetésének nehézségeiből és a hipoglikémiás gyógyszerek használatából adódó lehetséges torzítás.

Nagyobb körű validációs és longitudinális vizsgálatokra van szükség a prognosztikai előny és a klinikai jelentőség megerősítéséhez.

Végső soron ez a tanulmány bemutatja a távoli multimodális adatgyűjtésben rejlő lehetőségeket a korai felismerés, a prediabétesz kockázatbecslés és a személyre szabott 2-es típusú cukorbetegség (T2D) megelőzésének javítására, utat nyitva a cukorbetegség kockázatának kitett betegek pontosabb és befogadóbb ellátása előtt.