Jauns mākslīgā intelekta modelis identificē diabēta risku, pirms parādās patoloģiski testa rezultāti

Miljoniem cilvēku var neapzināties savu agrīno diabēta risku. Mākslīgā intelekta modeļi parāda, kāpēc jūsu cukura līmeņa paaugstināšanās asinīs var būt svarīgāka par jūsu testa rezultātiem.

Nesenā žurnālā “Nature Medicine” publicētā rakstā pētnieki analizēja datus no vairāk nekā 2400 cilvēkiem divās kohortās, lai noteiktu glikozes līmeņa svārstību modeļus un izstrādātu personalizētus glikēmiskā riska profilus.

Viņi atklāja būtiskas atšķirības glikozes līmeņa svārstību modeļos starp cilvēkiem ar 2. tipa cukura diabētu (T2D) un cilvēkiem ar prediabētu vai normoglikēmiju. Viņu multimodālais riska modelis varētu palīdzēt ārstiem identificēt prediabētiķus ar augstāku T2D attīstības risku.

Cilvēkiem ar 2. tipa cukura diabētu nakts hipoglikēmija bija smagāka, un pēc glikozes līmeņa paaugstināšanās bija nepieciešams ilgāks laiks, vidēji vairāk nekā 20 minūtes, lai atgrieztos sākotnējā glikozes līmenī, kas liecina par būtiskām fizioloģiskām atšķirībām.

Diabēts un prediabēts skar ievērojamu daļu ASV pieaugušo iedzīvotāju, tomēr standarta diagnostikas testi, piemēram, glikozētais hemoglobīns (HbA1c) un glikozes līmenis tukšā dūšā, neaptver glikozes regulēšanas pilno sarežģītību.

Daudzi faktori — stress, mikrobioma sastāvs, miegs, fiziskās aktivitātes, ģenētika, uzturs un vecums — var ietekmēt glikozes līmeņa svārstības asinīs, īpaši pēc ēšanas novērotos kāpumus (definēti kā pieaugums vismaz par 30 mg/dl 90 minūšu laikā), kas rodas pat šķietami veseliem cilvēkiem.

Iepriekš šīs variācijas tika pētītas, izmantojot nepārtrauktu glikozes līmeņa kontroli (CGM), taču to aptvērums bieži vien ir aprobežojies ar prediabētiem un normoglikēmiskiem indivīdiem, un pētījumos bieži vien trūkst vēsturiski nepietiekami pārstāvētu grupu pārstāvniecības biomedicīniskajos pētījumos.

Lai novērstu šo plaisu, PROGRESS pētījumā tika veikts valsts mēroga, attālināts klīniskais pētījums, kurā 10 dienu laikā pēc nepārtrauktas glikozes līmeņa asinīs (CGM) tika iesaistīti 1137 dažādi dalībnieki (48,1 % no grupām, kas vēsturiski ir nepietiekami pārstāvētas biomedicīniskajos pētījumos) ar normoglikēmiju un 2. tipa cukura diabētu, vienlaikus vācot datus par mikrobioma sastāvu, genomiku, sirdsdarbības ātrumu, miegu, uzturu un aktivitāti.

Šī multimodālā pieeja ļāva iegūt niansētāku izpratni par glikēmijas kontroli un glikozes līmeņa svārstībām starp indivīdiem.

Pētījuma mērķis bija izveidot visaptverošus glikēmiskā riska profilus, kas varētu uzlabot prediabēta slimnieku, kuriem ir diabēta progresēšanas risks, agrīnu atklāšanu un iejaukšanos, piedāvājot personalizētu alternatīvu tradicionālajiem diagnostikas pasākumiem, piemēram, HbA1c noteikšanai.

Pētnieki izmantoja datus no divām kohortām: PROGRESS (digitāls klīniskais pētījums ASV) un HPP (novērojumu pētījums Izraēlā). PROGRESS pētījumā piedalījās pieaugušie ar un bez 2. tipa cukura diabēta, kuriem tika veikta 10 dienu nepārtraukta nepārtraukta ģenētiskā reģistrācija (CGM), vienlaikus vācot datus par zarnu mikrobiomu, genomiku, sirdsdarbības ātrumu, miegu, uzturu un aktivitāti.

Zarnu mikrobioma daudzveidība (Šenona indekss) uzrādīja tiešu negatīvu korelāciju ar vidējo glikozes līmeni: jo mazāk daudzveidīga mikrobiota, jo sliktāka glikozes kontrole visās grupās.

Dalībnieki mājās arī savāca fekāliju, asins un siekalu paraugus un dalījās ar savām elektroniskajām medicīniskajām kartēm. Izslēgšanas kritēriji ietvēra nesenu antibiotiku lietošanu, grūtniecību, 1. tipa cukura diabētu un citus faktorus, kas varētu ietekmēt CGM vai vielmaiņas datus. Dalībnieku piesaiste tika veikta pilnībā attālināti, izmantojot sociālos medijus un ielūgumus, kuru pamatā bija elektroniskās medicīniskās kartes.

