Neue Von Scripps Research entwickeltes KI-Modell kann ein frühes Diabetesrisiko erkennen, indem es Echtzeit-Glukosespitzen und andere Gesundheitsdaten analysiert, die bei herkömmlichen Tests wie HbA1c oft übersehen werden. Durch die Verwendung kontinuierlicher Glukosemonitore (CGMs), Erkenntnissen über das Darmmikrobiom, Ernährung und Aktivitätsniveaus bietet das Modell einen detaillierteren Überblick über die Stoffwechselgesundheit und hilft, gefährdete Personen zu identifizieren, bevor Symptome auftreten.
Die zentralen Thesen:
- Herkömmliche HbA1c-Tests sind begrenzt bei der Vorhersage eines frühen Diabetesrisikos.
- Scripps Research hat ein KI-Modell entwickelt das CGM-Daten, Darmmikrobiom, Ernährung und Aktivitätsniveaus verwendet, um das Risiko einer Diabetesprogression genauer zu beurteilen.
- An der PROGRESS-Studie nahmen über 1,000 Teilnehmer teil., was eine vollständig selbstgesteuerte klinische Studie ermöglicht.
- Die Erholungszeit nach einem Glukoseanstieg ist ein kritischer Marker zur Erkennung von Stoffwechselproblemen, bevor Symptome auftreten.
- Das Modell kann Unterscheidung von Personen mit hohem Prädiabetes-Risiko von denen, die weniger wahrscheinlich an Diabetes erkranken, selbst wenn sie ähnliche Laborergebnisse haben.
- Zukünftige Anwendungen können Personen, die CGMs zu Hause verwenden, um ihr Risiko in Echtzeit zu überwachen, wodurch frühzeitige Interventionen möglich werden.
Ärzte haben sich traditionell auf einen Labortest namens HbA1c verlassen, um Typ-2-Diabetes und Prädiabetes zu diagnostizieren, der die durchschnittlicher Blutzucker Der HbA1c-Test ist zwar nützlich, hat aber seine Grenzen: Er zeigt weder an, wer kurz davor steht, Diabetes zu entwickeln, noch kann er zwischen Personen unterscheiden, die zwar das gleiche Testergebnis, aber unterschiedliche Risikoprofile haben.
Ein neuer Ansatz von Forschern bei Scripps Research soll das ändern. Durch die Nutzung künstlicher Intelligenz und die Kombination von Daten tragbarer Blutzuckermessgeräte mit Erkenntnissen aus Ernährung, körperlicher Aktivität, Genetik und Darmgesundheit hat das Team ein Modell entwickelt, das Frühwarnzeichen von Diabetes erkennt, lange bevor Symptome auftreten.
Über HbA1c hinaus: Ein tieferer Blick auf die Stoffwechselgesundheit
Dieses innovative Modell, detailliert in Nature Medicine, nutzt Informationen aus kontinuierliche Glukosemonitore (CGMs) zur Verfolgung subtiler Veränderungen in der Blutzuckerdynamik. Im Gegensatz zur statischen Momentaufnahme des HbA1c-Werts erfasst diese KI-gesteuerte Methode, wie der Körper auf das tägliche Leben reagiert – Mahlzeiten, Bewegung und sogar Schlafmuster – und bietet so einen genaueren Überblick über die Stoffwechselgesundheit.
„Zwei Menschen haben zwar den gleichen HbA1c-Wert, doch ihr Körper verarbeitet Glukose auf sehr unterschiedliche Weise“, erklärt Giorgio Quer, Co-Autor und Leiter der KI-Abteilung bei Scripps Research. „Durch die Überwachung der feinen Details – wie schnell normalisiert sich der Glukosespiegel nach einem Anstieg, anhand der nächtlichen Glukosemuster, der Ernährungsgewohnheiten und der Darmmikrobiota können wir erkennen, wer sich still und heimlich einer Diabeteserkrankung nähert.“
Eine bahnbrechende virtuelle klinische Studie: Die PROGRESS-Studie
Das Projekt mit dem Namen PROGRESS (Prediction of Glycemic Response) Study umfasste über 1,000 Teilnehmer aus den USA im Rahmen einer vollständig virtuellen klinischen Studie. Die Teilnehmer, von gesunden Personen bis hin zu Personen mit Prädiabetes und Diabetes, trugen zehn Tage lang Dexcom G6 CGMs. Sie protokollierten ihre Mahlzeiten und Trainingseinheiten und schickten Blut-, Speichel- und Stuhlproben ein. Die Forscher griffen außerdem auf ihre Krankenakten zu, um ein umfassendes Gesundheitsprofil zu erstellen.
