Des millions peuvent manquer un risque de diabète précoce. Les modèles d'IA montrent pourquoi vos pointes de glycémie pourraient avoir plus d'importance que vos résultats de test.
Étude: Corrélats d'IA multimodaux des pointes de glucose chez les personnes ayant une régulation normale du glucose, du pré-diabète et du diabète de type 2. Crédit d'image: Andrey_Popov / Shutterstock
Dans un article récent publié dans la revue Médecine de la natureles chercheurs ont analysé les données de plus de 2 400 personnes dans deux cohortes pour identifier les modèles dans les pics de glucose et développer des profils de risque glycémique personnalisés.
Ils ont découvert des différences significatives dans les schémas de pointes de glucose entre les personnes atteintes de diabète de type 2 (T2D) et celles atteints de prédiabète ou de normoglycémie. Leur modèle de risque multimodal pourrait aider les praticiens à identifier les individus prédiabétiques à risque plus élevé de développer un T2D.
Le diabète et le prédiabète affectent un grand segment de la population américaine adulte, mais des outils de diagnostic standard comme l'hémoglobine glyquée (HbA1c) et le glucose à jeun ne reflètent pas la complexité complète de la régulation du glucose.
De nombreux facteurs, notamment le stress, la composition du microbiome, le sommeil, l'activité physique, la génétique, le régime alimentaire et l'âge, peuvent influencer les fluctuations de la glycémie, en particulier les pointes post-repas (définies comme une augmentation d'au moins 30 mg / dL en 90 minutes), qui ont été observées même chez des individus en bonne santé.
Des études antérieures ont exploré ces variations en utilisant une surveillance continue du glucose (CGM), mais leur portée était limitée aux individus prédiabétiques et normoglycémiques, manquant souvent de représentation de groupes sous-représentés dans la recherche biomédicale.
Pour combler cette lacune, l'étude de progrès a mené un essai clinique à distance à l'échelle nationale impliquant 1 137 participants divers (48,1% des groupes historiquement sous-représentés dans la recherche biomédicale) allant de la normoglycémie au T2D. Les chercheurs ont collecté un large éventail de données autodéclarées et basées sur les capteurs, notamment des informations physiologiques, de style de vie, biologique, démographique et clinique.
Cette approche multimodale a permis le développement d'une compréhension plus nuancée du contrôle glycémique et de la variabilité individuelle des pointes de glucose.
L'étude visait à créer des profils de risque glycémique complets qui pourraient améliorer la détection et l'intervention précoces pour les individus prédiabétiques à risque de progresser vers le diabète, offrant une alternative personnalisée aux mesures diagnostiques conventionnelles comme l'HbA1c.
Les chercheurs ont utilisé des données de deux cohortes: Progress (un essai clinique numérique basé aux États-Unis) et HPP (une étude d'observation israélienne). Les progrès ont inscrit les adultes avec et sans T2D pendant 10 jours de CGM, tout en collectant des données sur le microbiome intestinal, la génomique, la fréquence cardiaque, le sommeil, l'alimentation et l'activité.
Les participants ont également fourni des échantillons de selles, de sang et de salive à domicile et ont partagé leurs dossiers de santé électroniques. Les critères d'exclusion comprenaient des conditions telles que l'utilisation récente d'antibiotiques, la grossesse, le diabète de type 1 et d'autres facteurs de santé qui pourraient interférer avec le CGM ou le métabolisme. Le recrutement était entièrement éloigné en utilisant les réseaux sociaux et les invitations à un dossier de santé électronique.
Les données CGM ont été traitées à des intervalles d'une minute et les pointes de glucose ont été définies à l'aide de seuils spécifiques. Six métriques glycémiques clés ont été calculées, notamment le glucose moyen, le temps dans l'hyperglycémie et la durée des pointes.
Les données de style de vie ont été collectées à l'aide d'une application de journalisation alimentaire et de trackers portables. Les données génomiques et microbiome ont été analysées à l'aide d'outils standard, et des mesures composites telles que les scores de risque polygénique et la diversité des microbiomes ont été calculées.
