Inteligența artificială identifică riscul ascuns de diabet chiar și atunci când rezultatele testelor par normale

Un nou studiu publicat în Nature Medicine a investigat modul în care datele multimodale – inclusiv senzori purtabili, analize genetice, microbiom intestinal și stil de viață – pot fi integrate cu ajutorul inteligenței artificiale pentru a înțelege mai bine dinamica glicemică la persoane cu glicemie normală, prediabet și diabet zaharat de tip 2. Studiul, intitulat PROGRESS, a inclus 1.137 de participanți din SUA și a utilizat metode complet digitale de recrutare și monitorizare.
Diagnosticul și monitorizarea diabetului zaharat se bazează în prezent pe măsurători episodice ale glicemiei à jeun și hemoglobinei glicozilate (HbA1c). Totuși, studii anterioare au arătat că chiar și indivizii sănătoși pot prezenta vârfuri glicemice postprandiale semnificative, neidentificabile prin aceste metode. Factorii implicați în variațiile glicemice sunt multipli: vârsta, dieta, activitatea fizică, somnul, microbiomul, stresul, comorbiditățile și genetica.

Despre studiul PROGRESS

Studiul a fost conceput ca un trial clinic descentralizat, fără locație fixă, în care participanții au furnizat date:

• clinice (EHR, HbA1c)
• fiziologice (dispozitive CGM, Fitbit)
• biologice (salivă pentru scor genetic, scaun pentru diversitatea microbiomului)
• stil de viață (dieta înregistrată manual)

După aplicarea criteriilor stricte de includere, 347 participanți au fost analizați: 174 normoglicemici, 79 prediabetici și 94 cu diabet zaharat de tip 2. Aproximativ 48% dintre aceștia se încadrau în grupuri subreprezentate biomedical (UBR).

Rezultate

Vârfurile glicemice

Au fost definite mai multe metrice privind vârfurile glicemice:

• Valoarea medie a glicemiei
• Hipoglicemia nocturnă
• Procentul de timp peste 150 mg/dl
• Valoarea maximă estimată a vârfurilor glicemice (spike)
• Numărul zilnic estimat de vârfuri glicemice
• Timpul mediu de rezoluție al vârfurilor glicemice

Comparativ cu persoanele normoglicemice, participanții cu diabet zaharat de tip 2 au avut valori semnificativ mai mari pentru toate aceste metrice. În cazul prediabeticilor, diferențele față de normoglicemici au fost mai puțin pronunțate, sugerând o tranziție graduală între cele două extreme.

Factori asociați

• Vârsta a fost singurul factor demografic corelat semnificativ cu toate metricele glicemice, cu excepția numărului zilnic de vârfuri glicemice.
• HbA1c, IMC și frecvența cardiacă în repaus s-au corelat pozitiv cu majoritatea metricele glicemice.
• Densitatea microbiomului intestinal a avut o corelație negativă semnificativă cu valorile glicemice, sugerând un rol protector.
• Aportul de carbohidrați a fost corelat pozitiv cu frecvența și intensitatea vârfurilor glicemice, dar negativ cu durata acestora.
• Nivelul activității fizice s-a corelat negativ cu toți parametrii, sugerând un rol favorabil în controlul glicemiei.

Model AI și profiluri de risc glicemic

Folosind datele PROGRESS, cercetătorii au antrenat un model de clasificare binară pentru a diferenția normoglicemicii de persoanele cu diabet zaharat de tip 2. Acest model a avut o performanță excelentă și a fost validat pe un set extern, cu o performanță similară.

Modelul generează profiluri de risc glicemic multimodale care completează informațiile oferite de HbA1c, oferind o imagine mai fină asupra riscului de progresie spre diabet zaharat. Astfel, indivizi cu aceeași valoare HbA1c pot avea riscuri foarte diferite, în funcție de alți factori fenotipici și comportamentali.

Implicații clinice și perspective viitoare

Acest studiu evidențiază valoarea integrării datelor multimodale și a inteligenței artificiale în:

• diagnostic precoce al diabetului;
• stratificarea riscului în prediabet;
• monitorizarea intervențiilor stilului de viață;
• redefinirea subtipurilor de boală;
• revoluționarea trialurilor clinice prin digitalizare și descentralizare.

Profilurile personalizate bazate pe datele colectate pasiv ar putea oferi un nou standard pentru prevenție, în special în populațiile asimptomatice. Extinderea acestui model la alte boli cronice, precum obezitatea sau bolile cardiovasculare, ar putea contribui la transformarea practicii clinice într-o direcție mai predictivă, preventivă și personalizată.