Un nou model de inteligență artificială identifică riscul de diabet înainte ca rezultatele testelor să apară anormale

Milioane de oameni ar putea să nu fie conștienți de riscul lor incipient de diabet. Modelele de inteligență artificială arată de ce creșterile glicemiei pot conta mai mult decât rezultatele testelor.

Într-o lucrare recentă publicată în revista Nature Medicine, cercetătorii au analizat date de la peste 2.400 de persoane din două cohorte pentru a identifica tiparele creșterilor bruște ale glucozei și a dezvolta profiluri personalizate de risc glicemic.

Ei au descoperit diferențe semnificative în modelele de vârfuri ale glicemiei între persoanele cu diabet zaharat de tip 2 (DZT2) și cele cu prediabet sau normoglicemie. Modelul lor de risc multimodal ar putea ajuta medicii să identifice prediabeticii cu risc mai mare de a dezvolta DZT2.

Persoanele cu diabet zaharat de tip 2 (DZT2) au prezentat hipoglicemie nocturnă mai severă și au avut nevoie de mai mult timp, în medie peste 20 de minute, pentru a reveni la nivelurile inițiale de glucoză după creșteri bruște – sugerând diferențe fiziologice cheie.

Diabetul și prediabetul afectează o proporție semnificativă a populației adulte din SUA, însă testele de diagnostic standard, cum ar fi hemoglobina glicată (HbA1c) și glicemia à jeun, nu surprind întreaga complexitate a reglării glucozei.

Mulți factori — stresul, compoziția microbiomului, somnul, activitatea fizică, genetica, dieta și vârsta — pot influența fluctuațiile glicemiei, în special vârfurile postprandiale (definite ca creșteri de cel puțin 30 mg/dl în 90 de minute), care apar chiar și la persoane aparent sănătoase.

Anterior, aceste variații au fost studiate folosind monitorizarea continuă a glicemiei (CGM), dar acoperirea lor a fost adesea limitată la persoanele prediabetice și normoglicemice, iar studiile au lipsit adesea de reprezentarea grupurilor subreprezentate din punct de vedere istoric în cercetarea biomedicală.

Pentru a aborda această lacună, studiul PROGRESS a efectuat un studiu clinic la distanță, la nivel național, care a înscris 1.137 de participanți diverși (48,1% din grupuri subreprezentate istoric în cercetarea biomedicală) cu normoglicemie și diabet zaharat de tip 2 (DZT2) pe parcursul a 10 zile de CGM, colectând în același timp date despre compoziția microbiomului, genomică, ritm cardiac, somn, dietă și activitate.

Această abordare multimodală a permis o înțelegere mai nuanțată a controlului glicemic și a variabilității interindividuale a fluctuațiilor glucozei.

Scopul studiului a fost de a crea profiluri complete de risc glicemic care ar putea îmbunătăți detectarea și intervenția precoce pentru prediabeticii cu risc de progresie spre diabet, oferind o alternativă personalizată la măsurile de diagnostic tradiționale, cum ar fi HbA1c.

Cercetătorii au utilizat date din două cohorte: PROGRESS (un studiu clinic digital în SUA) și HPP (un studiu observațional în Israel). PROGRESS a inclus adulți cu și fără diabet zaharat de tip 2 (DZT2) care au fost supuși timp de 10 zile de monitorizare continuă a ciclului cardiac (CGM), colectând simultan date despre microbiomul intestinal, genomică, ritm cardiac, somn, dietă și activitate.

Diversitatea microbiomului intestinal (indicele Shannon) a arătat o corelație negativă directă cu nivelurile medii de glucoză: cu cât microbiota este mai puțin diversă, cu atât controlul glicemiei este mai slab în toate grupurile.

Participanții au colectat, de asemenea, probe de scaun, sânge și salivă acasă și și-au partajat dosarele medicale electronice. Criteriile de excludere au inclus utilizarea recentă de antibiotice, sarcina, diabetul de tip 1 și alți factori care ar putea influența datele CGM sau metabolice. Recrutarea participanților a fost efectuată în întregime de la distanță, prin intermediul rețelelor sociale și al invitațiilor bazate pe dosare medicale electronice.

Datele CGM au fost procesate la intervale de un minut, iar vârfurile de glucoză au fost definite folosind praguri prestabilite. Au fost calculați șase indicatori glicemici cheie, inclusiv glucoza medie, timpul în hiperglicemie și durata vârfului.

