Ny AI-modell identifiserer diabetesrisiko før unormale testresultater vises

Millioner av mennesker er kanskje ikke klar over sin tidlige diabetesrisiko. AI-modeller viser hvorfor blodsukkertoppene dine kan bety mer enn testresultatene dine.

I en fersk artikkel publisert i tidsskriftet Nature Medicine analyserte forskere data fra mer enn 2400 personer på tvers av to kohorter for å identifisere mønstre av glukosetopper og utvikle personlige glykemiske risikoprofiler.

De fant signifikante forskjeller i mønstre av glukosetopper mellom personer med type 2 diabetes (T2D) og de med prediabetes eller normoglykemi. Deres multimodale risikomodell kan hjelpe leger med å identifisere prediabetikere med høyere risiko for å utvikle T2D.

Personer med type 2-diabetes opplevde mer alvorlig nattlig hypoglykemi og det tok lengre tid, i gjennomsnitt mer enn 20 minutter, å gå tilbake til baseline glukosenivåer etter topper – noe som tyder på viktige fysiologiske forskjeller.

Diabetes og prediabetes rammer en betydelig andel av den amerikanske voksne befolkningen, men standard diagnostiske tester som glykert hemoglobin (HbA1c) og fastende glukose fanger ikke opp hele kompleksiteten i glukoseregulering.

Mange faktorer – stress, mikrobiomets sammensetning, søvn, fysisk aktivitet, genetikk, kosthold og alder – kan påvirke svingninger i blodsukkeret, spesielt økninger etter måltider (definert som økninger på minst 30 mg/dl innen 90 minutter), som forekommer selv hos tilsynelatende friske mennesker.

Tidligere har disse variasjonene blitt studert ved hjelp av kontinuerlig glukosemonitorering (CGM), men dekningen har ofte vært begrenset til prediabetikere og normoglykemiske individer, og studier har ofte manglet representasjon av historisk underrepresenterte grupper i biomedisinsk forskning.

For å bøte på dette gapet gjennomførte PROGRESS-studien en landsdekkende, fjernbasert klinisk studie som inkluderte 1137 forskjellige deltakere (48,1 % fra grupper som historisk sett er underrepresentert i biomedisinsk forskning) med normoglykemi og type 2-diabetes over 10 dager med CGM, samtidig som data om mikrobiomsammensetning, genomikk, hjertefrekvens, søvn, kosthold og aktivitet ble samlet inn.

Denne multimodale tilnærmingen tillot en mer nyansert forståelse av glykemisk kontroll og interindividuell variasjon i glukoseutskiftninger.

Målet med studien var å lage omfattende glykemiske risikoprofiler som kunne forbedre tidlig deteksjon og intervensjon for prediabetikere med risiko for å utvikle diabetes, og tilby et personlig tilpasset alternativ til tradisjonelle diagnostiske tiltak som HbA1c.

Forskerne brukte data fra to kohorter: PROGRESS (en digital klinisk studie i USA) og HPP (en observasjonsstudie i Israel). PROGRESS inkluderte voksne med og uten type 2-diabetes som gjennomgikk 10 dager med CGM, samtidig som de samlet inn data om tarmmikrobiom, genomikk, hjertefrekvens, søvn, kosthold og aktivitet.

Mangfoldet i tarmmikrobiomet (Shannon-indeksen) viste en direkte negativ korrelasjon med gjennomsnittlige glukosenivåer: jo mindre mangfoldig mikrobiotaen er, desto dårligere er glukosekontrollen i alle gruppene.

Deltakerne samlet også avførings-, blod- og spyttprøver hjemme og delte sine elektroniske pasientjournaler. Eksklusjonskriterier inkluderte nylig antibiotikabruk, graviditet, type 1-diabetes og andre faktorer som kunne påvirke CGM- eller metabolske data. Deltakerrekrutteringen ble gjennomført fullstendig eksternt via sosiale medier og invitasjoner basert på elektroniske pasientjournaler.

CGM-data ble behandlet i minuttintervaller, og glukosetopper ble definert ved hjelp av forhåndsinnstilte terskler. Seks viktige glykemiske målinger ble beregnet, inkludert gjennomsnittlig glukose, tid med hyperglykemi og varighet av toppen.

