Ny AI-modell identifierar diabetesrisk innan onormala testresultat visas

Miljontals människor kan vara omedvetna om sin tidiga diabetesrisk. AI-modeller visar varför dina blodsockertoppar kan vara viktigare än dina testresultat.

I en nyligen publicerad artikel i tidskriften Nature Medicine analyserade forskare data från mer än 2 400 personer i två kohorter för att identifiera mönster av glukostoppar och utveckla personliga glykemiska riskprofiler.

De fann signifikanta skillnader i mönster av glukosnivåer mellan personer med typ 2-diabetes (T2D) och de med prediabetes eller normoglykemi. Deras multimodala riskmodell skulle kunna hjälpa läkare att identifiera prediabetiker med högre risk att utveckla T2D.

Personer med typ 2-diabetes upplevde svårare nattlig hypoglykemi och det tog längre tid, i genomsnitt mer än 20 minuter, att återgå till utgångsglukosnivåerna efter toppar – vilket tyder på viktiga fysiologiska skillnader.

Diabetes och prediabetes drabbar en betydande andel av den amerikanska vuxna befolkningen, men standarddiagnostiska tester som glykerat hemoglobin (HbA1c) och fasteglukos fångar inte hela komplexiteten i glukosreglering.

Många faktorer – stress, mikrobiomets sammansättning, sömn, fysisk aktivitet, genetik, kost och ålder – kan påverka blodsockersvängningar, särskilt postprandiala toppar (definierade som ökningar på minst 30 mg/dL inom 90 minuter), vilka förekommer även hos till synes friska personer.

Tidigare har dessa variationer studerats med kontinuerlig glukosövervakning (CGM), men deras täckning har ofta varit begränsad till prediabetiker och normoglykemiska individer, och studier har ofta saknat representation av historiskt underrepresenterade grupper inom biomedicinsk forskning.

För att åtgärda denna brist genomförde PROGRESS-studien en landsomfattande, klinisk distansstudie som inkluderade 1 137 olika deltagare (48,1 % från grupper som historiskt sett är underrepresenterade inom biomedicinsk forskning) med normoglykemi och typ 2-diabetes under 10 dagar med CGM, samtidigt som data om mikrobiomsammansättning, genomik, hjärtfrekvens, sömn, kost och aktivitet samlades in.

Denna multimodala metod möjliggjorde en mer nyanserad förståelse av glykemisk kontroll och interindividuell variation i glukosvariationer.

Syftet med studien var att skapa heltäckande glykemiska riskprofiler som skulle kunna förbättra tidig upptäckt och intervention för prediabetiker som riskerar att progressionera till diabetes, och erbjuda ett personligt alternativ till traditionella diagnostiska åtgärder som HbA1c.

Forskarna använde data från två kohorter: PROGRESS (en digital klinisk prövning i USA) och HPP (en observationsstudie i Israel). PROGRESS inkluderade vuxna med och utan typ 2-diabetes som genomgick 10 dagars CGM samtidigt som de samlade in data om tarmmikrobiom, genomik, hjärtfrekvens, sömn, kost och aktivitet.

Tarmmikrobiomets mångfald (Shannon-index) visade en direkt negativ korrelation med genomsnittliga glukosnivåer: ju mindre mångfaldig mikrobiotan var, desto sämre var glukoskontrollen i alla grupper.

Deltagarna samlade även in avförings-, blod- och salivprover hemma och delade sina elektroniska patientjournaler. Exklusionskriterier inkluderade nyligen använt antibiotika, graviditet, typ 1-diabetes och andra faktorer som kunde påverka CGM- eller metaboliska data. Deltagarrekryteringen genomfördes helt på distans via sociala medier och inbjudningar baserade på elektroniska patientjournaler.

CGM-data bearbetades i minutintervaller och glukosnivåer definierades med hjälp av förinställda tröskelvärden. Sex viktiga glykemiska mätvärden beräknades, inklusive genomsnittligt glukosvärde, tid för hyperglykemi och nivånivåernas varaktighet.

