Tirant parti de la métabolomique de pointe, cette étude dévoile un modèle de prévision du diabète rentable et précis qui pourrait révolutionner les stratégies de détection et de prévention précoces.
Étude : Nouveau score de prédiction du diabète de type 2 basé sur les facteurs de risque traditionnels et les métabolites circulants : dérivation et validation de modèles dans deux grandes études de cohorte. Crédit d’image : Shuterstock IA
Dans une étude récente publiée dans la revue eMédecineCliniqueles chercheurs ont évalué la valeur supplémentaire de l'ajout de biomarqueurs dérivés du métabolome au score de risque de diabète traditionnel de Cambridge (CDRS) pour prédire un risque de diabète sur 10 ans. L’étude a utilisé les données de deux grandes cohortes : la biobanque britannique et la cohorte allemande ESTHER, garantissant ainsi un développement et une validation robustes de modèles. Les données sur les métabolites de plus de 86 000 biobanques britanniques (formation et validation interne) et de près de 4 400 participants à la cohorte allemande ESTHER (validation externe) ont révélé 11 biomarqueurs qui ont considérablement amélioré la précision du CDRS (0,815 à 0,834).
Notamment, un modèle prédictif concis utilisant seulement quatre biomarqueurs métabolites peu coûteux et faciles à obtenir a atteint une précision comparable, soulignant leur utilité dans l’évaluation de routine du risque de diabète.
Sommaire
Arrière-plan
Le diabète de type 2 (DT2) est une maladie chronique caractérisée par des taux de sucre dans le sang malsains, entraînant des complications potentiellement mortelles, notamment des maladies cardiovasculaires (MCV), des maladies rénales et une perte de vision. La maladie est causée par l'incapacité de l'organisme à sécréter ou à utiliser des quantités suffisantes d'insuline et a été attribuée à la génétique, aux comportements liés à la santé (niveaux de sommeil et d'activité physique) et au poids élevé.
Il est alarmant de constater que la prévalence du DT2 a augmenté à des niveaux sans précédent, ce qui entraîne des conséquences économiques, une qualité de vie et une mortalité considérables pour les patients et leurs familles. Malheureusement, il n’existe aucun remède contre le diabète, les interventions cliniques traditionnelles visant à atténuer ou à retarder l’apparition du DT2. La détection ou la prédiction précoce du risque de DT2 est essentielle pour préparer les cliniciens et les patients potentiels au DT2 chronique. Malheureusement, les approches prédictives actuelles, bien que capables de différencier les risques faibles des risques élevés, manquent de spécificité et peuvent être confondues par des combinaisons de facteurs de risque.
À propos de l'étude
Les progrès de la spectroscopie par résonance magnétique nucléaire (RMN) et leurs applications dans la recherche en métabolomique fournissent des vues plus complètes et nuancées de diverses altérations métabolomiques précédant l’apparition du DT2, soulignant leur potentiel dans la modélisation prédictive du DT2. La présente étude exploite ce concept pour dériver un nouveau score de risque de DT2 à l'aide de données métabolomique RMN provenant de deux ensembles de données à long terme basés sur la population.
Les données de l'étude pour l'élaboration du modèle et la validation interne ont été obtenues auprès de la biobanque du Royaume-Uni (UKB ; 70 % de formation, 30 % de validation), comprenant 502 493 participants âgés de 37 à 73 ans répartis sur 22 sites en Écosse, au Pays de Galles et en Angleterre. Le modèle résultant a été validé en externe à l'aide de la cohorte ESTHER, un ensemble de données démographiques centrées sur l'Allemagne (Sarre) obtenues auprès de 9 940 participants âgés de 50 à 75 ans. Les participants ayant des antécédents médicaux de diabète et des données manquantes ont été exclus de la modélisation et des analyses.
