Ny AI-model identificerer diabetesrisiko, før unormale testresultater vises

Millioner af mennesker er måske ikke klar over deres tidlige risiko for diabetes. AI-modeller viser, hvorfor dine blodsukkerstigninger kan betyde mere end dine testresultater.

I en nylig artikel offentliggjort i tidsskriftet Nature Medicine analyserede forskere data fra mere end 2.400 personer på tværs af to kohorter for at identificere mønstre af glukosestigninger og udvikle personlige glykæmiske risikoprofiler.

De fandt signifikante forskelle i mønstre af glukosestigninger mellem personer med type 2-diabetes (T2D) og personer med prædiabetes eller normoglykæmi. Deres multimodale risikomodel kan hjælpe læger med at identificere prædiabetikere med højere risiko for at udvikle T2D.

Personer med type 2-diabetes oplevede mere alvorlig natlig hypoglykæmi og det tog længere tid, i gennemsnit mere end 20 minutter, at vende tilbage til baseline-glukoseniveauer efter stigninger – hvilket tyder på vigtige fysiologiske forskelle.

Diabetes og prædiabetes påvirker en betydelig andel af den amerikanske voksne befolkning, men standarddiagnostiske tests såsom glykeret hæmoglobin (HbA1c) og fastende glukose indfanger ikke den fulde kompleksitet af glukoseregulering.

Mange faktorer – stress, mikrobiomets sammensætning, søvn, fysisk aktivitet, genetik, kost og alder – kan påvirke blodsukkerudsving, især postprandiale stigninger (defineret som stigninger på mindst 30 mg/dl inden for 90 minutter), som forekommer selv hos tilsyneladende raske mennesker.

Tidligere er disse variationer blevet undersøgt ved hjælp af kontinuerlig glukosemonitorering (CGM), men deres dækning har ofte været begrænset til prædiabetikere og normoglykæmiske individer, og studier har ofte manglet repræsentation af historisk underrepræsenterede grupper i biomedicinsk forskning.

For at afhjælpe dette hul gennemførte PROGRESS-studiet et landsdækkende, fjernklinisk forsøg, der inkluderede 1.137 forskellige deltagere (48,1 % fra grupper, der historisk set er underrepræsenteret i biomedicinsk forskning) med normoglykæmi og type 2-diabetes over 10 dage med CGM, samtidig med at data om mikrobiomets sammensætning, genomik, puls, søvn, kost og aktivitet blev indsamlet.

Denne multimodale tilgang muliggjorde en mere nuanceret forståelse af glykæmisk kontrol og interindividuel variation i glukoseudsving.

Formålet med studiet var at skabe omfattende glykæmiske risikoprofiler, der kunne forbedre tidlig opsporing og intervention for prædiabetikere med risiko for at udvikle diabetes, og dermed tilbyde et personligt alternativ til traditionelle diagnostiske målinger såsom HbA1c.

Forskerne brugte data fra to kohorter: PROGRESS (et digitalt klinisk forsøg i USA) og HPP (et observationsstudie i Israel). PROGRESS inkluderede voksne med og uden type 2-diabetes, som gennemgik 10 dages CGM, samtidig med at de indsamlede data om tarmmikrobiom, genomik, puls, søvn, kost og aktivitet.

Tarmmikrobiomets diversitet (Shannon-indekset) viste en direkte negativ korrelation med gennemsnitlige glukoseniveauer: jo mindre forskelligartet mikrobiotaen er, desto dårligere var glukosekontrollen i alle grupper.

Deltagerne indsamlede også afførings-, blod- og spytprøver derhjemme og delte deres elektroniske patientjournaler. Eksklusionskriterier omfattede nylig antibiotikabrug, graviditet, type 1-diabetes og andre faktorer, der kunne forstyrre CGM- eller metaboliske data. Deltagerrekrutteringen blev udført udelukkende eksternt via sociale medier og invitationer baseret på elektroniske patientjournaler.

CGM-data blev behandlet i minutintervaller, og glukosespidser blev defineret ved hjælp af forudindstillede tærskler. Seks vigtige glykæmiske målinger blev beregnet, herunder gennemsnitlig glukose, tid med hyperglykæmi og spidsens varighed.

