מחקר: מדפוסי גלוקוז לתוצאות בריאותיות: מודל יסוד הניתן להכללה לניתוח נתונים מתמשך של מוניטור גלוקוז. קרדיט תמונה: Orawan Pattarawimonchai / Shutterstock
*הודעה חשובה: arXiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
GluFormer, מודל יצירתי מבוסס שנאי המאומן על נתוני CGM, מתעלה על כלי ניתוח מסורתיים על ידי חיזוי תוצאות בריאותיות רחבות וסיכונים עתידיים על פני אוכלוסיות ומצבים מגוונים.
במחקר שפורסם לאחרונה ב- arXiv* שרת preprint*, מדענים מישראל הציגו מודל מחולל מבוסס ארכיטקטורת שנאים לניתוח נתוני ניטור גלוקוז מתמשכים וחיזוי דפוסי גליקמי. למודל זה יש יישומים בריבוד סיכונים, טיפול בסוכרת ואופטימיזציה של אסטרטגיית טיפול.
רֶקַע
סוכרת הפכה למשבר בריאות עולמי, המשפיע על למעלה מ-500 מיליון אנשים ברחבי העולם ועולה יותר מ-900 מיליארד דולר מדי שנה. למרות שלסוכרת מסוג 2 יש גורמי סיכון רבים הניתנים לשינוי, כולל תזונה ורמות פעילות גופנית, היא גם מגבירה את הסיכון למחלות נלוות אחרות כמו בעיות נפשיות, מחלות כליות ומחלות לב וכלי דם.
מכשירי ניטור גלוקוז מתמשך (CGM) סייעו בשיפור הטיפול בסוכרת על ידי הורדת תדירות האירועים הגליקמיים, שיפור השליטה הגליקמית ושיפור איכות החיים הכוללת. ניטור רציף של גלוקוז משמש גם לאיתור הפרעות בוויסות הגלוקוז מוקדם ולהתאים אישית בחירות תזונתיות.
במקביל, תחום הבינה המלאכותית הרפואית (AI) מתקדם לקראת למידה בפיקוח עצמי שיכול לנתח כמויות גדולות של נתונים לא מסומנים, כמו אלה שנאספו על ידי מכשירי CGM. מודלים של למידה בפיקוח עצמי מאומנים משמשים ביעילות לסריקת נתונים מציוד לביש ותמונות היסטופתולוגיות ורשתית כדי לזהות מחלות.
לגבי המחקר
במחקר הנוכחי, החוקרים תיארו את הפיתוח של מודל מחולל מבוסס ארכיטקטורת שנאים בשם GluFormer שיכול לנתח כמויות גדולות של נתוני CGM מאוכלוסיות מגוונות.
המודל הוכשר בתחילה על נתוני CGM ממשתתפים שאינם חולי סוכרת שנרשמו לפרויקט הפנוטיפ האנושי. מערך הנתונים הזה כלל למעלה מ-10 מיליון מדידות גלוקוז מ-10,000 משתתפים. כל מדידה טופלה כאל אסימון בדיד, ששימש לאימון המודל באמצעות שיטת חיזוי האסימון הבא בצורה יעילה. שיטת אימון זו אפשרה ל-GluFormer ליצור ולהרחיב את סדרת הזמן של CGM.
יתרה מזאת, שימוש בלמידה בפיקוח עצמי כדי להכשיר את המודל מראש איפשר לו ללמוד מנתונים לא מסומנים, מה שהגביר את היכולת של GluFormer ללכוד את הדפוסים המורכבים בנתוני ה-CGM.
יכולתו של המודל ליצור אותות CGM מציאותיים נבדקה ואומתה לאחר מכן באמצעות השוואות כמותיות ובדיקות חזותיות תוך שימוש במדדים גליקמיים עיקריים, כגון מדדי ניהול גלוקוז ורמות גלוקוז ממוצעות.
לאחר מכן החוקרים יישמו את יכולת ההכללה של המודל על קבוצות אימות עם מאפיינים גליקמיים משתנים וממיקומים גיאוגרפיים שונים. קבוצות אלו כללו אנשים עם סוכרת הריונית וסוכרת מסוג 2.
