Нова модель штучного інтелекту визначає ризик діабету до появи аномальних результатів аналізів

Мільйони людей можуть не знати про свій ранній ризик розвитку діабету. Моделі штучного інтелекту показують, чому різкі підвищення рівня цукру в крові можуть мати більше значення, ніж результати аналізів.

У нещодавній статті, опублікованій у журналі Nature Medicine, дослідники проаналізували дані понад 2400 осіб із двох когорт, щоб виявити закономірності стрибків глюкози та розробити персоналізовані профілі глікемічного ризику.

Вони виявили значні відмінності в характері піків рівня глюкози між людьми з діабетом 2 типу (ЦД2) та тими, хто має переддіабет або нормоглікемію. Їхня мультимодальна модель ризику може допомогти лікарям виявити переддіабетиків з вищим ризиком розвитку ЦД2.

Люди з цукровим діабетом 2 типу відчували більш важку нічну гіпоглікемію та потребували більше часу, в середньому понад 20 хвилин, щоб повернутися до вихідного рівня глюкози після піків, що свідчить про ключові фізіологічні відмінності.

Діабет та переддіабет вражають значну частину дорослого населення США, проте стандартні діагностичні тести, такі як глікований гемоглобін (HbA1c) та рівень глюкози натщесерце, не охоплюють усієї складності регуляції глюкози.

Багато факторів — стрес, склад мікробіома, сон, фізична активність, генетика, дієта та вік — можуть впливати на коливання рівня глюкози в крові, особливо на постпрандіальні піки (визначені як підвищення щонайменше на 30 мг/дл протягом 90 хвилин), які трапляються навіть у, здавалося б, здорових людей.

Раніше ці варіації вивчалися за допомогою безперервного моніторингу глюкози (БМГ), але їх охоплення часто обмежувалося особами з переддіабетом та нормоглікемією, а дослідження часто не враховували історично недостатньо представлених груп у біомедичних дослідженнях.

Щоб усунути цю прогалину, у дослідженні PROGRESS було проведено загальнонаціональне дистанційне клінічне випробування, в якому взяли участь 1137 різних учасників (48,1% з груп, які історично були недостатньо представлені в біомедичних дослідженнях) з нормоглікемією та цукровим діабетом 2 типу протягом 10 днів неперервного моніторингу крові (НМГ), одночасно збираючи дані про склад мікробіома, геноміку, частоту серцевих скорочень, сон, дієту та активність.

Такий мультимодальний підхід дозволив отримати більш тонке розуміння глікемічного контролю та міжіндивідуальної варіабельності коливань рівня глюкози.

Метою дослідження було створення комплексних профілів глікемічного ризику, які могли б покращити раннє виявлення та втручання для переддіабетиків з ризиком прогресування до діабету, пропонуючи персоналізовану альтернативу традиційним діагностичним заходам, таким як HbA1c.

Дослідники використовували дані двох когорт: PROGRESS (цифрове клінічне дослідження в США) та HPP (обсерваційне дослідження в Ізраїлі). У PROGRESS взяли участь дорослі з цукровим діабетом 2 типу та без нього, які пройшли 10 днів неперервного моніторингу глікемічного аналізу (НГМ), одночасно збираючи дані про кишковий мікробіом, геноміку, частоту серцевих скорочень, сон, дієту та активність.

Різноманітність кишкового мікробіома (індекс Шеннона) показала пряму негативну кореляцію із середнім рівнем глюкози: чим менш різноманітна мікробіота, тим гірший контроль глюкози в усіх групах.

Учасники також збирали зразки калу, крові та слини вдома та ділилися своїми електронними медичними записами. Критерії виключення включали нещодавнє вживання антибіотиків, вагітність, діабет 1 типу та інші фактори, які могли спотворити дані CGM або метаболічні дані. Набір учасників проводився повністю дистанційно через соціальні мережі та запрошення на основі електронних медичних записів.

Дані CGM оброблялися з хвилинними інтервалами, а піки глюкози визначалися за допомогою попередньо встановлених порогових значень. Було розраховано шість ключових глікемічних показників, включаючи середній рівень глюкози, час гіперглікемії та тривалість піку.

