מודל בינה מלאכותית חדש מזהה את הסיכון לסוכרת לפני שמופיעות תוצאות בדיקה חריגות

מיליונים עשויים לא להיות מודעים לסיכון המוקדם שלהם לסוכרת. מודלים של בינה מלאכותית מראים מדוע עליות הסוכר בדם שלכם עשויות להיות חשובות יותר מתוצאות הבדיקות שלכם.

במאמר שפורסם לאחרונה בכתב העת Nature Medicine, ניתחו חוקרים נתונים של יותר מ-2,400 איש משתי קבוצות מחקר כדי לזהות דפוסים של עליות רמות גלוקוז ולפתח פרופילי סיכון גליקמיים מותאמים אישית.

הם מצאו הבדלים משמעותיים בדפוסי עליות ברמות הגלוקוז בין אנשים עם סוכרת מסוג 2 (T2D) לבין אלו עם טרום-סוכרת או נורמוגליקמיה. מודל הסיכון הרב-מודאלי שלהם יכול לסייע לרופאים לזהות טרום-סוכרתיים הנמצאים בסיכון גבוה יותר לפתח סוכרת מסוג 2.

אנשים עם סוכרת סוג 2 חוו היפוגליקמיה לילית חמורה יותר ולקח להם זמן רב יותר, בממוצע יותר מ-20 דקות, לחזור לרמות הגלוקוז הבסיסיות לאחר עליות רמות גבוהות – מה שמצביע על הבדלים פיזיולוגיים מרכזיים.

סוכרת וטרום-סוכרת משפיעות על חלק ניכר מאוכלוסיית המבוגרים בארה"ב, אך בדיקות אבחון סטנדרטיות כגון המוגלובין מסוכרר (HbA1c) וגלוקוז בצום אינן לוכדות את מלוא המורכבות של ויסות הגלוקוז.

גורמים רבים - לחץ, הרכב המיקרוביום, שינה, פעילות גופנית, גנטיקה, תזונה וגיל - יכולים להשפיע על תנודות ברמת הגלוקוז בדם, במיוחד קפיצות לאחר ארוחה (מוגדרות כעלייה של לפחות 30 מ"ג/ד"ל תוך 90 דקות), המתרחשות אפילו אצל אנשים שנראים בריאים.

בעבר, שינויים אלה נחקרו באמצעות ניטור רציף של גלוקוז (CGM), אך הכיסוי שלהם הוגבל לעתים קרובות לאנשים טרום-סוכרתיים ואנשים עם רמות גליקמיות נורמליות, ומחקרים לעתים קרובות חסרו ייצוג של קבוצות שלא ייצוגו מספיק מבחינה היסטורית במחקר ביו-רפואי.

כדי להתמודד עם פער זה, מחקר PROGRESS ערך ניסוי קליני ארצי מרחוק, בו השתתפו 1,137 משתתפים מגוונים (48.1% מקבוצות שהיו חסרות ייצוג היסטורי במחקר ביו-רפואי) עם רמות סוכר תקינות וסוכרת מסוג 2 במשך 10 ימים של CGM, תוך איסוף נתונים על הרכב המיקרוביום, גנומיקה, קצב לב, שינה, תזונה ופעילות.

גישה רב-מודאלית זו אפשרה הבנה מעמיקה יותר של בקרת גליקמיה ושונות בין-אישית בתנועות גלוקוז.

מטרת המחקר הייתה ליצור פרופילי סיכון גליקמיים מקיפים שיוכלו לשפר את הגילוי המוקדם וההתערבות עבור חולי טרום-סוכרת הנמצאים בסיכון להתקדמות לסוכרת, ולהציע אלטרנטיבה מותאמת אישית למדדי אבחון מסורתיים כמו HbA1c.

החוקרים השתמשו בנתונים משתי קבוצות: PROGRESS (ניסוי קליני דיגיטלי בארה"ב) ו-HPP (מחקר תצפיתי בישראל). במחקר PROGRESS נכללו מבוגרים עם ובלי סוכרת סוג 2 שעברו 10 ימים של CGM, ובמקביל אספו נתונים על המיקרוביום של המעי, גנומיקה, קצב לב, שינה, תזונה ופעילות גופנית.

גיוון המיקרוביום במעי (מדד שאנון) הראה מתאם שלילי ישיר עם רמות גלוקוז ממוצעות: ככל שהמיקרוביוטה פחות מגוונת, כך בקרת הגלוקוז גרועה יותר בכל הקבוצות.

המשתתפים אספו גם דגימות צואה, דם ורוק בבית ושיתפו את הרשומות הרפואיות האלקטרוניות שלהם. קריטריוני ההדרה כללו שימוש אחרון באנטיביוטיקה, הריון, סוכרת מסוג 1 וגורמים אחרים שעלולים לבלבל את נתוני CGM או נתוני מטבוליזם. גיוס המשתתפים נערך מרחוק לחלוטין באמצעות מדיה חברתית והזמנות המבוססות על רשומות רפואיות אלקטרוניות.

נתוני CGM עובדו במרווחי זמן של דקות, וקפיצות גלוקוז הוגדרו באמצעות ספים קבועים מראש. חושבו שישה מדדים גליקמיים מרכזיים, כולל גלוקוז ממוצע, זמן היפרגליקמיה ומשך הקפיצה.

