Yeni yapay zeka modeli, anormal test sonuçları ortaya çıkmadan önce diyabet riskini belirliyor

Milyonlarca kişi erken diyabet riskinden habersiz olabilir. Yapay zeka modelleri, kan şekeri artışlarınızın test sonuçlarınızdan daha önemli olabileceğini gösteriyor.

Nature Medicine dergisinde yakın zamanda yayımlanan bir makalede, araştırmacılar glikoz yükselmelerinin modellerini belirlemek ve kişiselleştirilmiş glisemik risk profilleri geliştirmek için iki gruptan 2.400'den fazla kişiden alınan verileri analiz etti.

Tip 2 diyabet (T2D) hastaları ile prediyabet veya normoglisemi hastaları arasında glikoz yükselme örüntülerinde önemli farklılıklar buldular. Çok modlu risk modelleri, doktorların T2D geliştirme riski daha yüksek olan prediyabet hastalarını belirlemelerine yardımcı olabilir.

Tip 2 diyabetli kişilerde daha şiddetli gece hipoglisemisi yaşandı ve ani yükselmelerden sonra bazal glikoz seviyelerine dönmeleri ortalama 20 dakikadan fazla sürdü; bu da önemli fizyolojik farklılıklara işaret ediyor.

Diyabet ve prediyabet, ABD yetişkin nüfusunun önemli bir bölümünü etkilemektedir; ancak glikozlanmış hemoglobin (HbA1c) ve açlık glikozu gibi standart tanı testleri, glikoz düzenlemesinin tüm karmaşıklığını yansıtamamaktadır.

Stres, mikrobiyom bileşimi, uyku, fiziksel aktivite, genetik, beslenme ve yaş gibi pek çok faktör kan şekeri dalgalanmalarını etkileyebilir; özellikle de yemek sonrası ani yükselmeler (90 dakika içinde en az 30 mg/dL'lik artışlar olarak tanımlanır) görünüşte sağlıklı insanlarda bile ortaya çıkabilir.

Daha önce bu varyasyonlar sürekli glikoz takibi (CGM) kullanılarak incelenmişti ancak bunların kapsamı genellikle prediyabetik ve normoglisemik bireylerle sınırlıydı ve çalışmalarda genellikle biyomedikal araştırmalarda tarihsel olarak yeterince temsil edilmeyen grupların temsili eksikti.

Bu açığı kapatmak için PROGRESS çalışması, normoglisemi ve T2D'ye sahip 1.137 farklı katılımcıyı (biyomedikal araştırmalarda tarihsel olarak yeterince temsil edilmeyen gruplardan %48,1) 10 günlük CGM boyunca kaydeden ülke çapında bir uzaktan klinik çalışma yürüttü ve mikrobiyom bileşimi, genomik, kalp hızı, uyku, diyet ve aktivite hakkında veri topladı.

Bu multimodal yaklaşım, glisemik kontrolün ve glikoz dalgalanmalarındaki bireyler arası değişkenliğin daha ayrıntılı bir şekilde anlaşılmasını sağladı.

Çalışmanın amacı, diyabet ilerlemesi riski taşıyan prediyabetik hastalarda erken teşhis ve müdahaleyi iyileştirebilecek kapsamlı glisemik risk profilleri oluşturmak ve HbA1c gibi geleneksel tanı ölçümlerine kişiselleştirilmiş bir alternatif sunmaktır.

Araştırmacılar iki kohorttan veri kullandı: PROGRESS (ABD'de dijital klinik çalışma) ve HPP (İsrail'de gözlemsel çalışma). PROGRESS, 10 günlük CGM'ye tabi tutulan ve aynı anda bağırsak mikrobiyomu, genomik, kalp atış hızı, uyku, diyet ve aktivite hakkında veri toplayan T2D'li ve T2D'siz yetişkinleri kaydetti.

Bağırsak mikrobiyom çeşitliliği (Shannon indeksi) ortalama glikoz seviyeleriyle doğrudan negatif bir korelasyon gösterdi: mikrobiyota ne kadar az çeşitliyse, tüm gruplarda glikoz kontrolü o kadar kötüydü.

Katılımcılar ayrıca evde dışkı, kan ve tükürük örnekleri toplamış ve elektronik tıbbi kayıtlarını paylaşmıştır. Hariç tutma kriterleri arasında yakın zamanda antibiyotik kullanımı, gebelik, tip 1 diyabet ve CGM veya metabolik verileri etkileyebilecek diğer faktörler yer almaktadır. Katılımcı alımı, elektronik tıbbi kayıtlara dayalı olarak sosyal medya ve davetler aracılığıyla tamamen uzaktan gerçekleştirilmiştir.

CGM verileri dakika aralıklarıyla işlendi ve glikoz yükselmeleri önceden belirlenmiş eşikler kullanılarak tanımlandı. Ortalama glikoz, hiperglisemi süresi ve yükselme süresi dahil olmak üzere altı temel glisemik ölçüm hesaplandı.

