Detectarea rezistenței la insulină prin date din smartwatch și biomarkeri sangvini

Un studiu realizat în cadrul proiectului Wearables for Metabolic Health (WEAR-ME) și publicat în revist Nature a analizat posibilitatea detectării rezistenței la insulină folosind date provenite de la dispozitive purtabile, biomarkeri sangvini de rutină și modele de inteligență artificială. Cercetarea arată că integrarea acestor surse de date poate permite identificarea timpurie a persoanelor cu risc metabolic crescut, înainte de apariția diabetului zaharat de tip 2.

Idei principale

• Diabetul afectează aproximativ 537 milioane de adulți la nivel global, iar prevalența este în creștere.
• Rezistența la insulină reprezintă unul dintre principalii factori în dezvoltarea diabetului zaharat de tip 2.
• Studiul a inclus 1.165 participanți și a integrat date din smartwatch-uri, biomarkeri sangvini și caracteristici demografice.
• Modelul optim a combinat date fiziologice din dispozitive portabile, biomarkeri metabolici și informații demografice.
• Integrarea datelor din dispozitive purtabile a crescut performanța predicției până la aria de sub curba caracteristică de funcționare a receptorului 0.87.
• Rezultatele sugerează că monitorizarea digitală continuă ar putea permite identificarea precoce a persoanelor cu risc metabolic crescut.

Context

La nivel global, aproximativ 537 milioane de adulți trăiesc cu diabet, iar estimările indică o creștere până la 643 milioane până în anul 2030. Aproximativ 10% dintre cazuri sunt reprezentate de diabetul zaharat de tip 1, caracterizat prin distrugerea autoimună a celulelor β pancreatice, în timp ce aproximativ 90% dintre cazuri sunt diabet zaharat de tip 2.

În mod normal, hormonul insulină, secretat de celulele β pancreatice, facilitează captarea glucozei din sânge de către țesuturi precum mușchiul scheletic, țesutul adipos și ficatul. Hormonii incretinici, inclusiv peptidul asemănător glucagonului tip 1 (GLP-1) și polipeptidul insulinotropic dependent de glucoză (GIP), stimulează secreția de insulină și contribuie la controlul glicemic.

Problema fundamentală în diabet este incapacitatea organismului de a menține homeostazia glicemiei, din cauza deficitului absolut sau relativ de insulină. În diabetul de tip 2 apare frecvent rezistența la insulină, situație în care celulele răspund insuficient la acțiunea hormonului, ceea ce determină pancreasul să producă cantități mai mari de insulină pentru a obține același efect metabolic.

Prevalența rezistenței la insulină în populația generală este estimată între 20% și 40%, iar în diabetul zaharat de tip 2 aceasta ajunge la 83,9%. Factorii implicați includ:

• excesul ponderal, în special grăsimea viscerală
• sedentarismul
• predispoziția genetică

Rezistența la insulină crește riscul de prediabet, diabet zaharat de tip 2, boală hepatică metabolică și boli cardiovasculare.

Despre studiu

Designul și cohorta

Cercetarea a fost realizată în cadrul studiului WEAR-ME, desfășurat în Statele Unite. Participanții au fost recrutați și monitorizați la distanță prin aplicația Google Health Studies, care a permis colectarea datelor din:

• dispozitive Fitbit și Google Pixel Watch
• chestionare privind stilul de viață
• analize de laborator efectuate prin Quest Diagnostics

Rezistența la insulină a fost evaluată utilizând indicele HOMA-IR (Homeostatic Model Assessment of Insulin Resistance), calculat prin formula:
HOMA-IR = (insulină bazală × glicemie bazală) / 405

Participanții au fost clasificați în trei grupuri:

• Sensibilitate la insulină – HOMA-IR < 1,5
• Sensibilitate la insulină afectată – HOMA-IR între 1,5 și 2,9
• Rezistență la insulină – HOMA-IR > 2,9

Din cohorta finală au fost incluși 1.165 participanți:

• 459 cu sensibilitate normală la insulină
• 406 cu sensibilitate afectată
• 300 cu rezistență la insulină

Persoanele cu rezistență la insulină prezentau frecvent diabet, boli cardiovasculare, hiperlipidemie și hipertensiune arterială.

