Modelele computaționale sunt mai eficiente în descoperirea cazurilor ascunse de diabet

Diabetul zaharat reprezintă o provocare majoră pentru sănătatea publică, cu un număr mare de cazuri asimptomatice care rămân nedepistate și care pot duce la complicații severe. Proiecțiile Internaționalei Federații de Diabet arată o creștere de la 537 de milioane de persoane diabetice în 2021 la 643 de milioane până în 2030. În acest context, s-a pus accent pe diagnosticarea timpurie și pe utilizarea tehnicilor de învățare automată pentru a eficientiza procesul de screening.
Într-un studiu recent publicat în BMC Medicine, cercetătorii au abordat problema creșterii numărului de cazuri de diabet, punând accent pe identificarea persoanelor diabetice care prezintă valori normale ale glucozei în sânge în urma postului. Această provocare a fost abordată prin utilizarea tehnicilor de învățare automată pentru a analiza indicii obținuți în urma examinărilor fizice.

Cercetătorii au colectat date de la examinările fizice efectuate în trei spitale și au dezvoltat un model computational pentru identificarea pacienților diabetici cu valori normale ale glucozei în sânge în urma postului. Datele au fost riguros clasificate în conformitate cu criteriile de diagnosticare ale Organizației Mondiale a Sănătății.

Modelul computational a folosit mai multe tehnici de învățare automată, rețeaua neurală profundă (DNN) dovedindu-se a fi cea mai eficientă. S-au folosit metrici precum sensibilitatea și acuratețea pentru a rafina modelul. Inițial, s-au folosit 27 de caracteristici pentru predicții, dar s-a lucrat la optimizarea acestora, reducându-le la 13 prin analiza manuală și tehnica mRMR (max relevance and min redundancy).

Rezultatele Studiului

Între anii 2015 și 2018, s-au colectat 61.059 de eșantioane cu valori normale ale glucozei în sânge în urma postului. Aproximativ 1% (603 participanți) au fost identificați ca fiind diabetici, având un nivel al hemoglobinei A1c (HbA1c) peste pragul de 6,5%. Grupul diabetic a avut un indice de masă corporală (IMC) cu 1,08 unități mai mare și o vârstă medie cu 10,6 ani mai mare comparativ cu grupul non-diabetic.

Cele mai semnificative caracteristici în diferențierea diabetului de non-diabet au fost numărul absolut de limfocite (ALC), vârsta, glucoza din sânge în urma postului (FBG), IMC și numărul de celule albe din sânge (WBC). După eliminarea redundanțelor, s-a ajuns la un set optim de 13 caracteristici, care au îmbunătățit performanța modelului.

Concluzii și aplicații practice

Studiul a culminat cu dezvoltarea unei unelte online, DRING, care facilitează aplicarea practică a acestor descoperiri. În plus, s-a introdus o metodă adaptată pentru evaluarea riscului individualizat de apariție a diabetului, bazată pe algoritmul de importanță a caracteristicilor prin permutare (PFI).

Aceste rezultate subliniază potențialul intervențiilor personalizate, bazate pe profiluri de risc individuale, și reprezintă un pas important în îmbunătățirea diagnosticării timpurii și a management al diabetului.

sursa: News Medical
foto: NicoElNino/Shutterstock.com