Uus tehisintellekti mudel tuvastab diabeediriski enne ebanormaalsete testitulemuste ilmnemist

Miljonid ei pruugi olla teadlikud oma varajasest diabeediriskist. Tehisintellekti mudelid näitavad, miks teie veresuhkru järsk tõus võib olla olulisem kui teie testi tulemused.

Hiljutises ajakirjas Nature Medicine avaldatud artiklis analüüsisid teadlased enam kui 2400 inimese andmeid kahes kohordis, et tuvastada glükoositaseme kõikumise mustreid ja töötada välja isikupärastatud glükeemilised riskiprofiilid.

Nad leidsid olulisi erinevusi glükoositaseme kõikumise mustrites II tüüpi diabeediga (T2D) inimeste ja prediabeedi või normoglükeemiaga inimeste vahel. Nende multimodaalne riskimudel aitab arstidel tuvastada prediabeetikuid, kellel on suurem risk II tüüpi diabeedi tekkeks.

II tüüpi diabeediga inimestel esines raskemat öist hüpoglükeemiat ja neil kulus pärast glükoositaseme tõusu algtasemeni naasmiseks kauem aega, keskmiselt üle 20 minuti, mis viitab olulistele füsioloogilistele erinevustele.

Diabeet ja prediabeet mõjutavad märkimisväärset osa USA täiskasvanud elanikkonnast, kuid standardsed diagnostilised testid, nagu glükeeritud hemoglobiin (HbA1c) ja tühja kõhuga glükoos, ei kajasta glükoosiregulatsiooni täielikku keerukust.

Vere glükoosisisalduse kõikumisi, eriti söögijärgseid hüppeid (defineeritud kui vähemalt 30 mg/dl tõus 90 minuti jooksul), mis esinevad isegi pealtnäha tervetel inimestel, võivad mõjutada paljud tegurid – stress, mikrobioomi koostis, uni, füüsiline aktiivsus, geneetika, toitumine ja vanus.

Varem on neid variatsioone uuritud pideva glükoosimonitooringu (CGM) abil, kuid nende ulatus on sageli piirdunud prediabeetikute ja normoglükeemiliste inimestega ning uuringutes on sageli puudunud ajalooliselt alaesindatud rühmade esindatus biomeditsiinilistes uuringutes.

Selle lünga täitmiseks viis PROGRESS uuring läbi üleriigilise kliinilise kauguuringu, kuhu kaasati 10 päeva jooksul CGM-i abil 1137 mitmekesist normoglükeemia ja II tüüpi diabeediga osalejat (48,1% rühmadest, mis olid biomeditsiinilistes uuringutes ajalooliselt alaesindatud), kogudes samal ajal andmeid mikrobioomi koostise, genoomika, südame löögisageduse, une, toitumise ja aktiivsuse kohta.

See multimodaalne lähenemine võimaldas glükeemilise kontrolli ja glükoositaseme kõikumiste individuaalse varieeruvuse nüansirikkamat mõistmist.

Uuringu eesmärk oli luua terviklikud glükeemilise riski profiilid, mis parandaksid diabeedi progresseerumise riskiga prediabeetikute varajast avastamist ja sekkumist, pakkudes personaalset alternatiivi traditsioonilistele diagnostilistele meetmetele, nagu HbA1c.

Teadlased kasutasid andmeid kahest kohordist: PROGRESS (digitaalne kliiniline uuring USAs) ja HPP (vaatlusuuring Iisraelis). PROGRESSis osalesid II tüüpi diabeediga ja ilma selleta täiskasvanud, kellel tehti 10 päeva pidevat pidevat jälgimist (CGM), kogudes samaaegselt andmeid soolemikrobioomi, genoomika, pulsisageduse, une, toitumise ja aktiivsuse kohta.

Soolestiku mikrobioomi mitmekesisus (Shannoni indeks) näitas otsest negatiivset korrelatsiooni keskmise glükoositasemega: mida vähem mitmekesine oli mikrobioota, seda halvem oli glükoosikontroll kõigis rühmades.

Osalejad kogusid kodus ka väljaheite-, vere- ja süljeproove ning jagasid oma elektroonilisi haiguslugusid. Väljajätmiskriteeriumide hulka kuulusid hiljutine antibiootikumide tarvitamine, rasedus, 1. tüüpi diabeet ja muud tegurid, mis võisid CGM-i või ainevahetusandmeid segada. Osalejate värbamine toimus täielikult eemalt sotsiaalmeedia ja elektroonilistel haiguslugudel põhinevate kutsete kaudu.

CGM-andmeid töödeldi minutite kaupa ja glükoositaseme hüpped määrati eelnevalt määratud läviväärtuste abil. Arvutati kuus peamist glükeemilist näitajat, sealhulgas keskmine glükoos, hüperglükeemia aeg ja hüppe kestus.