Un modèle d'apprentissage automatique a été développé pour évaluer le risque T2D basé sur des données multimodales (démographie, anthropométrie, CGM, apport alimentaire et microbiome intestinal), et ses performances ont été testées à la fois à la fois dans les progrès et les cohortes HPP. Les analyses statistiques comprenaient l'analyse de la covariance, des corrélations de Spearman et de l'amorçage pour les tests de signification et l'évaluation du modèle.
À partir des 1 137 participants inscrits, 347 ont été inclus dans l'analyse finale, dont 174 étaient normoglycémiques, 79 étaient prédiabétiques et 94 avaient un T2D.
Les chercheurs ont observé des différences significatives dans les métriques des pointes de glucose dans les états du diabète, telles que l'hypoglycémie nocturne, le temps de résolution des pointes, le niveau moyen du glucose et le temps passé dans l'hyperglycémie. Ces différences ont été les plus prononcées entre le T2D et les autres groupes, avec des individus prédiabétiques montrant des métriques statistiquement plus proches de la normoglycémie qu'au T2D pour des mesures clés telles que la fréquence des pointes et l'intensité.
La diversité des microbiomes intestinales était négativement corrélée avec la plupart des mesures de pointes de glucose, ce qui suggère qu'un profil de microbiome plus sain est lié à un meilleur contrôle du glucose.
La fréquence cardiaque au repos plus élevée, l'indice de masse corporelle (IMC) et l'HbA1c étaient associés à des résultats glycémiques plus faibles, tandis que l'activité physique était liée à des modèles de glucose plus favorables. Fait intéressant, l'apport plus élevé en glucides était associé à une résolution de pointes plus rapide mais à des pointes plus fréquentes et intenses.
L'équipe a développé un modèle de classification binaire basé sur des données multimodales qui ont distingué la normoglycémique des personnes T2D à haute précision. Lorsqu'elle est appliquée à l'ensemble de données externe (HPP), le modèle a conservé de fortes performances, et il a réussi à identifier une variabilité substantielle des niveaux de risque chez les individus prédiabétiques avec des valeurs HbA1c similaires.
Ces résultats suggèrent que le profilage glycémique multimodal peut améliorer la prédiction des risques et la surveillance individuelle au-delà des outils de diagnostic standard, en particulier pour le prédiabète.
L'étude souligne que les diagnostics traditionnels du diabète, tels que l'HbA1c, ne parviennent pas à saisir des variations individuelles du métabolisme du glucose.
En utilisant CGM aux côtés de données multimodales basées sur la génomique, le style de vie et le microbiome, les chercheurs ont identifié des différences significatives dans les pics de glucose à travers les individus normoglycémiques, prédiabétiques et T2D, avec des prédiabétiques montrant une similitude plus forte avec la normoglycémie qu'avec T2D dans plusieurs métriques clés.
Le modèle de risque multimodal axé sur l'apprentissage automatique, validé dans une cohorte externe, a révélé une grande variabilité du risque chez les individus prédiabétiques avec des niveaux d'HbA1c identiques, soutenant sa valeur ajoutée par rapport aux métriques standard.
Les forces comprennent la cohorte de progrès décentralisée et diversifiée (avec une représentation de 48,1% de groupes sous-représentés) et la collecte de données du monde réel. Cependant, les limites impliquent des biais potentiels de la variabilité des dispositifs, des inexactitudes dans les biais de TY, des préjugés autodéclarés, des défis de l'exploitation alimentaire et l'utilisation de médicaments antihyperglycémiques.
Une validation plus large et des recherches longitudinales sont nécessaires pour confirmer l'utilité prédictive et la pertinence clinique.
En fin de compte, cette étude démontre le potentiel des données multimodales à distance pour améliorer la détection précoce, le prédiabète risque la stratification et la prévention personnalisée du T2D, ouvrant la voie à des soins de diabète plus précis et inclusifs.