Livsstilsdata blev indsamlet ved hjælp af en maddagbogsapp og bærbare trackere. Genomiske og mikrobiomdata blev analyseret ved hjælp af standardmetoder, og sammensatte metrikker såsom polygene risikoscorer og mikrobiomdiversitetsindekser blev beregnet.

En model til risikovurdering af type 2-diabetes ved hjælp af multimodale data (demografi, antropometri, CGM, kost og mikrobiom) blev derefter konstrueret ved hjælp af maskinlæring, og dens ydeevne blev testet i PROGRESS- og HPP-kohorterne. Statistisk analyse anvendte kovariansanalyse, Spearman-korrelationer og bootstrapping til at teste signifikans og evaluere modellen.

Ud af de 1137 inkluderede deltagere blev 347 inkluderet i den endelige analyse: 174 med normoglykæmi, 79 med prædiabetes og 94 med type 2-diabetes.

Forskerne fandt signifikante forskelle i målingerne af glukosespidser mellem forskellige tilstande: natlig hypoglykæmi, spike-opløsningstid, gennemsnitlig glukose og tid med hyperglykæmi. De største forskelle var mellem type 2-diabetes og de andre grupper, hvor prædiabetikere statistisk set var tættere på normoglykæmi end type 2-diabetes for nøglemålinger som spike-frekvens og -intensitet.

Mikrobiomdiversitet var negativt korreleret med de fleste glukosestigningsmålinger, hvilket tyder på, at et sundt mikrobiom er forbundet med bedre glukosekontrol.

Højere hvilepuls, kropsmasseindeks og HbA1c var forbundet med dårligere glykæmiske resultater, mens fysisk aktivitet var forbundet med mere gunstige glukosemønstre. Interessant nok var højere kulhydratindtag forbundet med hurtigere opløsning af peaks, men også med hyppigere og mere intense stigninger.

Holdet udviklede en binær klassifikationsmodel baseret på multimodale data, der med høj nøjagtighed skelnede mellem normoglykæmi og type 2-diabetes. Når modellen blev anvendt på en ekstern kohorte (HPP), bevarede den høj ydeevne og identificerede med succes signifikant variation i risikoniveauer blandt prædiabetikere med lignende HbA1c-værdier.

Disse resultater tyder på, at multimodal glykæmisk profilering kan forbedre risikoforudsigelse og individuel overvågning sammenlignet med standarddiagnostiske metoder, især for prædiabetes.

Undersøgelsen fremhæver, at traditionelle diabetesdiagnoser såsom HbA1c ikke afspejler individuelle karakteristika for glukosemetabolismen.

Ved at bruge CGM i kombination med multimodale data (genomik, livsstil, mikrobiom) fandt forskerne signifikante forskelle i glukoseudsving mellem normoglykæmi, prædiabetes og type 2-diabetes, hvor prædiabetes viste større lighed med normoglykæmi end type 2-diabetes på en række nøglemål.

Den udviklede risikomodel baseret på maskinlæring, valideret i en ekstern kohorte, afslørede en bred variation i risiko blandt prædiabetikere med lignende HbA1c-værdier, hvilket bekræfter dens merværdi sammenlignet med traditionelle metoder.

Studiets styrker omfatter den decentraliserede, forskelligartede PROGRESS-kohorte (48,1 % fra underrepræsenterede grupper) og indsamlingen af data fra den "virkelige verden". Begrænsningerne omfatter dog potentiel bias på grund af forskelle i apparater, unøjagtigheder i selvrapportering, vanskeligheder med at føre en maddagbog og brugen af hypoglykæmisk medicin.

Større validering og longitudinelle studier er nødvendige for at bekræfte den prognostiske fordel og den kliniske signifikans.

I sidste ende demonstrerer denne undersøgelse potentialet ved fjernindsamling af multimodal data til at forbedre tidlig opsporing, risikostratificering for prædiabetes og personlig forebyggelse af type 2-diabetes, hvilket baner vejen for mere præcis og inkluderende pleje til patienter i risiko for diabetes.