Новая модель ИИ распознаёт риск развития диабета до появления отклонений в анализах

Миллионы могут не знать о раннем риске диабета. Модели ИИ показывают, почему ваши скачки уровня сахара в крови могут быть важнее результатов анализов.

В недавней статье, опубликованной в журнале Nature Medicine, исследователи проанализировали данные более чем 2400 человек в рамках двух когорт, чтобы выявить закономерности скачков глюкозы и разработать персонализированные профили гликемического риска.

Они обнаружили значительные различия в паттернах скачков глюкозы у людей с сахарным диабетом 2-го типа (СД2) и тех, кто имеет преддиабет или нормогликемию. Их мультимодальная модель риска может помочь врачам выявлять преддиабетиков с более высоким риском развития СД2.

Люди с СД2 испытывали более выраженную ночную гипогликемию и дольше, в среднем на более чем 20 минут, возвращались к исходному уровню глюкозы после пиков — что указывает на ключевые физиологические отличия.

Диабет и преддиабет поражают значительную часть взрослого населения США, однако стандартные методы диагностики, такие как гликированный гемоглобин (HbA1c) и уровень глюкозы натощак, не отражают полной сложности регуляции глюкозы.

Множество факторов — стресс, состав микробиомы, сон, физическая активность, генетика, диета и возраст — могут влиять на колебания уровня глюкозы в крови, особенно на постпрандиальные скачки (определяемые как повышение минимум на 30 мг/дЛ в течение 90 минут), которые фиксируются даже у, казалось бы, здоровых людей.

Ранее эти вариации изучали с помощью непрерывного мониторинга глюкозы (CGM), но их охват ограничивался часто только преддиабетиками и людьми с нормогликемией, причём в исследованиях нередко отсутствовало представительство исторически недооценённых групп в биомедицинских исследованиях.

Чтобы устранить этот пробел, исследование PROGRESS провело по всей стране удалённое клиническое испытание, в котором участвовали 1137 разнообразных участников (48,1 % из групп, исторически недопредставленных в биомедицинских исследованиях) с нормогликемией и СД2 на протяжении 10 дней CGM, а также сбор данных о составе микробиома, геномике, частоте сердечных сокращений, сне, диете и активности.

Этот мультимодальный подход позволил получить более тонкое понимание гликемического контроля и индивидуальной изменчивости скачков глюкозы.

Целью исследования было создать комплексные профили гликемического риска, которые смогут улучшить раннее выявление и вмешательство для преддиабетиков с риском прогрессирования до диабета, предлагая персонализированную альтернативу традиционным диагностическим показателям, таким как HbA1c.

Исследователи использовали данные из двух когорт: PROGRESS (цифровое клиническое испытание в США) и HPP (наблюдательное исследование в Израиле). В PROGRESS участвовали взрослые с СД2 и без него, которым в течение 10 дней проводили CGM и одновременно собирали данные о микробиоме кишечника, геномике, пульсе, сне, питании и активности.

Разнообразие микробиома кишечника (индекс Шеннона) показало прямую отрицательную корреляцию со средним уровнем глюкозы: чем менее разнообразна микробиота, тем хуже контроль глюкозы во всех группах.

Участники также сами собирали образцы кала, крови и слюны дома и делились своими электронными медицинскими записями. Критериями исключения были недавний приём антибиотиков, беременность, сахарный диабет 1-го типа и другие факторы, способные исказить данные CGM или обмен веществ. Набор участников проводился полностью удалённо через социальные сети и приглашения на основе электронных медицинских записей.

Данные CGM обрабатывали по минутным интервалам, а скачки глюкозы определяли по заданным порогам. Было вычислено шесть ключевых гликемических метрик, включая средний уровень глюкозы, время в гипергликемии и продолжительность пиков.

Данные о стиле жизни собирали с помощью приложения для ведения пищевого дневника и носимых трекеров. Геномные и микробиомные данные анализировали стандартными методами, рассчитывали составные метрики, такие как полигенные рисковые баллы и индексы разнообразия микробиома.

Затем с помощью машинного обучения создали модель для оценки риска СД2 на основе мультимодальных данных (демография, антропометрия, CGM, питание и микробиом), а её производительность протестировали в когортах PROGRESS и HPP. В статистическом анализе использовали анализ ковариации, корреляции Спирмена и бутстрэппинг для тестирования значимости и оценки модели.

Из 1137 включённых участников в финальный анализ попали 347 человек: 174 с нормогликемией, 79 с преддиабетом и 94 с СД2.

Исследователи выявили значительные различия в метриках скачков глюкозы между состояниями: ночная гипогликемия, время разрешения пиков, средний уровень глюкозы и время в гипергликемии. Наибольшие различия были между СД2 и остальными группами, а у преддиабетиков метрики статистически ближе к нормогликемии, чем к СД2 по таким ключевым показателям, как частота и интенсивность пиков.

Разнообразие микробиома отрицательно коррелировало с большинством метрик скачков глюкозы, что указывает на связь здорового микробиома с лучшим контролем глюкозы.

Более высокая частота сердечных сокращений в покое, индекс массы тела и HbA1c ассоциировались с худшими гликемическими показателями, тогда как физическая активность — с более благоприятными паттернами глюкозы. Любопытно, что большее потребление углеводов связывалось с более быстрым разрешением пиков, но и с более частыми и интенсивными скачками.

Команда разработала бинарную классификационную модель на основе мультимодальных данных, которая с высокой точностью разграничивала нормогликемию и СД2. При применении к внешней когорте (HPP) модель сохранила высокую эффективность и успешно выявила значительную вариабельность уровня риска у преддиабетиков с одинаковыми значениями HbA1c.

Эти результаты свидетельствуют о том, что мультимодальное гликемическое профилирование может улучшить прогнозирование риска и индивидуальный мониторинг по сравнению со стандартными диагностическими методами, особенно для преддиабета.

В исследовании подчёркивается, что традиционная диагностика диабета, такая как HbA1c, не отражает индивидуальных особенностей метаболизма глюкозы.

Используя CGM в сочетании с мультимодальными данными (геномика, образ жизни, микробиом), исследователи выявили значительные различия в скачках глюкозы между нормогликемией, преддиабетом и СД2, при этом преддиабет показывал большую схожесть с нормогликемией, чем с СД2 по ряду ключевых показателей.

Разработанная модель риска на основе машинного обучения, проверенная на внешней когорте, выявила широкий разброс рисков среди преддиабетиков с одинаковыми значениями HbA1c, что подтверждает её дополнительную ценность по сравнению с традиционными методами.

Сильными сторонами исследования являются децентрализованная, разнообразная когорта PROGRESS (48,1 % представителей недопредставленных групп) и сбор «реальных» данных. Однако ограничения включают возможные погрешности из-за различий устройств, неточности в самодекларациях, трудности с ведением пищевого дневника и приём гипогликемических препаратов.

Необходима более широкая валидация и лонгитюдные исследования для подтверждения прогностической пользы и клинической значимости.

В конечном счёте, это исследование демонстрирует потенциал удалённого сбора мультимодальных данных для улучшения раннего выявления, стратификации риска преддиабета и персонализированной профилактики СД2, прокладывая путь к более точному и инклюзивному уходу за пациентами с риском диабета.