AI låser op for tidlige diabetesadvarselstegn ved at analysere glukosestigninger

En ny AI-model udviklet af Scripps Research kan opdage tidlig diabetesrisiko ved at analysere realtidsglukosestigninger og andre sundhedsdata, som traditionelle tests som HbA1c ofte overser. Ved at bruge kontinuerlige glukosemålere (CGM'er), indsigt i tarmmikrobiomet, kost og aktivitetsniveauer giver modellen et mere detaljeret overblik over metabolisk sundhed, hvilket hjælper med at identificere personer i risikozonen, før symptomerne opstår.

Nøgle Informationer:

• Traditionelle HbA1c-tests er begrænsede i at forudsige tidlig risiko for diabetes.
• Scripps Research udviklede en AI-model der bruger CGM-data, tarmmikrobiom, kost og aktivitetsniveauer til mere præcist at vurdere risikoen for diabetesprogression.
• PROGRESS-studiet inkluderede over 1,000 deltagere via fjernadgang, hvilket muliggør et fuldt selvstyret klinisk forsøg.
• Genopretningstid for glukosespidser er en kritisk markør til at identificere metaboliske helbredsproblemer, før symptomerne opstår.
• Modellen kan skelne mellem højrisiko prædiabetesindivider fra dem, der er mindre tilbøjelige til at udvikle diabetes, selvom de har lignende laboratorieresultater.
• Fremtidige applikationer kan muligvis tillade personer, der bruger CGM'er derhjemme til at overvåge deres risiko i realtid, hvilket muliggør tidlige interventioner.

Læger har traditionelt benyttet en laboratorietest kaldet HbA1c til at diagnosticere type 2-diabetes og prædiabetes, hvor de måler en persons gennemsnitligt blodsukker i løbet af de seneste par måneder. Selvom HbA1c er nyttigt, har det sine begrænsninger – det afslører ikke, hvem der er på nippet til at udvikle diabetes, og det kan heller ikke skelne mellem personer, der deler den samme testscore, men har forskellige risikoprofiler.

En ny tilgang udviklet af forskere ved Scripps Research sigter mod at ændre dette. Ved at udnytte kunstig intelligens og kombinere data fra bærbare blodsukkermålere med indsigt fra kost, fysisk aktivitet, genetik og tarmsundhed har teamet skabt en model, der opdager tidlige advarselstegn på diabetes længe før symptomerne viser sig.

Ud over HbA1c: Et dybere kig på metabolisk sundhed

Denne innovative model, beskrevet i Nature Medicine, bruger information fra kontinuerlige glukosemonitorer (CGM'er) til at spore subtile ændringer i blodsukkerdynamikken. I modsætning til det statiske øjebliksbillede, som HbA1c giver, indfanger denne AI-drevne metode, hvordan kroppen reagerer på dagligdagen – måltider, motion og endda søvnmønstre – hvilket giver et mere raffineret billede af metabolisk sundhed.

"To personer kan have præcis den samme HbA1c, men deres kroppe kan håndtere glukose på meget forskellige måder," forklarer Giorgio Quer, medforfatter og direktør for AI hos Scripps Research. "Ved at overvåge de fine detaljer – hvordan hurtigt normalisere glukoseniveauer efter en stigning, natten over glukosemønstre, kostvaner og tarmflora – kan vi skelne mellem dem, der lydløst nærmer sig diabetes.”

Et banebrydende virtuelt klinisk forsøg: PROGRESS-studiet

Projektet, kaldet PROGRESS (Prediction of Glycemic Response) Study, inkluderede over 1,000 deltagere over hele USA gennem et fuldt virtuelt klinisk forsøg. Deltagerne, lige fra raske personer til personer med prædiabetes og diabetes, bar Dexcom G6 CGM'er i 10 dage. De registrerede deres måltider og træning og sendte prøver af blod, spyt og afføring med posten. Forskerne gennemgik også deres patientjournaler for at indsamle en omfattende sundhedsprofil.

"Dette var et fuldstændig fjernbaseret, selvstyret studie," bemærker Ed Ramos, medforfatter og Senior Director of Digital Clinical Trials hos Scripps. "Vi designede et rammeværk, der lod deltagerne udføre alt hjemmefra – de kunne tilslutte deres egne sensorer, indsamle prøver og sende dem tilbage. Det er en ny grænse inden for klinisk forskning."

AI-model identificerer skjult risiko gennem glukosedynamik

AI-modellen blev trænet til at gennemgå dette forskelligartede datasæt og identificere forskellige mønstre, der korrelerer med diabetesrisiko. En bemærkelsesværdig måleenhed var den tid, det tog for blodsukkerniveauet stabiliseres efter en stigning.

Personer med Type 2 diabetes ofte brugte de over 100 minutter på at bringe deres glukose tilbage til baseline, hvorimod sundere individer kom sig langt hurtigere. Derudover viste deltagere med en rigere mangfoldighed af tarmbakterier og højere niveauer af fysisk aktivitet bedre glukosekontrol, mens dem med forhøjet hvilepuls var mere tilbøjelige til dårlig sukkerregulering.

Opdagelse af risiko hos prædiabetiske personer, før det er for sent

Det, der gør denne model særligt værdifuld, er dens evne til at opdage risiko, selv når traditionelle laboratorieresultater ser normale ud. Blandt prædiabetiske deltagere kunne AI'en skelne, hvem der spejlede diabetic metabletiske mønstre, og som forblev tættere på en sund profil, på trods af lignende HbA1c-niveauer. Denne granularitet kan gøre det muligt for læger at personliggøre interventioner, prioritere livsstilsændringer eller tidlig behandling for dem, der er mest udsatte.

Fremadrettet blik: Virkelig effekt og personlig forebyggelse

Forskerne fortsætter med at overvåge deltagerne over tid for at se, om modellens forudsigelser stemmer overens med den faktiske sygdomsprogression. De har også med succes testet modellen på et uafhængigt patientdatasæt fra Israel, hvilket øger dens potentiale for udbredt klinisk anvendelse.

Holdet ser fremadrettet en fremtid, hvor dette AI-værktøj kan være en standard del af risikovurderingen for diabetes – enten gennem lægepraksisser eller direkte af personer, der bruger CGM'er derhjemme. Ved at tilbyde feedback i realtid kan det give folk mulighed for at forstå, hvordan deres daglige vaner påvirker deres helbred, og tage proaktive skridt til at forebygge sygdom.

"Diabetes udvikler sig ikke natten over," understreger Quer. "Det er en gradvis proces, og med den teknologi, vi har nu, kan vi opdage det tidligere og gribe ind på smartere og mere personlige måder."