„Dies war eine vollständig ferngesteuerte, selbstgesteuerte Studie“, bemerkt Ed Ramos, Co-Leitautor und Senior Director of Digital Clinical Trials bei Scripps. „Wir haben ein System entwickelt, das es den Teilnehmern ermöglicht, alles von zu Hause aus zu erledigen – das Anbringen ihrer eigenen Sensoren, das Sammeln von Proben und deren Rücksendung. Das ist ein Neuland in der klinischen Forschung.“
KI-Modell identifiziert versteckte Risiken durch Glukosedynamik
Das KI-Modell wurde darauf trainiert, diesen vielfältigen Datensatz zu durchforsten und dabei unterschiedliche Muster zu identifizieren, die mit dem Diabetesrisiko korrelieren. Ein herausragendes Merkmal war die Zeit, die für Stabilisierung des Blutzuckerspiegels nach einem Anstieg.
Einzelpersonen mit Typ 2 Diabetes benötigten oft über 100 Minuten, um ihren Blutzuckerspiegel wieder auf den Ausgangswert zu bringen, während sich gesündere Personen deutlich schneller erholten. Darüber hinaus zeigten Teilnehmer mit einer größeren Vielfalt an Darmbakterien und einem höheren Maß an körperlicher Aktivität eine bessere Blutzuckerkontrolle, während diejenigen mit erhöhter Ruheherzfrequenz eher zu einer schlechten Zuckerregulierung neigten.
Risiken bei Prädiabetikern erkennen, bevor es zu spät ist
Was dieses Modell besonders wertvoll macht, ist seine Fähigkeit, Risiken zu erkennen, selbst wenn herkömmliche Laborergebnisse normal erscheinen. Unter den prädiabetischen Teilnehmern konnte die KI erkennen, wer diabetic metabellarische Muster und wer trotz ähnlicher HbA1c-Werte eher einem gesunden Profil entspricht. Diese Granularität könnte es Ärzten ermöglichen, Interventionen zu personalisieren und Lebensstiländerungen oder frühzeitige Behandlungen für die am stärksten gefährdeten Personen zu priorisieren.
Ausblick: Auswirkungen auf die reale Welt und personalisierte Prävention
Die Forscher beobachten die Teilnehmer weiterhin, um zu sehen, ob die Vorhersagen des Modells mit dem tatsächlichen Krankheitsverlauf übereinstimmen. Sie haben das Modell außerdem erfolgreich an einem unabhängigen Patientendatensatz aus Israel getestet und damit sein Potenzial für eine breite klinische Anwendung erhöht.
Das Team sieht eine Zukunft, in der dieses KI-Tool fester Bestandteil der Diabetes-Risikobewertung sein könnte – entweder in Arztpraxen oder direkt durch Patienten, die CGMs zu Hause verwenden. Durch Echtzeit-Feedback könnten Menschen verstehen, wie sich ihre täglichen Gewohnheiten auf ihre Gesundheit auswirken, und proaktive Maßnahmen zur Krankheitsprävention ergreifen.
„Diabetes entsteht nicht über Nacht“, betont Quer. „Es ist ein schleichender Prozess, und mit der heutigen Technologie können wir ihn früher erkennen und intelligenter und individueller eingreifen.“
Quellen
At Diabetic MeWir sind bestrebt, präzise, genaue und relevante Informationen bereitzustellen. Unsere Artikel werden durch verifizierte Daten von Forschungsarbeiten, renommierten Organisationen, akademischen Institutionen und medizinischen Vereinigungen gestützt, um die Integrität und Relevanz der von uns bereitgestellten Informationen zu gewährleisten. Mehr über unseren Prozess und unser Team erfahren Sie auf der Über uns-Seite.