Modelul de inteligență artificială

Cercetătorii au dezvoltat un sistem de predicție bazat pe învățare automată multimodală. Modelul a integrat:

• semnale fiziologice din smartwatch
• date demografice
• biomarkeri sangvini de rutină
• date despre stilul de viață

Au fost testate 25 combinații de variabile. Modelul a fost antrenat prin cross-validation în cinci fold-uri, pentru a evalua robustezza și capacitatea de generalizare.

Datele provenite de la dispozitivele purtabile au inclus:

• frecvența cardiacă de repaus
• variabilitatea ritmului cardiac
• numărul de pași zilnici
• durata somnului

Cercetătorii au utilizat și un model fundamental pentru date din dispozitive portabile, capabil să analizeze semnale la rezoluție de un minut și să extragă reprezentări complexe ale activității fiziologice zilnice.

Rezultate

Corelații metabolice și comportamentale

Indicele HOMA-IR a prezentat corelații semnificative cu mai mulți biomarkeri și indicatori de stil de viață:

• glicemia bazală (r = 0,57)
• indicele de masă corporală (r = 0,43)
• hemoglobina glicozilată HbA1c (r = 0,45)
• trigliceridele (r = 0,40)
• frecvența cardiacă de repaus (r = 0,27)

Au fost observate corelații negative cu:

• colesterolul HDL (r = −0,30)
• numărul zilnic de pași (r = −0,25)
• raportul albumină/globulină (r = −0,18)
• variabilitatea ritmului cardiac (r = −0,14)

Nivelul proteinei C reactive a fost semnificativ mai mare la persoanele cu rezistență la insulină:

• 2,8 mg/dl în grupul cu rezistență la insulină
• 0,6 mg/dl în grupul sensibil la insulină

Relația cu obezitatea și diabetul

Rezultatele au evidențiat o asociere clară între obezitate și rezistența la insulină:

• 45% dintre persoanele cu indice de masă corporală > 30 prezentau rezistență la insulină
• doar 6,9% dintre persoanele cu greutate normală prezentau rezistență la insulină

În cohorta analizată:

• 97% dintre persoanele cu diabet aveau rezistență la insulină sau sensibilitate afectată
• 20% dintre participanții normoglicemici prezentau rezistență la insulină

Acest rezultat indică existența unui număr mare de persoane aparent sănătoase, dar cu risc metabolic crescut.

Performanța modelelor predictive

Modelul bazat doar pe date din smartwatch și demografie a obținut:

• aria de sub curba caracteristică de funcționare a receptorului = 0,70
• sensibilitate = 0,60
• specificitate = 0,80

Adăugarea glicemiei bazale a îmbunătățit performanța la:

• aria de sub curba caracteristică de funcționare a receptorului = 0,78
• sensibilitate = 0,73
• specificitate = 0,84

Modelul optim care a inclus date din dispozitive portabile, demografie și biomarkeri metabolici a obținut:

• aria de sub curba caracteristică de funcționare a receptorului = 0,80
• sensibilitate = 0,76
• specificitate = 0,84

Utilizarea modelului avansat de reprezentare a datelor din dispozitive portabile a crescut performanța până la:

• aria de sub curba caracteristică de funcționare a receptorului = 0,87

Validarea într-o cohortă independentă

Modelul a fost testat într-o cohortă independentă de 72 participanți. Integrarea datelor din dispozitive purtabile a crescut performanța de la:

• aria de sub curba caracteristică de funcționare a receptorului 0,76 fără dispozitive portabile
• aria de sub curba caracteristică de funcționare a receptorului 0,88 cu dispozitive portabile

Aceste rezultate confirmă capacitatea modelului de a generaliza pe populații noi.

Concluzii

Studiul demonstrează că datele provenite de la dispozitive purtabile, combinate cu biomarkeri metabolici și modele de inteligență artificială, pot permite identificarea precoce a rezistenței la insulină. Această abordare are potențialul de a deveni un instrument de screening scalabil pentru populații largi, facilitând intervenții timpurii de stil de viață și prevenția diabetului zaharat de tip 2.