נתוני אורח חיים נאספו באמצעות אפליקציית יומן מזון ומכשירי מעקב לבישים. נתוני גנום ונתוני מיקרוביום נותחו בשיטות סטנדרטיות, וחושבו מדדים מורכבים כגון ציוני סיכון פוליגניים ומדדי גיוון מיקרוביום.

לאחר מכן נבנה באמצעות למידת מכונה מודל להערכת סיכון לסוכרת מסוג 2 באמצעות נתונים רב-מודאליים (דמוגרפיה, אנתרופומטריה, CGM, תזונה ומיקרוביום) וביצועיו נבדקו בקבוצות PROGRESS ו-HPP. ניתוח סטטיסטי השתמש בניתוח שונות משותפת, מתאמי ספירמן ו-bootstrapping כדי לבחון מובהקות ולהעריך את המודל.

מתוך 1137 המשתתפים שנכללו במחקר, 347 נכללו בניתוח הסופי: 174 עם רמות גליקמיה נורמליות, 79 עם טרום-סוכרת ו-94 עם סוכרת סוג 2.

החוקרים מצאו הבדלים משמעותיים במדדי קפיצות גלוקוז בין המצבים השונים: היפוגליקמיה לילית, זמן פתרון קפיצות, גלוקוז ממוצע וזמן היפרגליקמיה. ההבדלים הגדולים ביותר היו בין סוכרת סוג 2 לקבוצות האחרות, כאשר טרום-סוכרתיים היו קרובים יותר סטטיסטית לנורמוגליקמיה מאשר סוכרת סוג 2 עבור מדדים מרכזיים כגון תדירות ועוצמת קפיצות.

גיוון המיקרוביום נמצא בקורלציה שלילית עם רוב מדדי עלייה חדה ברמת הגלוקוז, דבר המצביע על כך שמיקרוביום בריא קשור לשליטה טובה יותר ברמת הגלוקוז.

דופק גבוה יותר במנוחה, מדד מסת גוף ו-HbA1c היו קשורים לתוצאות גליקמיות גרועות יותר, בעוד שפעילות גופנית נקשרה לדפוסי גלוקוז נוחים יותר. מעניין לציין, שצריכת פחמימות גבוהה יותר נקשרה לרזולוציה מהירה יותר של שיא העלייה, אך גם לקפיצות תכופות ועוצמתיות יותר.

הצוות פיתח מודל סיווג בינארי המבוסס על נתונים רב-מודאליים שהבחין בין רמת גליקמיה תקינה לבין סוכרת סוג 2 בדיוק גבוה. כאשר יושם על קבוצה חיצונית (HPP), המודל שמר על ביצועים גבוהים וזיהה בהצלחה שונות משמעותית ברמות הסיכון בקרב חולי טרום-סוכרת עם ערכי HbA1c דומים.

תוצאות אלו מצביעות על כך שפרופיל גליקמי רב-מודאלי עשוי לשפר את ניבוי הסיכון ואת הניטור האישי בהשוואה לשיטות אבחון סטנדרטיות, במיוחד עבור טרום-סוכרת.

המחקר מדגיש כי אמצעי אבחון מסורתיים של סוכרת, כגון HbA1c, אינם משקפים מאפיינים אישיים של מטבוליזם הגלוקוז.

באמצעות CGM בשילוב עם נתונים רב-מודאליים (גנומיקה, אורח חיים, מיקרוביום), החוקרים מצאו הבדלים משמעותיים בתנודות ברמות הגלוקוז בין נורמוגליקמיה, טרום-סוכרת וסוכרת מסוג 2, כאשר טרום-סוכרת מראה דמיון גדול יותר לנורמוגליקמיה מאשר סוכרת מסוג 2 במספר מדדים מרכזיים.

מודל הסיכון שפותח, המבוסס על למידת מכונה, שאומתה בקבוצה חיצונית, גילה שונות רחבה בסיכון בקרב חולי טרום-סוכרת עם ערכי HbA1c דומים, ומאשר את הערך הנוסף שלו בהשוואה לשיטות מסורתיות.

נקודות החוזק של המחקר כוללות את קבוצת PROGRESS המבוזרת והמגוונת (48.1% מקבוצות שאינן מייצגות מספיק) ואת איסוף הנתונים "מהעולם האמיתי". עם זאת, המגבלות כוללות הטיה אפשרית עקב הבדלים בין מכשירים, אי דיוקים בדיווח עצמי, קשיים בניהול יומן מזון ושימוש בתרופות להורדת סוכר.

יש צורך באימות נרחב יותר ובמחקרים ארוכי טווח כדי לאשר את התועלת הפרוגנוסטית והמשמעות הקלינית.

בסופו של דבר, מחקר זה מדגים את הפוטנציאל של איסוף נתונים רב-מודאלי מרחוק לשיפור הגילוי המוקדם, ריבוד הסיכון לסוכרת טרום-סוכרת ומניעה מותאמת אישית של סוכרת מסוג 2, ובכך לסלול את הדרך לטיפול מדויק וכוללני יותר עבור חולים בסיכון לסוכרת.