GluFormer הוחל גם על נתונים מסוגים שונים של מכשירי CGM ומגוון של הפרעות בסיסיות כדי לבדוק את חוסנו בתרחישים שונים. המחקר גם השווה את ביצועי המודל בחיזוי התוצאות הקליניות מול אלו של מודלים מבוססי בינה מלאכותית אחרים, כגון תפיסות רב שכבתיות ורשתות עצביות מפותלות.
בנוסף, החוקרים שילבו נתונים על צריכת תזונה יחד עם נתוני CGM כדי ליצור גרסה רב-מודאלית של GluFormer שיכולה לשפר את דיוק הניבוי עם התמקדות בתגובות גלוקוז למזונות ספציפיים. החוקרים שילבו מידע זמני כמו שעה, יום וחודש במודל GluFormer כדי ללכוד את התנודות הזמניות ברמות הגלוקוז.
תוצאות
התוצאות הדגימו את יכולתו של GluFormer לנתח ולחזות נתוני CGM ולהבין את הדינמיקה של נתוני ניטור גלוקוז מאוכלוסיות שונות. קירוב והשלכה אחיד של סעפת, או UMAP, שימש כדי לבדוק את יכולתו של GluFormer ללכוד נתונים רלוונטיים, והמחקר מצא כי דפוסי ההטמעה הראו מידע על סבילות לגלוקוז ומידע בקרת גליקמי משמעותיים מבחינה קלינית.
המודל גם הצליח לזהות את הדפוסים הספציפיים לפרט בנתוני CGM בצורה מדויקת. הביצועים של GluFormer בחיזוי המוגלובין A1C הרמות עלו על זו של תפיסטרונים רב-שכבתיים ורשתות עצביות מפותלות, והמודל סיפק תחזיות מדויקות יותר מהמדדים הקליניים הסטנדרטיים.
יתר על כן, אותות CGM מציאותיים עם מדדים גליקמיים בקורלציה נוצרו כאשר המודל נבדק על קבוצות שכללו אנשים עם סוכרת הריונית וסוכרת מסוג 2, אשר תמכו ביכולות הניבוי החזקות של המודל.
בנוסף, הגרסה הרב-מודאלית של GluFormer, המשלבת נתונים תזונתיים, חזתה נתוני CGM עם מתאם גבוה יותר עם נתוני CGM שנצפו, במיוחד סביב זמני הארוחות, ושיפרה את דיוק הניבוי של המודל. הוספה של מידע זמני שיפרה עוד יותר את יכולתו של המודל לייצר נתוני CGM שיכולים לשקף במדויק את השינויים הזמניים ברמות הגלוקוז לאורך היום.
מסקנות
בסך הכל, המחקר מצא שהמודל המבוסס על ארכיטקטורת השנאים, GluFormer, שהוכשר באמצעות למידה בפיקוח עצמי, הוכיח רמות גבוהות של דיוק בחיזוי נתוני CGM ותוצאות גליקמיות באוכלוסיות עם מאפיינים מטבוליים מגוונים וגיאוגרפיה. הוא עלה על מודלים מבוססי בינה מלאכותית אחרים, והשילוב של נתונים תזונתיים בגרסה המולטי-מודאלית של המודל שיפר את יכולות הניבוי והדיוק שלו. ממצאים אלה מדגישים את התועלת של GluFormer בטיפול במחלות כרוניות.
נייר arXiv החדש שלנו: בנינו מודל AI יצירתי של רמות הגלוקוז בדם מ-10 מיליון מדידות רציפות של ניטור גלוקוז של 11,000 אנשים מפרויקט הפנוטיפ האנושי
אנו מראים שהמודל שלנו יכול לחזות פרמטרים קליניים כגון פרמטרים הקשורים לכבד, דם… pic.twitter.com/h96Z6JrvZ2
— ערן סגל (@segal_eran) 23 באוגוסט 2024
*הודעה חשובה: arXiv מפרסם דוחות מדעיים ראשוניים שאינם נבדקים על ידי עמיתים, ולכן אין לראות בהם מכריעים, מנחים פרקטיקה קלינית/התנהגות הקשורה לבריאות, או להתייחס אליהם כאל מידע מבוסס.
