Insulinooporność od lat kojarzona jest głównie z cukrzycą typu 2 i zespołem metabolicznym. Jednak najnowsze badanie opublikowane w „Nature Communications” pokazuje, że jej znaczenie może być znacznie szersze. Naukowcy z Uniwersytetu Tokijskiego, wykorzystując model sztucznej inteligencji oparty na uczeniu maszynowym, wykazali w analizie obejmującej blisko pół miliona osób z UK Biobank, że insulinooporność jest czynnikiem ryzyka aż 12 rodzajów nowotworów.
Z tego artykułu dowiesz się…
- Jak działa model AI-IR i na podstawie jakich dziewięciu parametrów klinicznych przewiduje insulinooporność.
- Dlaczego insulinooporność może zwiększać ryzyko aż 12 nowotworów według analizy obejmującej blisko 500 000 osób z UK Biobank.
- Dlaczego samo BMI nie wystarcza do oceny ryzyka metabolicznego i onkologicznego oraz jak AI-IR przezwycięża te ograniczenia.
- Jak wyniki badania mogą wpłynąć na profilaktykę nowotworów i medycynę precyzyjną w praktyce klinicznej.
Czym jest insulinooporność i dlaczego trudno ją ocenić?
Insulinooporność to stan, w którym komórki organizmu nie reagują prawidłowo na insulinę – hormon odpowiedzialny za regulację poziomu glukozy we krwi. W konsekwencji trzustka produkuje coraz większe ilości insuliny, co prowadzi do hiperinsulinemii i zaburzeń metabolicznych. Dotychczas insulinooporność wiązano przede wszystkim z:
- cukrzycą typu 2,
- chorobami sercowo-naczyniowymi,
- przewlekłą chorobą nerek,
- stłuszczeniem i zapaleniem wątroby.
Choć od lat sugerowano związek między insulinoopornością, a nowotworami, brakowało dużych analiz populacyjnych. Jednym z głównych problemów była trudność w bezpośrednim pomiarze insulinooporności w warunkach klinicznych – specjalistyczne testy są kosztowne i stosowane głównie w wyspecjalizowanych ośrodkach diabetologicznych.
AI-IR – narzędzie do oceny insulinooporności w skali populacyjnej
Zespół pod kierunkiem Yuty Hiraike ze Szpitala Uniwersyteckiego w Tokio opracował model AI-IR (Artificial Intelligence–Insulin Resistance), który pozwala przewidywać insulinooporność na podstawie dziewięciu standardowych parametrów medycznych. Jak wyjaśnił badacz:
Niedawno stworzyliśmy narzędzie AI-IR do przewidywania insulinooporności u osób na podstawie dziewięciu różnych informacji medycznych. Okazało się ono skuteczne i skłoniło nas do myślenia, że możemy zastosować to narzędzie do podobnych problemów.
Model został zastosowany w analizie danych blisko 500 000 uczestników brytyjskiego biobanku (UK Biobank). Właśnie dzięki tej skali badania możliwe było wykazanie istotnego związku między insulinoopornością, a ryzykiem rozwoju 12 typów nowotworów. To jedno z największych populacyjnych badań łączących metabolizm, onkologię i nowoczesne zastosowanie AI w medycynie.
Dlaczego BMI nie wystarcza?
W praktyce klinicznej wskaźnik masy ciała (BMI) jest często wykorzystywany jako przybliżony marker ryzyka metabolicznego. Jednak BMI nie oddaje w pełni rzeczywistego stanu metabolicznego pacjenta. Występują bowiem:
- osoby z otyłością, które pozostają względnie zdrowe metabolicznie,
- osoby z prawidłowym BMI, które wykazują istotną insulinooporność.
Model AI-IR, łącząc dziewięć parametrów klinicznych w jedną metrykę, pozwala wykryć insulinooporność, której samo BMI nie jest w stanie zidentyfikować. Jak podkreślił Hiraike:
W porównaniu z bezpośrednio mierzonymi wartościami insulinooporności w zbiorach danych walidacyjnych, AI-IR osiągnął wysoką skuteczność predykcyjną. Bezpośredni pomiar insulinooporności jest niepraktyczny, z wyjątkiem sytuacji, gdy pacjenci są leczeni w specjalistycznych klinikach diabetologicznych. AI-IR stanowi solidną i skalowalną alternatywę dla oceny insulinooporności w skali populacji.
Insulinooporność jako czynnik ryzyka nowotworów
W analizie AI-IR autorzy wyróżnili 12 typów nowotworów, dla których związek z insulinoopornością był statystycznie istotny po korekcie, oraz te, dla których odnotowano nominalne (słabsze statystycznie) powiązanie. Do nowotworów z istotnym wzrostem ryzyka należały: rak trzonu macicy, rak nerki, rak przełyku, rak trzustki, rak jelita grubego (okrężnicy) oraz rak piersi. Dodatkowo, model wykazał nominalne powiązania z kolejnymi sześcioma typami: nowotworami miedniczki nerkowej, rakiem jelita cienkiego, rakiem żołądka, nowotworami wątroby i pęcherzyka żółciowego, białaczką oraz rakiem oskrzela i płuca. Mechanizmy biologiczne tłumaczące tę zależność obejmują:
- przewlekły stan zapalny,
- podwyższony poziom insuliny i IGF-1 stymulujący proliferację komórek,
- zaburzenia metaboliczne sprzyjające środowisku proonkogennemu.
Autorzy podkreślają, że jest to pierwszy tak szeroko zakrojony dowód na skalę populacyjną, potwierdzający związek między insulinoopornością, a ryzykiem nowotworów.
Chociaż sugerowano możliwy związek między insulinoopornością a rakiem, dowody na dużą skalę były ograniczone ze względu na trudności w ocenie insulinooporności w warunkach klinicznych. Jednak dzięki AI-IR dostarczyliśmy pierwszych dowodów na skalę populacyjną, że insulinooporność jest czynnikiem ryzyka raka.
Znaczenie dla profilaktyki i medycyny precyzyjnej
Ponieważ dziewięć parametrów wejściowych modelu AI-IR pochodzi ze standardowych badań kontrolnych, narzędzie to może być łatwo wdrożone w praktyce klinicznej. Możliwe implikacje obejmują:
- identyfikację osób z wysokim ryzykiem cukrzycy i chorób sercowo-naczyniowych,
- ukierunkowane badania przesiewowe w kierunku nowotworów,
- personalizację strategii prewencji metabolicznej.
Badacze pracują obecnie nad analizą różnic genetycznych między pacjentami oraz nad integracją danych populacyjnych z badaniami biologii molekularnej. Celem jest opracowanie bardziej precyzyjnych strategii redukcji insulinooporności i jej konsekwencji onkologicznych.
Główne wnioski
- Model AI-IR zastosowany w analizie UK Biobank (ok. 500 000 uczestników) wykazał, że insulinooporność jest czynnikiem ryzyka 12 różnych typów nowotworów.
- AI-IR opiera się na dziewięciu standardowych parametrach medycznych, co umożliwia jego skalowalne wdrożenie bez konieczności specjalistycznych testów diabetologicznych.
- W porównaniu z bezpośrednimi pomiarami insulinooporności model osiągnął wysoką skuteczność predykcyjną, stanowiąc praktyczną alternatywę dla oceny populacyjnej.
- Ocena insulinooporności może stać się elementem strategii wczesnej identyfikacji osób wysokiego ryzyka w kierunku cukrzycy, chorób sercowo-naczyniowych i nowotworów.
Źródło:
- https://www.nature.com/articles/s41467-026-68355-x
- University of Tokyo