CGM dati tika apstrādāti minūšu intervālos, un glikozes līmeņa svārstības tika definētas, izmantojot iepriekš iestatītus robežvērtības. Tika aprēķināti seši galvenie glikēmijas rādītāji, tostarp vidējais glikozes līmenis, hiperglikēmijas laiks un svārstību ilgums.

Dzīvesveida dati tika apkopoti, izmantojot pārtikas dienasgrāmatas lietotni un valkājamas ierīces. Genomiskie un mikrobioma dati tika analizēti, izmantojot standarta metodes, un tika aprēķināti salikti rādītāji, piemēram, poligēniskā riska rādītāji un mikrobioma daudzveidības indeksi.

Pēc tam, izmantojot mašīnmācīšanos, tika izveidots 2. tipa cukura diabēta riska novērtēšanas modelis, kurā izmantoti multimodāli dati (demogrāfija, antropometrija, CGM, uzturs un mikrobioms), un tā veiktspēja tika pārbaudīta PROGRESS un HPP kohortās. Statistiskajā analīzē tika izmantota kovariācijas analīze, Spīrmena korelācijas un atkārtotas iegūšanas metode, lai pārbaudītu nozīmīgumu un novērtētu modeli.

No 1137 iekļautajiem dalībniekiem 347 tika iekļauti galīgajā analīzē: 174 ar normoglikēmiju, 79 ar prediabētu un 94 ar 2. tipa cukura diabētu.

Pētnieki atklāja būtiskas atšķirības glikozes līmeņa svārstību rādītājos starp dažādiem stāvokļiem: nakts hipoglikēmiju, svārstību atrisināšanas laiku, vidējo glikozes līmeni un hiperglikēmijas laiku. Lielākās atšķirības bija starp 2. tipa cukura diabētu un citām grupām, prediabēta slimniekiem statistiski tuvāk normoglikēmijai nekā 2. tipa cukura diabēta slimniekiem tādos galvenajos rādītājos kā svārstību biežums un intensitāte.

Mikrobiomu daudzveidība negatīvi korelēja ar lielāko daļu glikozes līmeņa paaugstināšanās rādītāju, kas liecina, ka veselīgs mikrobioms ir saistīts ar labāku glikozes līmeņa kontroli.

Augstāks miera stāvokļa sirdsdarbības ātrums, ķermeņa masas indekss un HbA1c bija saistīti ar sliktākiem glikēmijas rezultātiem, savukārt fiziskās aktivitātes bija saistītas ar labvēlīgākiem glikozes līmeņa modeļiem. Interesanti, ka lielāks ogļhidrātu patēriņš bija saistīts ar ātrāku maksimuma izzušanu, bet arī ar biežākiem un intensīvākiem glikēmijas pieaugumiem.

Komanda izstrādāja bināru klasifikācijas modeli, kas balstīts uz multimodāliem datiem, kas ar augstu precizitāti nošķīra normoglikēmiju no 2. tipa cukura diabēta. Pielietojot to ārējai kohortai (HPP), modelis saglabāja augstu veiktspēju un veiksmīgi identificēja būtisku riska līmeņu mainīgumu prediabēta slimnieku vidū ar līdzīgām HbA1c vērtībām.

Šie rezultāti liecina, ka multimodāla glikēmijas profilēšana var uzlabot riska prognozēšanu un individuālo uzraudzību, salīdzinot ar standarta diagnostikas metodēm, īpaši prediabēta gadījumā.

Pētījumā uzsvērts, ka tradicionālā diabēta diagnostika, piemēram, HbA1c, neatspoguļo glikozes metabolisma individuālās īpašības.

Izmantojot CGM kombinācijā ar multimodāliem datiem (genomika, dzīvesveids, mikrobioms), pētnieki atklāja būtiskas atšķirības glikozes līmeņa svārstībās starp normoglikēmiju, prediabētu un 2. tipa cukura diabētu, un prediabēts vairākos galvenajos rādītājos uzrādīja lielāku līdzību ar normoglikēmiju nekā 2. tipa cukura diabēts.

Izstrādātais, uz mašīnmācīšanos balstītais riska modelis, kas validēts ārējā kohortā, atklāja plašu riska variāciju prediabēta slimnieku vidū ar līdzīgām HbA1c vērtībām, apstiprinot tā papildu vērtību salīdzinājumā ar tradicionālajām metodēm.

Pētījuma stiprās puses ietver decentralizēto, daudzveidīgo PROGRESS kohortu (48,1% no nepietiekami pārstāvētām grupām) un “reālās pasaules” datu vākšanu. Tomēr ierobežojumi ietver potenciālu neobjektivitāti ierīču atšķirību dēļ, neprecizitātes pašziņošanā, grūtības uzturēt pārtikas dienasgrāmatu un hipoglikemizējošu zāļu lietošanu.

Lai apstiprinātu prognostisko ieguvumu un klīnisko nozīmīgumu, ir nepieciešami plašāki validācijas un garengriezuma pētījumi.

Galu galā šis pētījums parāda attālinātas multimodālas datu vākšanas potenciālu uzlabot agrīnu atklāšanu, prediabēta riska stratifikāciju un personalizētu 2. tipa diabēta profilaksi, paverot ceļu precīzākai un iekļaujošākai aprūpei pacientiem ar diabēta risku.