Les données métabolomique RMN ont été obtenues à l’aide de la plateforme à haut débit Nightingale Health, comprenant 250 métabolites dérivés du plasma sanguin. Au cours des analyses, l'un des métabolites (le glycérol) manquait dans les ensembles de données de la plupart des participants et a donc été exclu du calcul final du modèle. La sélection du modèle a permis d'identifier l'opérateur de retrait et de sélection le moins absolu (LASSO) comme étant le plus fiable. Une transformation logarithmique des données d'entrée (garantissant ainsi la normalité et tenant compte des valeurs aberrantes) a été réalisée pour améliorer encore les performances du modèle.
L'étude a également effectué des analyses de sous-groupes pour examiner la robustesse du nouveau modèle dans différents groupes, notamment l'âge, le sexe et le statut d'obésité. Pour comparer et améliorer l'étalon-or prédictif actuel du DT2, des variables du Cambridge Diabetes Risk Score (CDRS) ont été incluses dans la dérivation du modèle, de sorte que les 249 métabolites évalués ici ont été ajoutés aux variables CDRS par incréments. Cela permet de calculer l'amélioration relative de la puissance prédictive pour chaque variable métabolomique supplémentaire et d'identifier celles ayant la puissance prédictive la plus élevée (analyses de la courbe caractéristique de fonctionnement du récepteur (ROC)).
Résultats de l'étude
Sur les plus de 512 000 participants composant les cohortes UKB et ESTHER, 86 232 (UKB) et 4 383 (ESTHER) répondaient aux critères d’inclusion de l’étude et ont été inclus dans les analyses (dérivation et validation du modèle). Ces participants étaient d'âges similaires (59,9 et 60,2) et de répartition par sexe (44,3 % et 42,7 % d'hommes) dans les ensembles de données UKB et ESTHER, respectivement. Notamment, les niveaux de base de l’indice de masse corporelle (IMC) et de l’hémoglobine A1c (HbA1c) étaient presque identiques entre les deux cohortes, soulignant leur comparabilité.
Les analyses LASSO ont révélé 11 métabolites ayant le pouvoir prédictif le plus élevé parmi les 249 analysés. Ces métabolites comprenaient des corps cétoniques associés à la glycolyse (n = 4), des corps cétoniques (n = 2), des acides aminés (n = 2), associés aux lipoprotéines (n = 2) et un métabolite lié aux acides gras (n = 1). Les exemples clés incluent le glucose, le pyruvate, le lactate et le citrate. Notamment, la précision prédictive sur 10 ans de ces métabolites, indépendante des variables CDRS, était élevée (indice C = 0,733 et 0,735 dans les ensembles de données de validation interne et externe, respectivement). Lorsque les métabolites dérivés de l'UKB ont été progressivement combinés avec le CRDS, la précision prédictive (indice C de base = 0,815) a été significativement améliorée (indice C combiné = 0,834).
Des améliorations similaires ont été observées dans la cohorte de validation externe ESTHER (l'indice C est passé de 0,770 à 0,798). De manière impressionnante, le nouveau modèle « UK Biobank Diabetes Risk Score (UKB-DRS) » a obtenu des améliorations comparables en utilisant seulement quatre des 11 métabolites identifiés.
La robustesse du modèle simplifié était évidente dans les courbes d'étalonnage, qui montraient des performances prédictives similaires à celles du modèle complet dans les deux cohortes.
Conclusions
La présente étude représente l'ensemble de données le plus complet utilisé pour dériver un modèle prédictif du DT2 et met en évidence la valeur des données sur les métabolites dérivées de la RMN pour évaluer le risque sur 10 ans d'un individu de développer un DT2. Les progrès de l’imagerie RMN ont considérablement réduit le fardeau financier de ces évaluations, et la facilité d’acquisition des données (petites quantités de plasma dérivé du sang) met en évidence l’utilité méthodologique et clinique de l’approche.
L'étude présente un nouveau modèle UKB-DRS qui améliore considérablement l'exactitude prédictive de l'étalon-or actuel (CDRS), offrant ainsi aux cliniciens et aux patients potentiels un délai supplémentaire pour atténuer, retarder ou éviter l'apparition du DT2. Des études futures sont recommandées pour valider ce modèle auprès de populations ethniquement diverses et de groupes d’âge plus jeunes.