Eluviisiandmeid koguti toidupäeviku rakenduse ja kantavate jälgijate abil. Genoomseid ja mikrobioomi andmeid analüüsiti standardmeetodite abil ning arvutati liitnäitajad, näiteks polügeense riski skoorid ja mikrobioomi mitmekesisuse indeksid.

Seejärel konstrueeriti masinõppe abil multimodaalsete andmete (demograafia, antropomeetria, CGM, toitumine ja mikrobioom) abil II tüüpi diabeedi riski hindamise mudel ning selle toimivust testiti PROGRESSi ja HPP kohortides. Statistiline analüüs kasutas olulisuse testimiseks ja mudeli hindamiseks kovariatsioonianalüüsi, Spearmani korrelatsioone ja bootstrappimist.

1137 kaasatud osalejast kaasati lõppanalüüsi 347: 174-l oli normoglükeemia, 79-l prediabetes ja 94-l II tüüpi diabeet.

Teadlased leidsid glükoositaseme hüppe mõõdikute osas olulisi erinevusi järgmiste seisundite vahel: öine hüpoglükeemia, hüppe lahenemisaeg, keskmine glükoositase ja hüperglükeemia kestus. Suurimad erinevused ilmnesid II tüüpi diabeedi ja teiste rühmade vahel, kusjuures prediabeetikud olid statistiliselt normoglükeemiale lähemal kui II tüüpi diabeediga patsiendid selliste võtmenäitajate osas nagu hüppe sagedus ja intensiivsus.

Mikrobioomide mitmekesisus korreleerus negatiivselt enamiku glükoositaseme tõusu näitajatega, mis viitab sellele, et terve mikrobioom on seotud parema glükoositaseme kontrolliga.

Kõrgem puhkeoleku pulsisagedus, kehamassiindeks ja HbA1c olid seotud halvemate glükeemiliste tulemustega, samas kui füüsiline aktiivsus oli seotud soodsamate glükoosimustrite. Huvitaval kombel oli suurem süsivesikute tarbimine seotud kiirema tippude lahenemisega, aga ka sagedasemate ja intensiivsemate hüpetega.

Meeskond töötas välja multimodaalsetel andmetel põhineva binaarse klassifikatsioonimudeli, mis eristas suure täpsusega normoglükeemiat ja II tüüpi diabeeti. Välisele kohordile (HPP) rakendatuna säilitas mudel kõrge jõudluse ja tuvastas edukalt sarnase HbA1c väärtusega prediabeetikute seas riskitasemete olulise varieeruvuse.

Need tulemused viitavad sellele, et multimodaalne glükeemiline profiilimine võib parandada riskide ennustamist ja individuaalset jälgimist võrreldes standardsete diagnostiliste meetoditega, eriti prediabeedi puhul.

Uuring rõhutab, et traditsioonilised diabeedidiagnostikad, näiteks HbA1c, ei kajasta glükoosi metabolismi individuaalseid omadusi.

Kasutades pidevat globaalset veresuhkru jälgimist koos multimodaalsete andmetega (genoomika, elustiil, mikrobioom), leidsid teadlased normoglükeemia, prediabeedi ja II tüüpi diabeedi vahel olulisi erinevusi glükoositaseme kõikumistes, kusjuures prediabeet näitas mitmete võtmenäitajate osas suuremat sarnasust normoglükeemiaga kui II tüüpi diabeediga.

Välja töötatud masinõppel põhinev riskimudel, mida valideeriti välises kohordis, näitas sarnaste HbA1c väärtustega prediabeetikute riski suurt varieeruvust, mis kinnitas selle lisaväärtust võrreldes traditsiooniliste meetoditega.

Uuringu tugevuste hulka kuuluvad detsentraliseeritud ja mitmekesine PROGRESS-kohort (48,1% alaesindatud rühmadest) ja „reaalse maailma“ andmete kogumine. Piirangute hulka kuuluvad aga võimalik kallutatus seadmete erinevuste tõttu, ebatäpsused enesearuandluses, raskused toidupäeviku pidamisel ja hüpoglükeemiliste ravimite kasutamine.

Prognostilise kasu ja kliinilise olulisuse kinnitamiseks on vaja suuremaid valideerimis- ja pikisuunalisi uuringuid.

Lõppkokkuvõttes näitab see uuring kaug-multimodaalse andmekogumise potentsiaali varajase avastamise, prediabeedi riski hindamise ja personaalse II tüüpi diabeedi ennetamise parandamiseks, sillutades teed täpsemale ja kaasavamale ravile diabeediriskiga patsientidele.