Naujas dirbtinio intelekto modelis nustato diabeto riziką dar prieš pasirodant nenormaliems tyrimų rezultatams

Milijonai žmonių gali nežinoti apie ankstyvą diabeto riziką. Dirbtinio intelekto modeliai rodo, kodėl cukraus kiekio kraujyje šuoliai gali būti svarbesni nei tyrimų rezultatai.

Neseniai žurnale „Nature Medicine“ paskelbtame straipsnyje tyrėjai išanalizavo daugiau nei 2400 žmonių, dalyvavusių dviejose kohortose, duomenis, kad nustatytų gliukozės šuolių modelius ir sukurtų asmeninius glikemijos rizikos profilius.

Jie nustatė reikšmingus gliukozės kiekio šuolių modelių skirtumus tarp žmonių, sergančių 2 tipo diabetu (T2D), ir tų, kuriems yra prediabetas arba norminė gliukozės koncentracija. Jų multimodalinis rizikos modelis galėtų padėti gydytojams nustatyti prediabetinius asmenis, kuriems yra didesnė T2D išsivystymo rizika.

Sergantiems 2 tipo cukriniu diabetu žmonėms pasireiškė sunkesnė naktinė hipoglikemija ir jiems prireikė daugiau laiko, vidutiniškai daugiau nei 20 minučių, kad po šuolių grįžtų į pradinį gliukozės kiekį, o tai rodo esminius fiziologinius skirtumus.

Diabetas ir prediabetas paveikia didelę dalį JAV suaugusiųjų gyventojų, tačiau standartiniai diagnostiniai tyrimai, tokie kaip glikuotas hemoglobinas (HbA1c) ir gliukozės kiekis nevalgius, neatspindi viso gliukozės reguliavimo sudėtingumo.

Daugelis veiksnių – stresas, mikrobiomo sudėtis, miegas, fizinis aktyvumas, genetika, mityba ir amžius – gali turėti įtakos gliukozės kiekio kraujyje svyravimams, ypač po valgio pasireiškiantiems šuoliams (apibrėžiamiems kaip padidėjimas bent 30 mg/dl per 90 minučių), kurie pasireiškia net ir, atrodytų, sveikiems žmonėms.

Anksčiau šie skirtumai buvo tirti naudojant nuolatinį gliukozės kiekio kraujyje stebėjimą (CGM), tačiau jų aprėptis dažnai apsiribojo prediabetiniais ir norminio glikemijos lygio pacientais, o tyrimuose dažnai trūko istoriškai nepakankamai atstovaujamų grupių biomedicininiuose tyrimuose.

Siekiant užpildyti šią spragą, PROGRESS tyrimo metu buvo atliktas visoje šalyje nuotolinis klinikinis tyrimas, kuriame dalyvavo 1137 įvairūs dalyviai (48,1 % iš grupių, kurios istoriškai buvo nepakankamai atstovaujamos biomedicininiuose tyrimuose), kurių gliukozės kiekis kraujyje buvo normalus ir kuriems buvo diagnozuotas 2 tipo cukrinis diabetas, per 10 dienų nuolatinės gliukozės koncentracijos kraujyje stebėjimo (CGM) duomenis renkant apie mikrobiomo sudėtį, genomiką, širdies ritmą, miegą, mitybą ir aktyvumą.

Šis multimodalinis metodas leido geriau suprasti glikemijos kontrolę ir gliukozės kiekio kraujyje kintamumą tarp individų.

Tyrimo tikslas buvo sukurti išsamius glikemijos rizikos profilius, kurie galėtų pagerinti ankstyvą prediabetinių pacientų, kuriems yra rizika progresuoti iki diabeto, nustatymą ir intervenciją, siūlant suasmenintą alternatyvą tradicinėms diagnostinėms priemonėms, tokioms kaip HbA1c.

Tyrėjai panaudojo duomenis iš dviejų kohortų: PROGRESS (skaitmeninio klinikinio tyrimo JAV) ir HPP (stebėjimo tyrimo Izraelyje). PROGRESS tyrime dalyvavo suaugusieji, sergantys ir nesergantys II tipo cukriniu diabetu, kuriems 10 dienų buvo atlikta nuolatinė gliukozės matavimo sistema (CGM), tuo pačiu metu renkant duomenis apie žarnyno mikrobiomą, genomiką, širdies ritmą, miegą, mitybą ir aktyvumą.

Žarnyno mikrobiomo įvairovė (Šenono indeksas) parodė tiesioginę neigiamą koreliaciją su vidutiniu gliukozės kiekiu: kuo mažesnė mikrobiota įvairovė, tuo blogesnė gliukozės kontrolė visose grupėse.

Dalyviai taip pat namuose rinko išmatų, kraujo ir seilių mėginius ir pasidalijo savo elektroniniais medicininiais įrašais. Išskyrimo kriterijai buvo neseniai vartojami antibiotikai, nėštumas, 1 tipo diabetas ir kiti veiksniai, galintys paveikti nuolatinio gliukozės kiekio kraujyje matavimo ar medžiagų apykaitos duomenis. Dalyvių atranka buvo vykdoma visiškai nuotoliniu būdu per socialinius tinklus ir kvietimus, pagrįstus elektroniniais medicininiais įrašais.