Yaşam tarzı verileri bir beslenme günlüğü uygulaması ve giyilebilir takip cihazları kullanılarak toplandı. Genomik ve mikrobiyom verileri standart yöntemler kullanılarak analiz edildi ve poligenik risk puanları ve mikrobiyom çeşitlilik endeksleri gibi bileşik metrikler hesaplandı.

Daha sonra, çok modlu veriler (demografi, antropometri, CGM, beslenme ve mikrobiyom) kullanılarak T2DM risk değerlendirmesi için bir model makine öğrenimi kullanılarak oluşturuldu ve performansı PROGRESS ve HPP kohortlarında test edildi. İstatistiksel analizde, anlamlılığı test etmek ve modeli değerlendirmek için kovaryans analizi, Spearman korelasyonları ve önyükleme yöntemleri kullanıldı.

Dahil edilen 1137 katılımcıdan 347'si son analize dahil edildi: 174'ü normoglisemili, 79'u prediyabetli ve 94'ü T2DM'liydi.

Araştırmacılar, gece hipoglisemisi, ani yükselme süresi, ortalama glikoz ve hiperglisemi süresi gibi durumlar arasında glikoz ani yükselme metriklerinde önemli farklılıklar buldular. En büyük farklar T2DM ile diğer gruplar arasındaydı; prediyabetliler, ani yükselme sıklığı ve yoğunluğu gibi temel metriklerde istatistiksel olarak normoglisemiye T2DM'den daha yakındı.

Mikrobiyom çeşitliliğinin çoğu glikoz yükselme ölçümüyle negatif korelasyon gösterdiği, bunun da sağlıklı bir mikrobiyomun daha iyi glikoz kontrolü ile ilişkili olduğunu gösterdiği belirtildi.

Daha yüksek istirahat kalp atış hızı, vücut kitle indeksi ve HbA1c daha kötü glisemik sonuçlarla ilişkilendirilirken, fiziksel aktivite daha olumlu glikoz örüntüleriyle ilişkilendirilmiştir. İlginç bir şekilde, daha yüksek karbonhidrat alımı daha hızlı zirve çözünürlüğüyle, ancak aynı zamanda daha sık ve yoğun ani yükselmelerle de ilişkilendirilmiştir.

Ekip, normoglisemi ve T2DM arasında yüksek doğrulukla ayrım yapan, çok modlu verilere dayalı ikili bir sınıflandırma modeli geliştirdi. Harici bir kohorta (HPP) uygulandığında, model yüksek performansını korudu ve benzer HbA1c değerlerine sahip prediyabetikler arasında risk düzeylerinde önemli değişkenliği başarıyla tespit etti.

Bu sonuçlar, multimodal glisemik profillemenin, özellikle prediyabet için standart tanı yöntemlerine kıyasla risk tahminini ve bireysel izlemeyi iyileştirebileceğini düşündürmektedir.

Çalışmada, HbA1c gibi geleneksel diyabet tanı yöntemlerinin, glikoz metabolizmasının bireysel özelliklerini yansıtmadığı vurgulanıyor.

Araştırmacılar, CGM'yi multimodal verilerle (genomik, yaşam tarzı, mikrobiyom) birlikte kullanarak normoglisemi, prediyabet ve T2DM arasında glikoz sapmalarında önemli farklılıklar buldular; prediyabet, bir dizi temel ölçütte T2DM'den normoglisemiye daha fazla benzerlik gösterdi.

Geliştirilen ve harici bir kohortta doğrulanan makine öğrenmesi tabanlı risk modeli, benzer HbA1c değerlerine sahip prediyabetiklerde riskte geniş bir çeşitlilik olduğunu ortaya koyarak, geleneksel yöntemlere kıyasla ek değerini doğruladı.

Çalışmanın güçlü yönleri arasında, merkezden uzak, çeşitli PROGRESS kohortu (%48,1'i yeterince temsil edilmeyen gruplardan) ve "gerçek dünya" verilerinin toplanması yer almaktadır. Ancak, cihaz farklılıklarından kaynaklanan olası önyargılar, öz bildirimdeki yanlışlıklar, beslenme günlüğü tutmadaki zorluklar ve hipoglisemik ilaçların kullanımı gibi sınırlamalar bulunmaktadır.

Prognostik faydayı ve klinik önemi doğrulamak için daha geniş kapsamlı doğrulama ve uzunlamasına çalışmalara ihtiyaç vardır.

Sonuç olarak bu çalışma, uzaktan multimodal veri toplamanın erken teşhisi, prediyabet risk sınıflandırmasını ve kişiselleştirilmiş T2D önlemeyi iyileştirme potansiyelini ortaya koyarak, diyabet riski taşıyan hastalar için daha hassas ve kapsayıcı bakımın önünü açmaktadır.