Datele privind stilul de viață au fost colectate folosind o aplicație pentru jurnal alimentar și dispozitive de urmărire portabile. Datele genomice și ale microbiomului au fost analizate folosind metode standard și au fost calculați indicatori compoziți, cum ar fi scorurile de risc poligenic și indicii de diversitate a microbiomului.

Un model pentru evaluarea riscului de diabet zaharat de tip 2 (DZT2) utilizând date multimodale (demografice, antropometrie, CGM, dietă și microbiom) a fost apoi construit prin intermediul învățării automate, iar performanța sa a fost testată în cohortele PROGRESS și HPP. Analiza statistică a utilizat analiza covarianței, corelațiile Spearman și bootstrapping pentru a testa semnificația și a evalua modelul.

Dintre cei 1137 de participanți incluși, 347 au fost incluși în analiza finală: 174 cu normoglicemie, 79 cu prediabet și 94 cu diabet zaharat de tip 2 (DZT2).

Cercetătorii au descoperit diferențe semnificative în ceea ce privește indicatorii vârfurilor de glucoză între diferite afecțiuni: hipoglicemie nocturnă, timpul de rezoluție a vârfurilor, glucoza medie și timpul în care se află în hiperglicemie. Cele mai mari diferențe au fost observate între diabetul zaharat de tip 2 (DZT2) și celelalte grupuri, prediabeticii fiind statistic mai aproape de normoglicemie decât DZT2 pentru indicatori cheie, cum ar fi frecvența și intensitatea vârfurilor.

Diversitatea microbiomului a fost corelată negativ cu majoritatea indicatorilor de creștere a glicemiei, sugerând că un microbiom sănătos este asociat cu un control mai bun al glicemiei.

O frecvență cardiacă în repaus mai mare, indicele de masă corporală și HbA1c mai mari au fost asociate cu rezultate glicemice mai slabe, în timp ce activitatea fizică a fost asociată cu modele glicemice mai favorabile. Interesant este că un aport mai mare de carbohidrați a fost asociat cu o rezoluție mai rapidă a vârfurilor, dar și cu vârfuri mai frecvente și mai intense.

Echipa a dezvoltat un model de clasificare binară bazat pe date multimodale care a diferențiat între normoglicemie și diabetul zaharat de tip 2 (DZT2) cu o precizie ridicată. Atunci când a fost aplicat unei cohorte externe (HPP), modelul a menținut performanța ridicată și a identificat cu succes o variabilitate semnificativă a nivelurilor de risc în rândul prediabeticilor cu valori similare ale HbA1c.

Aceste rezultate sugerează că profilarea glicemică multimodală poate îmbunătăți predicția riscului și monitorizarea individuală în comparație cu metodele standard de diagnostic, în special pentru prediabet.

Studiul evidențiază faptul că metodele tradiționale de diagnosticare a diabetului, cum ar fi HbA1c, nu reflectă caracteristicile individuale ale metabolismului glucozei.

Folosind CGM în combinație cu date multimodale (genomică, stil de viață, microbiom), cercetătorii au descoperit diferențe semnificative în excursiile glicemiei între normoglicemie, prediabet și diabet zaharat de tip 2 (DZT2), prediabetul prezentând o similaritate mai mare cu normoglicemia decât DZT2 în cazul unei serii de indicatori cheie.

Modelul de risc dezvoltat, bazat pe învățare automată și validat într-o cohortă externă, a relevat o variație largă a riscului în rândul prediabeticilor cu valori similare ale HbA1c, confirmând valoarea sa suplimentară în comparație cu metodele tradiționale.

Punctele forte ale studiului includ cohorta PROGRESS descentralizată și diversă (48,1% din grupuri subreprezentate) și colectarea de date „din lumea reală”. Cu toate acestea, limitările includ potențiale erori datorate diferențelor dintre dispozitive, inexactități în auto-raportare, dificultăți în menținerea unui jurnal alimentar și utilizarea de medicamente hipoglicemiante.

Sunt necesare studii de validare mai ample și studii longitudinale pentru a confirma beneficiul prognostic și semnificația clinică.

În cele din urmă, acest studiu demonstrează potențialul colectării multimodale de date la distanță pentru îmbunătățirea detectării precoce, stratificării riscului de prediabet și prevenirii personalizate a diabetului zaharat de tip 2, deschizând calea pentru o îngrijire mai precisă și incluzivă a pacienților cu risc de diabet.