Nowe badania opublikowane w Nature Medicine pokazują, że tradycyjne testy diagnostyczne, takie jak oznaczenie HbA1c czy glukoza na czczo, mogą nie ujawniać rzeczywistego ryzyka rozwoju cukrzycy typu 2. Z pomocą przychodzi sztuczna inteligencja. Dzięki multimodalnemu modelowi uczenia maszynowego naukowcy są w stanie zidentyfikować indywidualne profile ryzyka glikemicznego, które wykrywają zagrożenie cukrzycą nawet u osób z pozornie prawidłowymi wynikami.
To istotny krok w kierunku bardziej precyzyjnej, spersonalizowanej i skutecznej prewencji jednej z najczęstszych chorób przewlekłych naszych czasów.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja wykrywa ryzyko cukrzycy typu 2 u osób z prawidłowymi wynikami testów.
- Dlaczego standardowe badania, takie jak HbA1c, nie wystarczają do pełnej oceny ryzyka.
- W jaki sposób dane z CGM, mikrobiomu i stylu życia tworzą spersonalizowany profil glikemiczny.
- Jakie są praktyczne zastosowania multimodalnych modeli AI w prewencji cukrzycy.
Dlaczego standardowe testy nie wystarczają?
Cukrzyca typu 2 rozwija się często skrycie, a pierwsze objawy mogą być wykrywalne dopiero po wielu miesiącach, a nawet latach. Dotychczasowe narzędzia diagnostyczne – takie jak poziom HbA1c czy glikemia na czczo – nie są w stanie uchwycić dynamicznych zmian glikemii po posiłkach ani ukrytych wzorców metabolicznych.
Tymczasem badanie wykazało, że nawet osoby z normoglikemią mogą doświadczać znacznych skoków poziomu glukozy po jedzeniu (≥30 mg/dl w ciągu 90 minut). Te subtelne zmiany, choć niewidoczne w standardowych testach, mogą sygnalizować zwiększone ryzyko cukrzycy typu 2.
Multimodalny model AI: nowy standard oceny ryzyka
Zespół badawczy wykorzystał dane z dwóch dużych kohort: amerykańskiego badania PROGRESS i izraelskiego badania HPP. Łącznie przeanalizowano dane ponad 2400 uczestników, w tym 1137 z bardzo zróżnicowaną reprezentacją etniczną i społeczną (48,1% osób z grup niedostatecznie reprezentowanych w badaniach biomedycznych).
Do analizy włączono dane z ciągłego monitorowania glikemii (CGM), parametry stylu życia, genomikę, mikrobiom, aktywność fizyczną, sen i dietę. Dzięki temu udało się stworzyć spersonalizowane profile ryzyka glikemicznego, które były znacznie bardziej czułe niż tradycyjne markery.
Multimodalne profilowanie glikemii może poprawić prognozowanie ryzyka i monitorowanie indywidualne poza standardowymi narzędziami diagnostycznymi, zwłaszcza w przypadku stanu przedcukrzycowego – podkreślają autorzy badania.
Wzorce glikemii: co naprawdę się liczy?
Analiza danych z CGM wykazała, że różnice w przebiegu glikemii między osobami z cukrzycą typu 2, a pozostałymi grupami były znaczące. Osoby z cukrzycą miały m.in. dłuższy czas trwania hiperglikemii, wyższe wartości szczytowe, dłuższy czas powrotu do normy i częstsze nocne spadki glukozy.
Co ważne, osoby w stanie przedcukrzycowym różniły się od osób z cukrzycą, ale ich wskaźniki były bardziej zbliżone do normoglikemii, co może mieć duże znaczenie w precyzyjnej identyfikacji osób wymagających wczesnej interwencji.
Styl życia, mikrobiom, geny – wszystko ma znaczenie
Model oparty na sztucznej inteligencji uwzględniał także czynniki wcześniej pomijane w diagnostyce. Na przykład:
- Zróżnicowany mikrobiom jelitowy wiązał się z lepszym profilem glikemii;
- Wyższe tętno spoczynkowe, BMI i HbA1c – z gorszą kontrolą glikemii;
- Aktywność fizyczna – z korzystniejszymi parametrami glikemii;
- Większe spożycie węglowodanów – z częstszymi skokami, ale też szybszym ich ustępowaniem.
To pokazuje, jak złożony i indywidualny może być profil glikemiczny, a jednocześnie potwierdza potencjał precyzyjnej medycyny w prewencji cukrzycy typu 2.
Nowy model AI – skuteczniejszy niż HbA1c?
Najważniejszy wynik badania: opracowany model uczenia maszynowego skutecznie odróżniał osoby z cukrzycą typu 2 od osób zdrowych i z przedcukrzycą, nawet przy identycznych poziomach HbA1c. W praktyce oznacza to, że dwie osoby z tym samym wynikiem testu mogą mieć zupełnie inny profil ryzyka – i inną potrzebę interwencji medycznej.
Wyniki modelu były potwierdzone również w zewnętrznej kohorcie (HPP), co zwiększa wiarygodność i potencjał wdrożeniowy podejścia w różnych populacjach.
Zdalne badanie i dane z życia codziennego
Ogromną wartością projektu PROGRESS była zdecentralizowana forma badania – całkowicie zdalna rekrutacja, samodzielne pobieranie próbek (śliny, kału, krwi), wykorzystanie aplikacji i trackerów, a także połączenie z elektroniczną dokumentacją medyczną uczestników. To podejście zbliża diagnostykę do pacjenta i realnych warunków życia.
Ograniczenia badania obejmują jednak zmienność urządzeń CGM, błędy w raportowaniu diety czy stosowanie leków hipoglikemizujących, co może wpłynąć na dokładność danych.
👉 Wyniki oraz opis badań znajdziesz pod TYM LINKIEM
Główne wnioski
- Nowy model sztucznej inteligencji wykrywa ryzyko cukrzycy typu 2, nawet gdy HbA1c i glukoza na czczo są w normie.
- Multimodalne dane – z CGM, genomiki, mikrobiomu, aktywności fizycznej i diety – pozwalają na dokładniejsze profilowanie ryzyka glikemicznego.
- Stan przedcukrzycowy może wykazywać różne poziomy ryzyka, mimo identycznych wyników laboratoryjnych – AI ujawnia tę ukrytą zmienność.
- Badanie PROGRESS z udziałem 1137 osób pokazuje potencjał zdalnych, precyzyjnych i spersonalizowanych metod diagnostyki i prewencji cukrzycy typu 2.
Źródło:
- Nature Medicine
- Sherringford LLC
- News Medical
