هوش مصنوعی خطر پنهان دیابت را تشخیص می‌دهد
در مقاله‌ای که اخیراً در مجله Nature Medicine منتشر شده است، محققان داده‌های بیش از ۲۴۰۰ نفر را در دو گروه تجزیه و تحلیل کردند تا الگو‌های افزایش ناگهانی گلوکز را شناسایی کرده و پروفایل‌های خطر گلیسمی شخصی‌سازی شده را ایجاد کنند.
آنها تفاوت‌های قابل توجهی در الگو‌های افزایش ناگهانی گلوکز بین افراد مبتلا به دیابت نوع ۲ (T۲D) و افراد مبتلا به پیش‌دیابت یا نورموگلیسمی کشف کردند. مدل خطر چندوجهی آنها می‌تواند به پزشکان کمک کند تا افراد پیش‌دیابتی را که در معرض خطر بیشتری برای ابتلا به T۲D هستند، شناسایی کنند.
افراد مبتلا به T۲D مقادیر هیپوگلیسمی شبانه بالاتر و زمان‌های طولانی‌تر رفع افزایش ناگهانی گلوکز (به طور متوسط ۲۰+ دقیقه کندتر از افراد نورموگلیسمی) را تجربه کردند که نشان‌دهنده تفاوت‌های فیزیولوژیکی کلیدی است.
دیابت و پیش‌دیابت بخش بزرگی از جمعیت بزرگسال آمریکایی را تحت تأثیر قرار می‌دهند، اما ابزار‌های تشخیصی استاندارد مانند هموگلوبین گلیکوزیله (HbA۱c) و گلوکز ناشتا نمی‌توانند پیچیدگی کامل تنظیم گلوکز را منعکس کنند.
عوامل زیادی، از جمله استرس، ترکیب میکروبیوم، خواب، فعالیت بدنی، ژنتیک، رژیم غذایی و سن، می‌توانند بر نوسانات قند خون، به ویژه افزایش ناگهانی قند خون پس از غذا (که به عنوان افزایش حداقل ۳۰ میلی‌گرم در دسی‌لیتر در عرض ۹۰ دقیقه تعریف می‌شود) تأثیر بگذارند، که حتی در افراد به ظاهر سالم نیز مشاهده شده است.
مطالعات قبلی این تغییرات را با استفاده از پایش مداوم گلوکز (CGM) بررسی کرده‌اند، اما دامنه آنها محدود به افراد پیش دیابتی و افراد دارای قند خون طبیعی بود که اغلب فاقد نماینده از گروه‌های کمتر شناخته شده در تحقیقات زیست پزشکی بودند.
برای رفع این شکاف، مطالعه PROGRESS یک کارآزمایی بالینی از راه دور در سراسر کشور انجام داد که شامل ۱۱۳۷ شرکت کننده متنوع (۴۸.۱ ٪ از گروه‌هایی که از نظر تاریخی در تحقیقات زیست پزشکی کمتر شناخته شده بودند) از افراد دارای قند خون طبیعی تا دیابت نوع ۲ بود. محققان طیف گسترده‌ای از داده‌های خودگزارش شده و مبتنی بر حسگر، از جمله اطلاعات فیزیولوژیکی، سبک زندگی، بیولوژیکی، جمعیت شناختی و بالینی را جمع‌آوری کردند.
این رویکرد چندوجهی امکان درک دقیق‌تری از کنترل قند خون و تنوع فردی در افزایش ناگهانی قند خون را فراهم کرد.
این مطالعه با هدف ایجاد پروفایل‌های جامع خطر گلیسمی انجام شد که می‌تواند تشخیص و مداخله زودهنگام را برای افراد پیش‌دیابتی که در معرض خطر پیشرفت به دیابت هستند، بهبود بخشد و جایگزینی شخصی‌سازی‌شده برای معیار‌های تشخیصی مرسوم مانند HbA۱c ارائه دهد.
محققان از داده‌های دو گروه استفاده کردند: PROGRESS (یک کارآزمایی بالینی دیجیتال مستقر در ایالات متحده) و HPP (یک مطالعه مشاهده‌ای اسرائیلی). PROGRESS بزرگسالان مبتلا به دیابت نوع ۲ و غیر مبتلا را به مدت ۱۰ روز تحت نظارت مداوم مداوم (CGM) قرار داد و در عین حال داده‌هایی در مورد میکروبیوم روده، ژنومیک، ضربان قلب، خواب، رژیم غذایی و فعالیت را جمع‌آوری کرد.
منبع: مدیکال منیوز
