AI ontdekt vroege waarschuwingssignalen voor diabetes door glucosepieken te analyseren

nieuwe AI-model ontwikkeld door Scripps Research Kan een vroeg risico op diabetes detecteren door realtime glucosepieken en andere gezondheidsgegevens te analyseren die traditionele tests zoals HbA1c vaak missen. Door gebruik te maken van continue glucosemonitors (CGM's), inzichten in het darmmicrobioom, dieet en activiteitsniveau, biedt het model een gedetailleerder beeld van de metabole gezondheid, waardoor risicopersonen kunnen worden geïdentificeerd voordat symptomen optreden.

Key Takeaways:

• Traditionele HbA1c-testen zijn beperkt bij het voorspellen van het vroege risico op diabetes.
• Scripps Research heeft een AI-model ontwikkeld die gebruikmaakt van CGM-gegevens, darmmicrobioom, dieet en activiteitenniveau om het risico op diabetesprogressie nauwkeuriger te beoordelen.
• Aan de PROGRESS-studie namen meer dan 1,000 deelnemers op afstand deel, waardoor een volledig zelfstandig uitgevoerde klinische proef mogelijk is.
• Hersteltijd van glucosepieken is een cruciale marker om metabolische gezondheidsproblemen te identificeren voordat symptomen optreden.
• Het model kan onderscheid maken tussen prediabetische personen met een hoog risico van mensen die minder kans hebben om diabetes te ontwikkelen, zelfs als hun laboratoriumresultaten vergelijkbaar zijn.
• Toekomstige toepassingen kunnen mogelijk maken personen die thuis CGM's gebruiken om hun risico in realtime te monitoren, waardoor vroegtijdige interventies mogelijk worden.

Artsen hebben traditioneel vertrouwd op een laboratoriumtest genaamd HbA1c om type 2-diabetes en prediabetes te diagnosticeren, waarbij de bloeddruk van een persoon werd gemeten gemiddelde bloedsuikerspiegel de afgelopen maanden. Hoewel nuttig, heeft HbA1c zijn beperkingen: het laat niet zien wie op de rand van diabetes staat, en het kan ook geen onderscheid maken tussen personen met dezelfde testscore, maar een verschillend risicoprofiel.

Een nieuwe aanpak, ontwikkeld door onderzoekers van Scripps Research, wil daar verandering in brengen. Door kunstmatige intelligentie te gebruiken en gegevens van draagbare glucosemeters te combineren met inzichten uit voeding, lichaamsbeweging, genetica en darmgezondheid, heeft het team een model ontwikkeld dat vroege waarschuwingssignalen van diabetes opmerkt, lang voordat de symptomen zich openbaren.

Verder kijken dan HbA1c: een diepere blik op de metabolische gezondheid

Dit innovatieve model, gedetailleerd in Nature Medicine, gebruikt informatie van continue glucosemonitors (CGM's) om subtiele verschuivingen te volgen in de bloedsuikerdynamiek. In tegenstelling tot de statische momentopname die HbA1c biedt, legt deze AI-gestuurde methode vast hoe het lichaam reageert op het dagelijks leven – maaltijden, beweging en zelfs slaappatronen – en biedt zo een gedetailleerder beeld van de metabole gezondheid.

"Twee mensen kunnen exact dezelfde HbA1c hebben, maar hun lichaam kan glucose op heel verschillende manieren verwerken", legt Giorgio Quer uit, mede-hoofdauteur en directeur AI bij Scripps Research. "Door de fijne details te monitoren – hoe snel normaliseren de glucosewaarden Na een piek, nachtelijke glucosepatronen, voedingsgewoonten en darmflora kunnen we onderscheiden wie stilletjes richting diabetes gaat.”

Een baanbrekende virtuele klinische proef: de PROGRESS-studie

Het project, genaamd de PROGRESS (Prediction of Glycemic Response) Study, omvatte meer dan 1,000 deelnemers in de VS via een volledig virtuele klinische studie. De deelnemers, variërend van gezonde personen tot mensen met prediabetes en diabetes, droegen 6 dagen lang Dexcom G10 CGM's. Ze registreerden hun maaltijden en trainingen en stuurden monsters van bloed, speeksel en ontlasting op. Onderzoekers maakten ook gebruik van hun medische dossiers om een uitgebreid gezondheidsprofiel samen te stellen.

"Dit was een volledig op afstand uitgevoerde, zelfgestuurde studie", merkt Ed Ramos op, mede-hoofdauteur en Senior Director Digital Clinical Trials bij Scripps. "We hebben een raamwerk ontworpen waarmee deelnemers alles vanuit huis konden doen: hun eigen sensoren bevestigen, monsters verzamelen en ze terugsturen. Het is een nieuwe mijlpaal in klinisch onderzoek."

AI-model identificeert verborgen risico's via glucosedynamiek

Het AI-model werd getraind om deze diverse dataset te doorzoeken en verschillende patronen te identificeren die correleren met het risico op diabetes. Een opvallende maatstaf was de tijd die nodig was om bloedsuikerspiegel stabiliseren na een piek.

Personen met Type 2 diabetes Vaak hadden ze meer dan 100 minuten nodig om hun glucosespiegel terug te brengen naar de basislijn, terwijl gezondere personen veel sneller herstelden. Bovendien vertoonden deelnemers met een rijkere diversiteit aan darmbacteriën en meer fysieke activiteit een betere glucoseregulatie, terwijl degenen met een verhoogde hartslag in rust vatbaarder waren voor een slechte suikerregulatie.

Risico's bij prediabetische personen detecteren voordat het te laat is

Wat dit model bijzonder waardevol maakt, is het vermogen om risico's te detecteren, zelfs wanneer traditionele laboratoriumresultaten normaal lijken. Onder prediabetische deelnemers zou de AI kunnen onderscheiden wie de spiegel heeft. diabetic memetabolische patronen en die dichter bij een gezond profiel bleven, ondanks vergelijkbare HbA1c-waarden. Deze granulariteit zou artsen in staat kunnen stellen interventies te personaliseren en prioriteit te geven aan veranderingen in levensstijl of vroege behandelingen voor degenen die het grootste risico lopen.

Vooruitkijken: impact in de echte wereld en gepersonaliseerde preventie

De onderzoekers blijven deelnemers in de loop van de tijd volgen om te zien of de voorspellingen van het model overeenkomen met de werkelijke ziekteprogressie. Ze hebben het model ook succesvol getest op een onafhankelijke patiëntendataset uit Israël, wat de kans op brede klinische toepassing vergroot.

Vooruitkijkend voorziet het team een toekomst waarin deze AI-tool een standaardonderdeel zou kunnen zijn van de risicobeoordeling van diabetes – hetzij via de huisartspraktijk, hetzij rechtstreeks door mensen die thuis een CGM gebruiken. Door realtime feedback te bieden, zou het mensen in staat kunnen stellen te begrijpen hoe hun dagelijkse gewoonten hun gezondheid beïnvloeden en proactieve maatregelen te nemen om ziekte te voorkomen.

"Diabetes ontstaat niet van de ene op de andere dag", benadrukt Quer. "Het is een geleidelijk proces, en met de technologie die we nu hebben, kunnen we het eerder opsporen en op slimmere, meer gepersonaliseerde manieren ingrijpen."