Дані про спосіб життя збирали за допомогою програми для ведення харчового щоденника та портативних трекерів. Геномні та мікробіомні дані аналізували за допомогою стандартних методів, а також розраховували складні показники, такі як показники полігенного ризику та індекси різноманітності мікробіому.

Потім за допомогою машинного навчання була побудована модель оцінки ризику цукрового діабету 2 типу з використанням мультимодальних даних (демографія, антропометрія, неконтрольований глюкозний моніторинг, дієта та мікробіом), а її ефективність була перевірена в когортах PROGRESS та HPP. Статистичний аналіз використовував аналіз коваріації, кореляції Спірмена та бутстрепінг для перевірки значущості та оцінки моделі.

З 1137 учасників, включених до остаточного аналізу, 347 були включені: 174 з нормоглікемією, 79 з переддіабетом та 94 з цукровим діабетом 2 типу.

Дослідники виявили значні відмінності в показниках піків глюкози між різними станами: нічна гіпоглікемія, час вирішення піків, середній рівень глюкози та час гіперглікемії. Найбільші відмінності були між ЦД2 та іншими групами, причому переддіабетики статистично ближче до нормоглікемії, ніж ЦД2 за ключовими показниками, такими як частота та інтенсивність піків.

Різноманітність мікробіому негативно корелювала з більшістю показників піків глюкози, що свідчить про те, що здоровий мікробіом пов'язаний з кращим контролем глюкози.

Вища частота серцевих скорочень у стані спокою, індекс маси тіла та HbA1c були пов'язані з гіршими глікемічними показниками, тоді як фізична активність була пов'язана з більш сприятливими показниками рівня глюкози. Цікаво, що вище споживання вуглеводів було пов'язане зі швидшим вирішенням піків, а також з більш частими та інтенсивними сплесками.

Команда розробила бінарну класифікаційну модель на основі мультимодальних даних, яка з високою точністю розрізняла нормоглікемію та цукровий діабет 2 типу. При застосуванні до зовнішньої когорти (ЗК) модель зберегла високу ефективність та успішно виявила значну варіабельність рівнів ризику серед переддіабетиків з подібними значеннями HbA1c.

Ці результати свідчать про те, що мультимодальне глікемічний профіль може покращити прогнозування ризику та індивідуальний моніторинг порівняно зі стандартними діагностичними методами, особливо для переддіабету.

Дослідження підкреслює, що традиційна діагностика діабету, така як HbA1c, не відображає індивідуальних особливостей метаболізму глюкози.

Використовуючи НГМ у поєднанні з мультимодальними даними (геноміка, спосіб життя, мікробіом), дослідники виявили значні відмінності у рівнях глюкози між нормоглікемією, переддіабетом та цукровим діабетом 2 типу, причому переддіабет демонстрував більшу схожість з нормоглікемією, ніж з цукровим діабетом 2 типу, за низкою ключових показників.

Розроблена модель ризику на основі машинного навчання, валідована в зовнішній когорті, виявила значну варіацію ризику серед переддіабетиків з подібними значеннями HbA1c, що підтверджує її додаткову цінність порівняно з традиційними методами.

Сильними сторонами дослідження є децентралізована, різноманітна когортна група PROGRESS (48,1% з недостатньо представлених груп) та збір даних з «реального світу». Однак обмеження включають потенційну упередженість через відмінності в пристроях, неточності в самозвітності, труднощі з веденням харчового щоденника та використання гіпоглікемічних препаратів.

Для підтвердження прогностичної користі та клінічної значущості необхідні масштабніші валідаційні та поздовжні дослідження.

Зрештою, це дослідження демонструє потенціал дистанційного мультимодального збору даних для покращення раннього виявлення, стратифікації ризику переддіабету та персоналізованої профілактики цукрового діабету 2 типу, що відкриває шлях для більш точного та інклюзивного догляду за пацієнтами з ризиком розвитку діабету.