Нов модел с изкуствен интелект идентифицира риска от диабет, преди да се появят анормални резултати от тестовете

Милиони може да не са наясно с ранния си риск от диабет. Моделите с изкуствен интелект показват защо скоковете на кръвната захар може да са по-важни от резултатите от тестовете.

В скорошна статия, публикувана в списанието Nature Medicine, изследователи анализираха данни от повече от 2400 души в две кохорти, за да идентифицират модели на пикове на глюкозата и да разработят персонализирани профили на гликемичен риск.

Те откриха значителни разлики в моделите на пикове на глюкозата между хора с диабет тип 2 (T2D) и тези с преддиабет или нормогликемия. Техният мултимодален модел на риска може да помогне на лекарите да идентифицират преддиабетици с по-висок риск от развитие на T2D.

Хората с диабет тип 2 са изпитвали по-тежка нощна хипогликемия и им е отнемало повече време, средно повече от 20 минути, за да се върнат към изходните нива на глюкоза след пикове – което предполага ключови физиологични разлики.

Диабетът и преддиабетът засягат значителна част от възрастното население на САЩ, но стандартните диагностични тестове като гликиран хемоглобин (HbA1c) и глюкоза на гладно не обхващат пълната сложност на регулирането на глюкозата.

Много фактори – стрес, състав на микробиома, сън, физическа активност, генетика, диета и възраст – могат да повлияят на колебанията в нивата на кръвната захар, особено на постпрандиалните пикове (дефинирани като повишения с поне 30 mg/dL в рамките на 90 минути), които се наблюдават дори при привидно здрави хора.

Преди това тези вариации са били изследвани с помощта на непрекъснато мониториране на глюкозата (CGM), но обхватът им често е бил ограничен до преддиабетици и нормогликемични индивиди, а в проучванията често е липсвало представителство на исторически недостатъчно представени групи в биомедицинските изследвания.

За да се запълни тази празнина, проучването PROGRESS проведе национално, дистанционно клинично проучване, в което участваха 1137 различни участници (48,1% от групи, исторически недостатъчно представени в биомедицинските изследвания) с нормогликемия и диабет тип 2 в продължение на 10 дни непрекъсваемо глюкозо-миокардно изследване (CGM), като същевременно се събират данни за състава на микробиома, геномиката, сърдечната честота, съня, диетата и активността.

Този мултимодален подход позволи по-нюансирано разбиране на гликемичния контрол и междуиндивидуалната вариабилност в глюкозните отклонения.

Целта на проучването беше да се създадат цялостни профили на гликемичен риск, които биха могли да подобрят ранното откриване и интервенция при преддиабетици с риск от прогресия до диабет, предлагайки персонализирана алтернатива на традиционните диагностични мерки като HbA1c.

Изследователите са използвали данни от две кохорти: PROGRESS (дигитално клинично проучване в САЩ) и HPP (обсервационно проучване в Израел). PROGRESS е включило възрастни със и без диабет тип 2, които са преминали 10 дни непрекъсваема глюкозна терапия (CGM), като едновременно с това са събирали данни за чревния микробиом, геномиката, сърдечната честота, съня, диетата и активността.

Разнообразието на чревния микробиом (индекс на Шанън) показва пряка отрицателна корелация със средните нива на глюкоза: колкото по-малко разнообразна е микробиотата, толкова по-лош е контролът на глюкозата във всички групи.

Участниците също така събраха проби от изпражнения, кръв и слюнка у дома и споделиха своите електронни медицински досиета. Критериите за изключване включваха скорошна употреба на антибиотици, бременност, диабет тип 1 и други фактори, които биха могли да объркат данните от CGM или метаболизма. Набирането на участници се проведе изцяло дистанционно чрез социални медии и покани въз основа на електронни медицински досиета.

Данните от CGM бяха обработени на минутни интервали, а пиковете на глюкозата бяха дефинирани с помощта на предварително зададени прагове. Изчислени бяха шест ключови гликемични показателя, включително средна глюкоза, време на хипергликемия и продължителност на пика.

