Kinikilala ng bagong modelo ng AI ang panganib sa diabetes bago lumabas ang mga abnormal na resulta ng pagsubok

Milyun-milyon ang maaaring walang kamalayan sa kanilang maagang panganib sa diabetes. Ipinapakita ng mga modelo ng AI kung bakit maaaring mas mahalaga ang pagtaas ng iyong asukal sa dugo kaysa sa mga resulta ng iyong pagsusuri.

Sa isang kamakailang papel na inilathala sa journal Nature Medicine, sinuri ng mga mananaliksik ang data mula sa higit sa 2,400 katao sa dalawang cohorts upang matukoy ang mga pattern ng glucose spike at bumuo ng mga personalized na glycemic risk profile.

Nakakita sila ng makabuluhang pagkakaiba sa mga pattern ng glucose spike sa pagitan ng mga taong may type 2 diabetes (T2D) at ng mga may prediabetes o normoglycemia. Ang kanilang multimodal risk model ay maaaring makatulong sa mga doktor na matukoy ang mga prediabetic na may mas mataas na panganib na magkaroon ng T2D.

Ang mga taong may T2DM ay nakaranas ng mas matinding nocturnal hypoglycemia at mas tumagal, sa average na higit sa 20 minuto, upang bumalik sa baseline na antas ng glucose pagkatapos ng mga spike - nagmumungkahi ng mga pangunahing pagkakaiba sa physiological.

Ang diyabetis at prediabetes ay nakakaapekto sa malaking proporsyon ng populasyon ng nasa hustong gulang sa US, ngunit ang mga karaniwang diagnostic na pagsusuri tulad ng glycated hemoglobin (HbA1c) at fasting glucose ay hindi nakakakuha ng ganap na kumplikado ng regulasyon ng glucose.

Maraming salik—stress, komposisyon ng microbiome, pagtulog, pisikal na aktibidad, genetika, diyeta, at edad—ay maaaring maka-impluwensya sa mga pagbabago ng glucose sa dugo, lalo na ang postprandial spike (tinukoy bilang mga pagtaas ng hindi bababa sa 30 mg/dL sa loob ng 90 minuto), na nangyayari kahit sa mga mukhang malusog na tao.

Noong nakaraan, ang mga pagkakaiba-iba na ito ay pinag-aralan gamit ang tuloy-tuloy na pagsubaybay sa glucose (CGM), ngunit ang kanilang saklaw ay madalas na limitado sa mga prediabetics at normoglycemic na mga indibidwal, at ang mga pag-aaral ay madalas na kulang sa representasyon ng mga makasaysayang hindi kinakatawan na mga grupo sa biomedical na pananaliksik.

Upang matugunan ang agwat na ito, ang pag-aaral ng PROGRESS ay nagsagawa ng isang nationwide, remote na klinikal na pagsubok na nagpatala ng 1,137 magkakaibang kalahok (48.1% mula sa mga pangkat na hindi gaanong kinakatawan sa biomedical na pananaliksik) na may normoglycemia at T2D sa loob ng 10 araw ng CGM, habang nangongolekta ng data sa komposisyon ng microbiome, genomics, tibok ng puso, pagtulog, diyeta, at aktibidad.

Ang multimodal na diskarte na ito ay nagpapahintulot para sa isang mas nuanced na pag-unawa sa glycemic control at interindividual variability sa glucose excursion.

Ang layunin ng pag-aaral ay lumikha ng komprehensibong glycemic na mga profile ng panganib na maaaring mapabuti ang maagang pagtuklas at interbensyon para sa mga prediabetic na nasa panganib ng pag-unlad sa diabetes, na nag-aalok ng isang personalized na alternatibo sa mga tradisyonal na diagnostic na mga hakbang tulad ng HbA1c.

Gumamit ang mga mananaliksik ng data mula sa dalawang cohorts: PROGRESS (isang digital clinical trial sa US) at HPP (isang observational study sa Israel). Naka-enroll ang PROGRESS ng mga nasa hustong gulang na may at walang T2D na sumailalim sa 10 araw ng CGM habang sabay-sabay na nangongolekta ng data sa gut microbiome, genomics, heart rate, pagtulog, diyeta, at aktibidad.

Ang pagkakaiba-iba ng gut microbiome (Shannon index) ay nagpakita ng direktang negatibong ugnayan sa mga average na antas ng glucose: mas mababa ang pagkakaiba-iba ng microbiota, mas malala ang kontrol ng glucose sa lahat ng mga grupo.

Kinokolekta din ng mga kalahok ang mga sample ng dumi, dugo, at laway sa bahay at ibinahagi ang kanilang mga elektronikong medikal na rekord. Kasama sa mga pamantayan sa pagbubukod ang kamakailang paggamit ng antibiotic, pagbubuntis, type 1 na diabetes, at iba pang mga salik na maaaring malito ang CGM o metabolic data. Ang recruitment ng kalahok ay ganap na isinagawa nang malayuan sa pamamagitan ng social media at mga imbitasyon batay sa mga elektronikong medikal na rekord.

Ang data ng CGM ay naproseso sa mga minutong agwat, at ang mga glucose spike ay tinukoy gamit ang mga preset na threshold. Anim na pangunahing sukatan ng glycemic ang kinakalkula, kabilang ang average na glucose, oras sa hyperglycemia, at tagal ng spike.

