מיליונים עשויים להיות חסרים סיכון סוכרת מוקדם. דגמי AI מראים מדוע דוקרני הסוכר בדם עשויים להיות חשובים יותר מתוצאות הבדיקה שלך.
מחקר: מתאם AI רב-מודאלי של דוקרני גלוקוז אצל אנשים עם ויסות גלוקוז רגיל, טרום סוכרת וסוכרת מסוג 2. קרדיט תמונה: AndRey_Popov / Shutterstock
במאמר שפורסם לאחרונה בכתב העת רפואת טבעהחוקרים ניתחו נתונים של יותר מ -2,400 אנשים בשני קבוצות כדי לזהות דפוסים בדוקרני גלוקוז ולפתח פרופילי סיכון גליקמיים בהתאמה אישית.
הם גילו הבדלים משמעותיים בדפוסי הדוקרן הגלוקוזיים בין אנשים עם סוכרת מסוג 2 (T2D) לבין אלה עם פרדי -סוכרת או נורמוגליקמיה. מודל הסיכון הרב -מודאלי שלהם יכול לסייע למתרגלים לזהות אנשים טרוריים בסוכרת בסיכון גבוה יותר לפתח T2D.
סוכרת וסוכרת טרום -סוכרת משפיעים על פלח גדול מהאוכלוסייה האמריקאית הבוגרת, ובכל זאת כלי אבחון סטנדרטיים כמו המוגלובין גליקטי (HBA1C) וגלוקוז בצום אינם מצליחים לשקף את המורכבות המלאה של ויסות הגלוקוז.
גורמים רבים, כולל לחץ, הרכב מיקרוביומה, שינה, פעילות גופנית, גנטיקה, תזונה וגיל, יכולים להשפיע על תנודות הגלוקוז בדם, במיוחד דוקרנים לאחר הארוחה (שהוגדרו כעלייה של לפחות 30 מ"ג/ד"ל תוך 90 דקות), שנצפו אפילו באנשים בריאים לכאורה.
מחקרים קודמים בדקו וריאציות אלה באמצעות ניטור גלוקוז רציף (CGM), אך היקיהם היה מוגבל לאנשים טרום -סוכרתיים ונורמוגליקמיים, לרוב חסר ייצוג מקבוצות שאינן מיוצגות במחקר ביו -רפואי.
כדי לטפל בפער זה, מחקר ההתקדמות ערך ניסוי קליני מרוחק בפריסה ארצית, בו היו מעורבים 1,137 משתתפים מגוונים (48.1% מקבוצות המיוצגות באופן היסטורי במחקר ביו -רפואי) שנעו בין נורמוגליקמיה ל- T2D. החוקרים אספו מגוון רחב של נתונים מדווחים עצמיים ומבוססים על חיישנים, כולל מידע פיזיולוגי, אורח חיים, ביולוגי, דמוגרפי וקליני.
גישה רב -מודאלית זו אפשרה התפתחות של הבנה ניואנסית יותר של שליטה גליקמית ושונות אינדיבידואלית בדוקרני הגלוקוז.
המחקר נועד ליצור פרופילי סיכון גליקמיים מקיפים העלולים לשפר את הגילוי וההתערבות המוקדמת של אנשים טרורי סוכרת הנמצאים בסיכון להתקדם לסוכרת, ולהציע אלטרנטיבה מותאמת אישית למדדי אבחון קונבנציונליים כמו HBA1C.
החוקרים השתמשו בנתונים משני קבוצות: התקדמות (ניסוי קליני דיגיטלי מבוסס ארה"ב) ו- HPP (מחקר תצפית ישראלי). התקדמות נרשמה למבוגרים עם ובלי T2D במשך 10 ימי CGM, תוך איסוף נתונים על מיקרוביומה של מעיים, גנומיקה, קצב לב, שינה, תזונה ופעילות.
המשתתפים סיפקו גם דגימות שרפרף, דם ורוק מהבית ושיתפו את רשומות הבריאות האלקטרוניות שלהם. קריטריוני ההדרה כללו מצבים כמו שימוש אנטיביוטי אחרון, הריון, סוכרת מסוג 1 וגורמים בריאותיים אחרים שעלולים להפריע ל- CGM או לחילוף חומרים. הגיוס היה מרוחק לחלוטין באמצעות המדיה החברתית והזמנות רשומות בריאות אלקטרוניות.
נתוני CGM עובדו למרווחים של דקה אחת, ודוקרני הגלוקוז הוגדרו באמצעות ספים ספציפיים. שישה מדדים גליקמיים עיקריים חושבו, כולל גלוקוז ממוצע, זמן בהיפרגליקמיה ומשך ספייק.
