Nový model umělé inteligence identifikuje riziko cukrovky dříve, než se objeví abnormální výsledky testů

Miliony lidí si možná neuvědomují své rané riziko vzniku cukrovky. Modely s umělou inteligencí ukazují, proč mohou být vaše prudké zvýšení hladiny cukru v krvi důležitější než výsledky testů.

V nedávném článku publikovaném v časopise Nature Medicine analyzovali vědci data od více než 2 400 lidí ve dvou kohortách, aby identifikovali vzorce glukózových skoků a vytvořili personalizované profily glykemického rizika.

Zjistili významné rozdíly ve vzorcích glukózových skoků mezi lidmi s diabetem 2. typu (DM2) a těmi s prediabetem nebo normoglykémií. Jejich multimodální model rizika by mohl lékařům pomoci identifikovat prediabetiky s vyšším rizikem vzniku DM2.

Lidé s diabetem 2. typu zažívali závažnější noční hypoglykémii a trvalo jim déle, v průměru více než 20 minut, než se po prudkých výkyvech vrátili k výchozím hladinám glukózy – což naznačuje klíčové fyziologické rozdíly.

Diabetes a prediabetes postihují významnou část dospělé populace v USA, přesto standardní diagnostické testy, jako je glykovaný hemoglobin (HbA1c) a hladina glukózy nalačno, nezachycují celou složitost regulace glukózy.

Mnoho faktorů – stres, složení mikrobiomu, spánek, fyzická aktivita, genetika, strava a věk – může ovlivnit výkyvy hladiny glukózy v krvi, zejména postprandiální skoky (definované jako zvýšení o alespoň 30 mg/dl během 90 minut), ke kterým dochází i u zdánlivě zdravých lidí.

Dříve byly tyto variace studovány pomocí kontinuálního monitorování glukózy (CGM), ale jejich pokrytí bylo často omezeno na prediabetiky a normoglykemické jedince a studie často postrádaly zastoupení historicky nedostatečně zastoupených skupin v biomedicínském výzkumu.

Aby se tento nedostatek vyřešil, provedla studie PROGRESS celostátní, vzdálenou klinickou studii, do které se zapojilo 1137 různých účastníků (48,1 % ze skupin historicky nedostatečně zastoupených v biomedicínském výzkumu) s normoglykémií a diabetem 2. typu po dobu 10 dnů nekoncentrovaného měřicího monitorování (CGM), přičemž se shromažďovaly údaje o složení mikrobiomu, genomice, srdeční frekvenci, spánku, stravě a aktivitě.

Tento multimodální přístup umožnil podrobnější pochopení kontroly glykémie a interindividuální variability glukózových výkyvů.

Cílem studie bylo vytvořit komplexní profily glykemického rizika, které by mohly zlepšit včasnou detekci a intervenci u prediabetiků s rizikem progrese do diabetu a nabídnout personalizovanou alternativu k tradičním diagnostickým měřením, jako je HbA1c.

Výzkumníci použili data ze dvou kohort: PROGRESS (digitální klinická studie v USA) a HPP (observační studie v Izraeli). Do studie PROGRESS byli zařazeni dospělí s diabetem 2. typu i bez něj, kteří podstoupili 10denní kontinuální měřicí metronidaci (CGM), a současně shromažďovali data o střevním mikrobiomu, genomice, srdeční frekvenci, spánku, stravě a aktivitě.

Rozmanitost střevního mikrobiomu (Shannonův index) vykazovala přímou negativní korelaci s průměrnými hladinami glukózy: čím méně rozmanitá byla mikrobiota, tím horší byla kontrola glukózy ve všech skupinách.

Účastníci také doma odebírali vzorky stolice, krve a slin a sdíleli své elektronické zdravotní záznamy. Mezi kritéria pro vyloučení patřilo nedávné užívání antibiotik, těhotenství, diabetes 1. typu a další faktory, které by mohly zkreslit data z CGM nebo metabolické údaje. Nábor účastníků probíhal výhradně na dálku prostřednictvím sociálních médií a pozvánek na základě elektronických zdravotních záznamů.