Ang data ng pamumuhay ay nakolekta gamit ang isang food diary app at mga naisusuot na tracker. Ang data ng genomic at microbiome ay nasuri gamit ang mga karaniwang pamamaraan, at ang mga pinagsama-samang sukatan tulad ng mga marka ng panganib ng polygenic at mga indeks ng pagkakaiba-iba ng microbiome ay kinakalkula.

Ang isang modelo para sa T2DM risk assessment gamit ang multimodal data (demographics, anthropometry, CGM, diet, at microbiome) ay ginawa pagkatapos gamit ang machine learning at ang pagganap nito ay nasubok sa PROGRESS at HPP cohorts. Ang pagsusuri sa istatistika ay gumamit ng pagsusuri ng covariance, Spearman correlations, at bootstrapping upang subukan ang kahalagahan at suriin ang modelo.

Sa 1137 kasama ang mga kalahok, 347 ang kasama sa huling pagsusuri: 174 na may normoglycemia, 79 na may prediabetes, at 94 na may T2DM.

Natuklasan ng mga mananaliksik ang mga makabuluhang pagkakaiba sa mga sukatan ng glucose spike sa pagitan ng mga kondisyon: nocturnal hypoglycemia, spike resolution time, average glucose, at oras sa hyperglycemia. Ang pinakamalaking pagkakaiba ay sa pagitan ng T2DM at ng iba pang mga grupo, na may mga prediabetic na istatistika na mas malapit sa normoglycemia kaysa sa T2DM para sa mga pangunahing sukatan tulad ng spike frequency at intensity.

Ang pagkakaiba-iba ng microbiome ay negatibong nauugnay sa karamihan ng mga sukatan ng glucose spike, na nagmumungkahi na ang isang malusog na microbiome ay nauugnay sa mas mahusay na kontrol ng glucose.

Ang mas mataas na resting heart rate, body mass index, at HbA1c ay nauugnay sa mas masahol na mga resulta ng glycemic, habang ang pisikal na aktibidad ay nauugnay sa mas kanais-nais na mga pattern ng glucose. Kapansin-pansin, ang mas mataas na paggamit ng carbohydrate ay nauugnay sa mas mabilis na paglutas ng peak, ngunit din sa mas madalas at matinding mga spike.

Ang koponan ay bumuo ng isang binary classification model batay sa multimodal data na nagdidiskrimina sa pagitan ng normoglycemia at T2DM na may mataas na katumpakan. Kapag inilapat sa isang panlabas na cohort (HPP), napanatili ng modelo ang mataas na pagganap at matagumpay na natukoy ang makabuluhang pagkakaiba-iba sa mga antas ng panganib sa mga prediabetic na may katulad na mga halaga ng HbA1c.

Iminumungkahi ng mga resultang ito na ang multimodal glycemic profiling ay maaaring mapabuti ang paghula sa panganib at indibidwal na pagsubaybay kumpara sa mga karaniwang pamamaraan ng diagnostic, lalo na para sa prediabetes.

Itinatampok ng pag-aaral na ang mga tradisyunal na diagnostic ng diabetes tulad ng HbA1c ay hindi sumasalamin sa mga indibidwal na katangian ng metabolismo ng glucose.

Gamit ang CGM sa kumbinasyon ng multimodal data (genomics, lifestyle, microbiome), ang mga mananaliksik ay nakakita ng mga makabuluhang pagkakaiba sa glucose excursion sa pagitan ng normoglycemia, prediabetes, at T2DM, na may prediabetes na nagpapakita ng higit na pagkakapareho sa normoglycemia kaysa sa T2DM sa isang bilang ng mga pangunahing hakbang.

Ang binuo na modelo ng panganib na nakabatay sa pag-aaral ng makina, na napatunayan sa isang panlabas na pangkat, ay nagsiwalat ng malawak na pagkakaiba-iba ng panganib sa mga prediabetic na may katulad na mga halaga ng HbA1c, na nagpapatunay sa karagdagang halaga nito kumpara sa mga tradisyonal na pamamaraan.

Kabilang sa mga kalakasan ng pag-aaral ang desentralisado, magkakaibang PROGRESS cohort (48.1% mula sa mga grupong kulang sa representasyon) at ang koleksyon ng data na "real-world". Gayunpaman, kasama sa mga limitasyon ang potensyal na bias dahil sa mga pagkakaiba ng device, mga kamalian sa pag-uulat sa sarili, mga kahirapan sa pagpapanatili ng talaarawan ng pagkain, at paggamit ng mga gamot na hypoglycemic.

Ang mas malaking validation at longitudinal na pag-aaral ay kailangan para kumpirmahin ang prognostic na benepisyo at klinikal na kahalagahan.

Sa huli, ipinapakita ng pag-aaral na ito ang potensyal ng malayuang multimodal na pagkolekta ng data upang mapabuti ang maagang pagtuklas, prediabetes risk stratification, at personalized na pag-iwas sa T2D, na nagbibigay ng daan para sa mas tumpak at napapabilang na pangangalaga para sa mga pasyenteng nasa panganib para sa diabetes.