Данните за начина на живот бяха събрани с помощта на приложение за хранителен дневник и носими тракери. Геномните и микробиомни данни бяха анализирани с помощта на стандартни методи и бяха изчислени съставни показатели, като например полигенни рискови оценки и индекси на разнообразие на микробиома.

След това, с помощта на машинно обучение, беше конструиран модел за оценка на риска от диабет тип 2, използващ мултимодални данни (демография, антропометрия, CGM, диета и микробиом), а неговата ефективност беше тествана в кохортите PROGRESS и HPP. Статистическият анализ използваше анализ на ковариацията, корелации на Spearman и bootstrapping, за да се тества значимостта и да се оцени моделът.

От 1137 включени участници, 347 са включени в окончателния анализ: 174 с нормогликемия, 79 с преддиабет и 94 с диабет тип 2.

Изследователите са открили значителни разлики в показателите за пикове на глюкозата между различните състояния: нощна хипогликемия, време за разрешаване на пика, средна глюкоза и време на хипергликемия. Най-големите разлики са между диабет тип 2 и другите групи, като преддиабетите са статистически по-близо до нормогликемия, отколкото диабет тип 2, по ключови показатели като честота и интензитет на пиковете.

Разнообразието на микробиома е отрицателно корелирано с повечето показатели за пикове на глюкозата, което предполага, че здравият микробиом е свързан с по-добър контрол на глюкозата.

По-високата сърдечна честота в покой, индексът на телесна маса и HbA1c са свързани с по-лоши гликемични резултати, докато физическата активност е свързана с по-благоприятни глюкозни модели. Интересното е, че по-високият прием на въглехидрати е свързан с по-бързо разрешаване на пиковете, но също така и с по-чести и интензивни пикове.

Екипът разработи двоичен класификационен модел, базиран на мултимодални данни, който разграничава нормогликемия от диабет тип 2 с висока точност. Когато е приложен към външна кохорта (HPP), моделът запазва висока производителност и успешно идентифицира значителна вариабилност в нивата на риск сред преддиабетици със сходни стойности на HbA1c.

Тези резултати показват, че мултимодалното гликемично профилиране може да подобри прогнозирането на риска и индивидуалното наблюдение в сравнение със стандартните диагностични методи, особено при преддиабет.

Проучването подчертава, че традиционните методи за диагностика на диабета, като например HbA1c, не отразяват индивидуалните характеристики на глюкозния метаболизъм.

Използвайки CGM в комбинация с мултимодални данни (геномика, начин на живот, микробиом), изследователите откриха значителни разлики в глюкозните екскурзии между нормогликемия, преддиабет и диабет тип 2, като преддиабетът показва по-голямо сходство с нормогликемията, отколкото с диабет тип 2 по редица ключови показатели.

Разработеният модел на риска, базиран на машинно обучение, валидиран във външна кохорта, разкри широки вариации в риска сред преддиабетици със сходни стойности на HbA1c, потвърждавайки неговата допълнителна стойност в сравнение с традиционните методи.

Силните страни на проучването включват децентрализираната, разнообразна кохорта PROGRESS (48,1% от недостатъчно представени групи) и събирането на данни от „реалния свят“. Ограниченията обаче включват потенциална пристрастност поради разлики в устройствата, неточности в самоотчитането, трудности при воденето на хранителен дневник и употребата на хипогликемични лекарства.

Необходими са по-мащабни валидационни и лонгитудинални проучвания, за да се потвърди прогностичната полза и клиничното значение.

В крайна сметка, това проучване демонстрира потенциала на дистанционното мултимодално събиране на данни за подобряване на ранното откриване, стратификацията на риска от преддиабет и персонализираната превенция на диабет тип 2, проправяйки пътя за по-прецизна и приобщаваща грижа за пациенти с риск от диабет.