Data CGM byla zpracovávána v minutových intervalech a glukózové vrcholy byly definovány pomocí přednastavených prahových hodnot. Bylo vypočítáno šest klíčových glykemických metrik, včetně průměrné glukózy, doby hyperglykémie a trvání vrcholu.

Data o životním stylu byla shromažďována pomocí aplikace pro denní spotřebu jídla a nositelných trackerů. Genomická a mikrobiomová data byla analyzována standardními metodami a byly vypočítány kompozitní metriky, jako jsou skóre polygenního rizika a indexy diverzity mikrobiomu.

Následně byl pomocí strojového učení vytvořen model pro hodnocení rizika diabetu 2. typu s využitím multimodálních dat (demografické údaje, antropometrie, CGM, strava a mikrobiom) a jeho výkonnost byla testována v kohortách PROGRESS a HPP. Statistická analýza využila analýzu kovariance, Spearmanových korelací a bootstrappingu k testování významnosti a vyhodnocení modelu.

Z 1137 zařazených účastníků bylo do konečné analýzy zahrnuto 347: 174 s normoglykémií, 79 s prediabetem a 94 s diabetem 2. typu.

Výzkumníci zjistili významné rozdíly v metrikách glykemických vrcholů mezi různými stavy: noční hypoglykémie, doba odeznění vrcholů, průměrná glukóza a doba hyperglykémie. Největší rozdíly byly mezi diabetem 2. typu a ostatními skupinami, přičemž prediabetici byli statisticky blíže normoglykémii než diabetes 2. typu v klíčových metrikách, jako je frekvence a intenzita vrcholů.

Rozmanitost mikrobiomu negativně korelovala s většinou metrik glukózových vrcholů, což naznačuje, že zdravý mikrobiom je spojen s lepší kontrolou glukózy.

Vyšší klidová tepová frekvence, index tělesné hmotnosti a HbA1c byly spojeny s horšími glykemickými výsledky, zatímco fyzická aktivita byla spojena s příznivějšími glykemickými vzorci. Je zajímavé, že vyšší příjem sacharidů byl spojen s rychlejším odezněním vrcholů, ale také s častějšími a intenzivnějšími výkyvy.

Tým vyvinul binární klasifikační model založený na multimodálních datech, který s vysokou přesností rozlišoval mezi normoglykémií a diabetem 2. typu. Při aplikaci na externí kohortu (HPP) si model zachoval vysokou výkonnost a úspěšně identifikoval významnou variabilitu v úrovních rizika u prediabetiků s podobnými hodnotami HbA1c.

Tyto výsledky naznačují, že multimodální glykemické profilování může zlepšit predikci rizika a individuální monitorování ve srovnání se standardními diagnostickými metodami, zejména u prediabetu.

Studie zdůrazňuje, že tradiční diagnostika diabetu, jako je HbA1c, neodráží individuální charakteristiky metabolismu glukózy.

Pomocí CGM v kombinaci s multimodálními daty (genomika, životní styl, mikrobiom) vědci zjistili významné rozdíly ve výkyvech glukózy mezi normoglykémií, prediabetem a diabetem 2. typu, přičemž prediabetes vykazoval větší podobnost s normoglykémií než diabetem 2. typu v řadě klíčových ukazatelů.

Vyvinutý model rizika založený na strojovém učení, validovaný v externí kohortě, odhalil širokou variabilitu rizika u prediabetiků s podobnými hodnotami HbA1c, což potvrzuje jeho přidanou hodnotu ve srovnání s tradičními metodami.

Mezi silné stránky studie patří decentralizovaná a rozmanitá kohorta PROGRESS (48,1 % z nedostatečně zastoupených skupin) a sběr dat „z reálného světa“. Mezi omezení však patří potenciální zkreslení v důsledku rozdílů v zařízeních, nepřesnosti v subjektivním hlášení, obtíže s vedením potravinového deníku a užívání hypoglykemických léků.

Pro potvrzení prognostického přínosu a klinického významu jsou zapotřebí rozsáhlejší validační a longitudinální studie.

Tato studie v konečném důsledku demonstruje potenciál vzdáleného multimodálního sběru dat pro zlepšení včasné detekce, stratifikace rizika prediabetu a personalizované prevence diabetu 2. typu, což připravuje cestu pro přesnější a inkluzivnější péči o pacienty s rizikem diabetu.