Livsstilsdata ble samlet inn ved hjelp av en matdagbok-app og bærbare sporingsenheter. Genomiske og mikrobiomdata ble analysert ved hjelp av standardmetoder, og sammensatte målinger som polygeniske risikoscore og mikrobiomdiversitetsindekser ble beregnet.

En modell for risikovurdering av type 2-diabetes ved bruk av multimodale data (demografi, antropometri, CGM, kosthold og mikrobiom) ble deretter konstruert ved hjelp av maskinlæring, og ytelsen ble testet i PROGRESS- og HPP-kohortene. Statistisk analyse brukte kovariansanalyse, Spearman-korrelasjoner og bootstrapping for å teste signifikans og evaluere modellen.

Av de 1137 inkluderte deltakerne ble 347 inkludert i den endelige analysen: 174 med normoglykemi, 79 med prediabetes og 94 med type 2-diabetes.

Forskerne fant signifikante forskjeller i glukosetoppmålinger mellom tilstandene: nattlig hypoglykemi, oppløsningstid for toppen, gjennomsnittlig glukose og tid med hyperglykemi. De største forskjellene var mellom type 2 diabetes og de andre gruppene, med prediabetikere statistisk nærmere normoglykemi enn type 2 diabetes for viktige målinger som toppfrekvens og intensitet.

Mikrobiommangfold var negativt korrelert med de fleste glukosetoppmålinger, noe som tyder på at et sunt mikrobiom er assosiert med bedre glukosekontroll.

Høyere hvilepuls, kroppsmasseindeks og HbA1c var assosiert med dårligere glykemiske utfall, mens fysisk aktivitet var assosiert med gunstigere glukosemønstre. Interessant nok var høyere karbohydratinntak assosiert med raskere opphør av topper, men også med hyppigere og mer intense topper.

Teamet utviklet en binær klassifiseringsmodell basert på multimodale data som skilte mellom normoglykemi og type 2-diabetes med høy nøyaktighet. Når modellen ble brukt på en ekstern kohort (HPP), beholdt den høy ytelse og identifiserte signifikant variasjon i risikonivåer blant prediabetikere med lignende HbA1c-verdier.

Disse resultatene tyder på at multimodal glykemisk profilering kan forbedre risikoprediksjon og individuell overvåking sammenlignet med standard diagnostiske metoder, spesielt for prediabetes.

Studien fremhever at tradisjonell diabetesdiagnostikk som HbA1c ikke gjenspeiler individuelle kjennetegn ved glukosemetabolismen.

Ved å bruke CGM i kombinasjon med multimodale data (genomikk, livsstil, mikrobiom) fant forskerne signifikante forskjeller i glukoseutskiftninger mellom normoglykemi, prediabetes og type 2-diabetes, der prediabetes viste større likhet med normoglykemi enn type 2-diabetes på en rekke viktige mål.

Den utviklede risikomodellen basert på maskinlæring, validert i en ekstern kohort, avdekket en stor variasjon i risiko blant prediabetikere med lignende HbA1c-verdier, noe som bekrefter dens tilleggsverdi sammenlignet med tradisjonelle metoder.

Studiens styrker inkluderer den desentraliserte, mangfoldige PROGRESS-kohorten (48,1 % fra underrepresenterte grupper) og innsamlingen av data fra den «virkelige verden». Begrensninger inkluderer imidlertid potensiell skjevhet på grunn av forskjeller i apparater, unøyaktigheter i selvrapportering, vanskeligheter med å føre en matdagbok og bruk av hypoglykemiske medisiner.

Større validering og longitudinelle studier er nødvendig for å bekrefte den prognostiske fordelen og den kliniske signifikansen.

Til syvende og sist demonstrerer denne studien potensialet ved fjerninnsamling av multimodal datainnsamling for å forbedre tidlig deteksjon, risikostratifisering for prediabetes og personlig tilpasset forebygging av type 2-diabetes, noe som baner vei for mer presis og inkluderende behandling for pasienter med risiko for diabetes.