Livsstilsdata samlades in med hjälp av en matdagboksapp och bärbara spårare. Genom- och mikrobiomdata analyserades med standardmetoder, och sammansatta mätvärden som polygena riskpoäng och mikrobiomdiversitetsindex beräknades.

En modell för riskbedömning av typ 2-diabetes med hjälp av multimodala data (demografi, antropometri, CGM, kost och mikrobiom) konstruerades sedan med hjälp av maskininlärning och dess prestanda testades i PROGRESS- och HPP-kohorterna. Statistisk analys använde kovariansanalys, Spearman-korrelationer och bootstrapping för att testa signifikans och utvärdera modellen.

Av de 1137 inkluderade deltagarna inkluderades 347 i den slutliga analysen: 174 med normoglykemi, 79 med prediabetes och 94 med typ 2-diabetes.

Forskarna fann signifikanta skillnader i mätvärden för glukosnivåer mellan olika tillstånd: nattlig hypoglykemi, tid för upplösning av nivåerna, genomsnittligt glukosvärde och tid för hyperglykemi. De största skillnaderna fanns mellan typ 2-diabetes och de andra grupperna, där prediabetiker statistiskt sett låg närmare normoglykemi än typ 2-diabetes för viktiga mätvärden som nivåernas frekvens och intensitet.

Mikrobiomdiversitet korrelerade negativt med de flesta glukosnivåer, vilket tyder på att ett hälsosamt mikrobiom är associerat med bättre glukoskontroll.

Högre vilopuls, BMI och HbA1c var associerade med sämre glykemiska resultat, medan fysisk aktivitet var associerad med mer gynnsamma glukosmönster. Intressant nog var högre kolhydratintag associerat med snabbare upplösning av toppar, men också med mer frekventa och intensiva toppar.

Teamet utvecklade en binär klassificeringsmodell baserad på multimodala data som med hög noggrannhet skilde mellan normoglykemi och typ 2-diabetes. När modellen tillämpades på en extern kohort (HPP) bibehöll den hög prestanda och identifierade framgångsrikt signifikant variation i risknivåer bland prediabetiker med liknande HbA1c-värden.

Dessa resultat tyder på att multimodal glykemisk profilering kan förbättra riskprediktion och individuell övervakning jämfört med standarddiagnostiska metoder, särskilt för prediabetes.

Studien belyser att traditionell diabetesdiagnostik som HbA1c inte återspeglar individuella egenskaper hos glukosmetabolismen.

Med hjälp av CGM i kombination med multimodala data (genomik, livsstil, mikrobiom) fann forskarna signifikanta skillnader i glukosvariationer mellan normoglykemi, prediabetes och typ 2-diabetes, där prediabetes uppvisade större likhet med normoglykemi än typ 2-diabetes på ett antal viktiga mått.

Den utvecklade maskininlärningsbaserade riskmodellen, validerad i en extern kohort, avslöjade en stor variation i risk bland prediabetiker med liknande HbA1c-värden, vilket bekräftar dess mervärde jämfört med traditionella metoder.

Studiens styrkor inkluderar den decentraliserade, diversifierade PROGRESS-kohorten (48,1 % från underrepresenterade grupper) och insamlingen av data från "verkligheten". Begränsningar inkluderar dock potentiell bias på grund av skillnader i apparater, felaktigheter i självrapportering, svårigheter att föra matdagbok och användning av hypoglykemiska läkemedel.

Större validering och longitudinella studier behövs för att bekräfta den prognostiska nyttan och den kliniska betydelsen.

I slutändan visar denna studie potentialen hos fjärrinsamling av multimodal data för att förbättra tidig upptäckt, riskstratifiering för prediabetes och personlig förebyggande av typ 2-diabetes, vilket banar väg för mer exakt och inkluderande vård för patienter i riskzonen för diabetes.