Uusi tekoälymalli tunnistaa diabetesriskin ennen poikkeavien testitulosten ilmestymistä

Miljoonat saattavat olla tietämättömiä varhaisesta diabetesriskistään. Tekoälymallit osoittavat, miksi verensokerin nousulla voi olla suurempi merkitys kuin testituloksilla.

Nature Medicine -lehdessä julkaistussa tuoreessa artikkelissa tutkijat analysoivat yli 2 400 ihmisen tietoja kahdessa eri kohortissa tunnistaakseen glukoosipiikkikuvioita ja kehittääkseen yksilöllisiä glykeemisiä riskiprofiileja.

He havaitsivat merkittäviä eroja glukoosipitoisuuksien nousumalleissa tyypin 2 diabeetikkojen (T2D) ja prediabeteksen tai normoglykemian välillä. Heidän multimodaalinen riskimallinsa voisi auttaa lääkäreitä tunnistamaan prediabeteksen potilaat, joilla on suurempi riski sairastua tyypin 2 diabetekseen.

Tyypin 2 diabetesta sairastavilla ihmisillä oli vakavampaa yöllistä hypoglykemiaa, ja heidän glukoosipitoisuuksiensa palautuminen lähtötasolle piikkien jälkeen kesti kauemmin, keskimäärin yli 20 minuuttia, mikä viittaa keskeisiin fysiologisiin eroihin.

Diabetes ja esidiabetes vaikuttavat merkittävään osaan Yhdysvaltain aikuisväestöstä, mutta tavanomaiset diagnostiset testit, kuten glykoitunut hemoglobiini (HbA1c) ja paastoverensokeri, eivät kuvaa glukoosin säätelyn koko monimutkaisuutta.

Monet tekijät – stressi, mikrobiomin koostumus, uni, fyysinen aktiivisuus, genetiikka, ruokavalio ja ikä – voivat vaikuttaa verensokerin vaihteluihin, erityisesti aterianjälkeisiin piikkeihin (määriteltynä vähintään 30 mg/dl:n nousuna 90 minuutin kuluessa), joita esiintyy jopa näennäisesti terveillä ihmisillä.

Näitä vaihteluita on aiemmin tutkittu jatkuvalla glukoosiseurannalla (CGM), mutta niiden kattavuus on usein rajoittunut prediabetesta ja normoglykeemisiin henkilöihin, ja tutkimuksissa on usein puuttunut historiallisesti aliedustettujen ryhmien edustus biolääketieteellisessä tutkimuksessa.

Tämän puutteen täyttämiseksi PROGRESS-tutkimuksessa toteutettiin valtakunnallinen, etänä toteutettu kliininen tutkimus, johon osallistui 1 137 erilaista normoglykemiaa ja tyypin 2 diabetesta sairastavaa osallistujaa (48,1 % ryhmistä, jotka olivat historiallisesti aliedustettuina biolääketieteellisessä tutkimuksessa) 10 päivän jatkuvan glukoosinseurantaohjelman aikana. Tutkimuksessa kerättiin tietoja mikrobiomin koostumuksesta, genomista, sykkeestä, unesta, ruokavaliosta ja aktiivisuudesta.

Tämä multimodaalinen lähestymistapa mahdollisti vivahteikkaamman ymmärryksen glykeemisestä kontrollista ja glukoosipoikkeamien yksilöllisestä vaihtelusta.

Tutkimuksen tavoitteena oli luoda kattavia glykeemisiä riskiprofiileja, jotka voisivat parantaa diabeteksen etenemisen riskissä olevien prediabeetikkojen varhaista havaitsemista ja hoitoa, tarjoten yksilöllisen vaihtoehdon perinteisille diagnostisille toimenpiteille, kuten HbA1c-mittaukselle.

Tutkijat käyttivät tietoja kahdesta kohorttista: PROGRESSista (digitaalinen kliininen tutkimus Yhdysvalloissa) ja HPP:stä (havainnointitutkimus Israelissa). PROGRESS-tutkimukseen osallistui aikuisia, joilla oli ja joilla ei ollut tyypin 2 diabetesta, joille tehtiin 10 päivän jatkuva jatkuva seuranta (GCM) ja samanaikaisesti kerättiin tietoja suoliston mikrobiomista, genomista, sykkeestä, unesta, ruokavaliosta ja aktiivisuudesta.

Suoliston mikrobiomin monimuotoisuus (Shannon-indeksi) osoitti suoraa negatiivista korrelaatiota keskimääräisten glukoositasojen kanssa: mitä vähemmän monimuotoinen mikrobisto oli, sitä huonompi oli glukoositasapaino kaikissa ryhmissä.

Osallistujat keräsivät myös uloste-, veri- ja sylkinäytteitä kotona ja jakoivat sähköiset potilastietonsa. Poissulkukriteereihin kuuluivat äskettäinen antibioottien käyttö, raskaus, tyypin 1 diabetes ja muut tekijät, jotka saattoivat sekoittaa jatkuvan glukoosimonitorin tai aineenvaihduntatietojen tietoja. Osallistujien rekrytointi tehtiin kokonaan etänä sosiaalisen median ja sähköisiin potilastietoihin perustuvien kutsujen kautta.