נתוני אורח החיים נאספו באמצעות אפליקציית רישום מזון ועוקבים לבישים. נתוני גנומי ומיקרוביומה נותחו באמצעות כלים סטנדרטיים, וחושבו מדדים מורכבים כמו ציוני סיכון פוליגניים ומגוון המיקרוביומה.
מודל למידת מכונה פותח כדי להעריך סיכון T2D על סמך נתונים רב -מודאליים (דמוגרפיה, אנתרופומטריה, CGM, צריכת מזון ומיקרוביומה במעיים), וביצועיו נבדקו הן בקבוצות התקדמות והן בקבוצות HPP. ניתוחים סטטיסטיים כללו ניתוח של משתנות, מתאם בין ספירמן וחיפוש אתחול לבדיקת משמעות והערכת מודל.
מתוך 1,137 המשתתפים הרשומים, נכללו 347 בניתוח הסופי, מתוכם 174 נורמוגליקמי, 79 היו טרום סוכרת ו -94 היו T2D.
החוקרים צפו בהבדלים משמעותיים במדדי ספייק גלוקוז במצבי סוכרת, כמו היפוגליקמיה לילית, זמן רזולוציית ספייק, רמת גלוקוז ממוצעת וזמן בילוי בהיפרגליקמיה. הבדלים אלה בלטו בעיקר בין T2D לקבוצות האחרות, כאשר אנשים פרדאביטיים הראו מדדים קרובים יותר מבחינה סטטיסטית לנורמוגליקמיה מאשר ל- T2D למדדי מפתח כמו תדירות הדוקרן ועוצמתם.
המגוון של מיקרוביומה של מעי היה בקורלציה שלילית עם מרבית מדדי הדוקרן הגלוקוזיים, מה שמרמז על פרופיל מיקרוביומה בריא יותר קשור לבקרת גלוקוז טובה יותר.
קצב לב גבוה יותר במנוחה, מדד מסת גוף (BMI) ו- HBA1C היו קשורים לתוצאות גליקמיות גרועות יותר, ואילו פעילות גופנית נקשרה לדפוסי גלוקוז חיוביים יותר. מעניין לציין כי צריכת פחמימות גבוהה יותר הייתה קשורה לרזולוציית ספייק מהירה יותר אך דוקרנים תכופים ואינטנסיביים יותר.
הצוות פיתח מודל סיווג בינארי המבוסס על נתונים רב -מודאליים שהבדילו את הנורמוגליקמי מאנשים T2D עם דיוק גבוה. כאשר הוא מיושם על מערך הנתונים החיצוני (HPP), המודל שמר על ביצועים חזקים, והוא זיהה בהצלחה שונות משמעותית ברמות הסיכון בקרב אנשים פרדי -סוכרתיים עם ערכי HBA1C דומים.
ממצאים אלה מראים כי פרופיל גליקמי רב -מודאלי יכול לשפר את חיזוי הסיכון ואת המעקב האישי מעבר לכלי אבחון סטנדרטיים, במיוחד עבור סוכרת טרום -סוכרת.
המחקר מדגיש כי אבחון סוכרת מסורתי, כמו HBA1C, אינו מצליח לתפוס וריאציות אינדיבידואליות במטבוליזם הגלוקוז.
על ידי שימוש ב- CGM לצד נתונים רב -מודאליים המבוססים על גנומיקה, אורח חיים ומיקרוביומה, החוקרים זיהו הבדלים משמעותיים בספקי הגלוקוזה על פני אנשים נורמוגליקמיים, סוכרתיים ו- T2D, כאשר טרום -סערים המראים דמיון חזק יותר לנורמוגליצמיה מאשר ל- T2D בכמה מטרי מפתח.
מודל הסיכון המולטי-מודאלי המונע על ידי למידת המכונה המפותחת, המאומת בקבוצה חיצונית, חשף שונות רחבה בסיכון בקרב אנשים פרדאבטיה עם רמות HBA1C זהות, ותומכת בערכה המוסף על פני מדדים סטנדרטיים.
החוזקות כוללות את קבוצת ההתקדמות המבוזרת והמגוונת (עם 48.1% ייצוג מקבוצות מיוצגות) ואיסוף נתונים בעולם האמיתי. עם זאת, מגבלות כוללות הטיות פוטנציאליות משונות מכשירים, אי דיוקים ב- TY, הטיות שדיווחו על עצמן, אתגרי רישום מזון ושימוש בתרופות אנטי-היפרגליקמיות.
יש צורך באימות רחב יותר ומחקר אורכי כדי לאשר תועלת חזויה ורלוונטיות קלינית.
בסופו של דבר, מחקר זה מדגים את הפוטנציאל של נתונים מרוחקים, רב -מודאליים לשיפור הגילוי המוקדם, ריבוד סיכון טרום -סוכרת ומניעה בהתאמה אישית של T2D, מה שסלל את הדרך לטיפול סוכרת מדויק ומכיל יותר.