CGM duomenys buvo apdorojami minučių intervalais, o gliukozės kiekio šuoliai buvo apibrėžti naudojant iš anksto nustatytas ribas. Buvo apskaičiuoti šeši pagrindiniai glikemijos rodikliai, įskaitant vidutinį gliukozės kiekį, hiperglikemijos laiką ir šuolio trukmę.

Gyvenimo būdo duomenys buvo renkami naudojant maisto dienoraščio programėlę ir nešiojamus sekiklius. Genominiai ir mikrobiominiai duomenys buvo analizuojami naudojant standartinius metodus, ir buvo apskaičiuoti sudėtiniai rodikliai, tokie kaip poligeninės rizikos balai ir mikrobiomo įvairovės indeksai.

Naudojant mašininį mokymąsi, buvo sukurtas II tipo diabeto rizikos vertinimo modelis, naudojant multimodalinius duomenis (demografinius, antropometrinius, nuolatinio gliukozės kiekio kraujyje (CGM), mitybą ir mikrobiomą), o jo veikimas buvo patikrintas PROGRESS ir HPP kohortose. Statistinėje analizėje reikšmingumui patikrinti ir modeliui įvertinti buvo naudojama kovariacijos analizė, Spearmano koreliacijos ir „bootstrap“ metodas.

Iš 1137 įtrauktų dalyvių 347 buvo įtraukti į galutinę analizę: 174 buvo nustatyta normoglikemija, 79 – prediabetas ir 94 – 2 tipo cukrinis diabetas.

Tyrėjai nustatė reikšmingus gliukozės kiekio šuolio rodiklių skirtumus tarp šių būklių: naktinės hipoglikemijos, šuolio išnykimo laiko, vidutinės gliukozės koncentracijos ir hiperglikemijos trukmės. Didžiausi skirtumai buvo tarp 2 tipo diabeto ir kitų grupių: prediabetikų glikemija pagal pagrindinius rodiklius, tokius kaip šuolio dažnis ir intensyvumas, buvo statistiškai artimesnė normos reikšmei nei 2 tipo diabetu sergančių pacientų.

Mikrobiomo įvairovė neigiamai koreliavo su dauguma gliukozės kiekio šuolio rodiklių, o tai rodo, kad sveikas mikrobiomas yra susijęs su geresne gliukozės kontrole.

Didesnis ramybės būsenos širdies susitraukimų dažnis, kūno masės indeksas ir HbA1c buvo susiję su blogesniais glikemijos rezultatais, o fizinis aktyvumas – su palankesniais gliukozės kiekio pokyčiais. Įdomu tai, kad didesnis angliavandenių suvartojimas buvo susijęs su greitesniu pikų išnykimu, bet taip pat su dažnesniais ir intensyvesniais šuoliais.

Komanda sukūrė dvejetainį klasifikavimo modelį, pagrįstą multimodaliniais duomenimis, kuris labai tiksliai atskyrė normoglikemiją nuo 2 tipo diabeto. Taikant išorinei kohortai (HPP), modelis išlaikė aukštą našumą ir sėkmingai nustatė reikšmingą rizikos lygių kintamumą tarp prediabetinių pacientų, kurių HbA1c vertės buvo panašios.

Šie rezultatai rodo, kad multimodalinis glikemijos profiliavimas gali pagerinti rizikos prognozavimą ir individualų stebėjimą, palyginti su standartiniais diagnostikos metodais, ypač prediabeto atveju.

Tyrime pabrėžiama, kad tradicinė diabeto diagnostika, pvz., HbA1c nustatymas, neatspindi individualių gliukozės metabolizmo ypatybių.

Naudodami nuolatinį gliukozės kiekio kraujyje matavimą (CGM) kartu su multimodaliniais duomenimis (genomikos, gyvenimo būdo, mikrobiomo), tyrėjai nustatė reikšmingus gliukozės kiekio kraujyje skirtumus tarp normoglikemijos, prediabeto ir II tipo diabeto, o prediabetas pagal daugelį pagrindinių rodiklių parodė didesnį panašumą į normoglikemiją nei II tipo diabetas.

Sukurtas mašininio mokymosi pagrindu sukurtas rizikos modelis, patvirtintas išorinėje kohortoje, atskleidė didelius rizikos skirtumus tarp prediabetikų, kurių HbA1c vertės yra panašios, ir patvirtino jo papildomą vertę, palyginti su tradiciniais metodais.

Tyrimo stipriosios pusės yra decentralizuota, įvairi PROGRESS kohorta (48,1 % iš nepakankamai atstovaujamų grupių) ir „realaus pasaulio“ duomenų rinkimas. Tačiau yra apribojimų, įskaitant galimą šališkumą dėl prietaisų skirtumų, netikslumus savarankiškai teikiant duomenis, sunkumus pildant maisto dienoraštį ir hipoglikeminių vaistų vartojimą.

Norint patvirtinti prognostinę naudą ir klinikinę reikšmę, reikalingi didesni patvirtinimo ir išilginiai tyrimai.

Galiausiai šis tyrimas parodo nuotolinio multimodalinio duomenų rinkimo potencialą pagerinti ankstyvą nustatymą, prediabetinės rizikos stratifikaciją ir individualizuotą 2 tipo diabeto prevenciją, taip sudarant sąlygas tikslesnei ir įtraukesnei pacientų, kuriems gresia diabetas, priežiūrai.