Jatkuvan glukoosin määritys (CSM) tehtiin minuutin välein, ja glukoosipiikit määriteltiin ennalta asetettujen kynnysarvojen avulla. Laskettiin kuusi keskeistä glykeemistä mittaria, mukaan lukien keskimääräinen glukoosi, hyperglykemian kesto ja piikin kesto.

Elämäntapatietoja kerättiin ruokapäiväkirjasovelluksen ja puettavien seurantalaitteiden avulla. Genomi- ja mikrobiomidataa analysoitiin standardimenetelmillä, ja laskettiin yhdistelmämittareita, kuten polygeeniset riskipisteet ja mikrobiomin monimuotoisuusindeksit.

Koneoppimisen avulla rakennettiin malli tyypin 2 diabeteksen riskinarviointiin, joka hyödyntää multimodaalista dataa (demografia, antropometria, jatkuva glukoosipitoisuus, ruokavalio ja mikrobiomi), ja sen suorituskykyä testattiin PROGRESS- ja HPP-kohorteissa. Tilastollisessa analyysissä käytettiin kovarianssianalyysia, Spearmanin korrelaatioita ja bootstrap-menetelmää merkitsevyyden testaamiseen ja mallin arviointiin.

Tutkimukseen osallistuneista 1137 henkilöstä 347 otettiin mukaan lopulliseen analyysiin: 174:llä oli normoglykemia, 79:llä prediabetes ja 94:llä tyypin 2 diabetes.

Tutkijat havaitsivat merkittäviä eroja glukoosipitoisuuksien piikkien mittareissa eri tilojen välillä: yöllinen hypoglykemia, piikkien häviämisaika, keskimääräinen glukoosi ja hyperglykemian kesto. Suurimmat erot olivat tyypin 2 diabeteksen ja muiden ryhmien välillä, ja prediabeetikoilla oli tilastollisesti lähempänä normoglykemiaa kuin tyypin 2 diabeteksella keskeisissä mittareissa, kuten piikkien esiintymistiheydessä ja voimakkuudessa.

Mikrobiomin monimuotoisuus korreloi negatiivisesti useimpien glukoosipiikin mittareiden kanssa, mikä viittaa siihen, että terve mikrobiomi liittyy parempaan glukoosin hallintaan.

Korkeampi leposyke, painoindeksi ja HbA1c-arvo liittyivät huonompiin glykeemisiin tuloksiin, kun taas fyysinen aktiivisuus liittyi suotuisampiin glukoosivaihteluihin. Mielenkiintoista kyllä, suurempi hiilihydraattien saanti liittyi nopeampaan huippujen häviämiseen, mutta myös useammin esiintyviin ja voimakkaampiin glukoosipiikkeihin.

Tiimi kehitti multimodaaliseen dataan perustuvan binäärisen luokittelumallin, joka erotti normoglykemian ja tyypin 2 diabeteksen suurella tarkkuudella. Ulkoiseen kohorttiin (HPP) sovellettuna malli säilytti korkean suorituskyvyn ja tunnisti onnistuneesti merkittävän vaihtelun riskitasoissa samanlaisten HbA1c-arvojen omaavien prediabeetikkojen keskuudessa.

Nämä tulokset viittaavat siihen, että multimodaalinen glykeeminen profilointi voi parantaa riskien ennustamista ja yksilöllistä seurantaa verrattuna tavanomaisiin diagnostisiin menetelmiin, erityisesti prediabeteksen osalta.

Tutkimus korostaa, että perinteiset diabetesdiagnostiikkamenetelmät, kuten HbA1c, eivät heijasta glukoosiaineenvaihdunnan yksilöllisiä ominaisuuksia.

Käyttämällä jatkuvaa GM:ää yhdessä multimodaalisten tietojen (genomiikka, elämäntapa, mikrobiomi) kanssa tutkijat havaitsivat merkittäviä eroja glukoosipoikkeamissa normoglykemian, prediabeteksen ja tyypin 2 diabeteksen välillä. Prediabetes osoitti useilla keskeisillä mittareilla suurempaa samankaltaisuutta normoglykemian kuin tyypin 2 diabeteksen kanssa.

Kehitetty koneoppimiseen perustuva riskimalli, joka validoitiin ulkoisessa kohortissa, paljasti suuren riskivaihtelun samanlaisten HbA1c-arvojen omaavien prediabetesta sairastavien välillä, mikä vahvistaa sen lisäarvon perinteisiin menetelmiin verrattuna.

Tutkimuksen vahvuuksia ovat hajautettu ja monimuotoinen PROGRESS-kohortti (48,1 % aliedustettuja ryhmiä) ja "reaalimaailman" datan kerääminen. Tutkimuksen rajoituksiin kuuluvat kuitenkin laiteerojen aiheuttama mahdollinen harha, itse raportoinnin epätarkkuudet, ruokapäiväkirjan pitämisen vaikeudet ja verensokeria alentavien lääkkeiden käyttö.

Ennusteellisen hyödyn ja kliinisen merkityksen vahvistamiseksi tarvitaan laajempia validointi- ja pitkittäistutkimuksia.

Viime kädessä tämä tutkimus osoittaa etäisen multimodaalisen tiedonkeruun potentiaalin parantaa varhaista havaitsemista, prediabetes-riskin arviointia ja yksilöllistä tyypin 2 diabeteksen ehkäisyä, mikä tasoittaa tietä tarkemmalle ja osallistavammalle hoidolle diabetesriskissä oleville potilaille.