Un nuovo modello di intelligenza artificiale identifica il rischio di diabete prima che compaiano risultati anomali dei test

Milioni di persone potrebbero non essere consapevoli del rischio precoce di diabete. I modelli di intelligenza artificiale mostrano perché i picchi glicemici potrebbero essere più importanti dei risultati degli esami.

In un recente articolo pubblicato sulla rivista Nature Medicine, i ricercatori hanno analizzato i dati di oltre 2.400 persone divise in due coorti per identificare modelli di picchi glicemici e sviluppare profili di rischio glicemico personalizzati.

Hanno riscontrato differenze significative nei picchi glicemici tra le persone con diabete di tipo 2 (T2D) e quelle con prediabete o normoglicemia. Il loro modello di rischio multimodale potrebbe aiutare i medici a identificare i prediabetici a più alto rischio di sviluppare T2D.

Le persone affette da diabete di tipo 2 hanno sperimentato un'ipoglicemia notturna più grave e hanno impiegato più tempo, in media più di 20 minuti, per tornare ai livelli basali di glucosio dopo i picchi, il che suggerisce differenze fisiologiche fondamentali.

Il diabete e il prediabete colpiscono una percentuale significativa della popolazione adulta degli Stati Uniti, ma i test diagnostici standard, come l'emoglobina glicata (HbA1c) e la glicemia a digiuno, non riescono a cogliere l'intera complessità della regolazione del glucosio.

Molti fattori (stress, composizione del microbioma, sonno, attività fisica, genetica, dieta ed età) possono influenzare le oscillazioni della glicemia, in particolare i picchi postprandiali (definiti come aumenti di almeno 30 mg/dL entro 90 minuti), che si verificano anche in persone apparentemente sane.

In precedenza, queste variazioni sono state studiate utilizzando il monitoraggio continuo del glucosio (CGM), ma la loro copertura è stata spesso limitata ai soggetti prediabetici e normoglicemici e gli studi hanno spesso mancato di rappresentare gruppi storicamente sottorappresentati nella ricerca biomedica.

Per colmare questa lacuna, lo studio PROGRESS ha condotto uno studio clinico a distanza a livello nazionale che ha arruolato 1.137 partecipanti diversi (il 48,1% provenienti da gruppi storicamente sottorappresentati nella ricerca biomedica) con normoglicemia e diabete di tipo 2 per 10 giorni di monitoraggio continuo della glicemia (CGM), raccogliendo al contempo dati sulla composizione del microbioma, sulla genomica, sulla frequenza cardiaca, sul sonno, sulla dieta e sull'attività.

Questo approccio multimodale ha consentito una comprensione più approfondita del controllo glicemico e della variabilità interindividuale nelle escursioni del glucosio.

L'obiettivo dello studio era quello di creare profili di rischio glicemico completi che potessero migliorare la diagnosi precoce e l'intervento per i prediabetici a rischio di progressione verso il diabete, offrendo un'alternativa personalizzata alle misure diagnostiche tradizionali come l'HbA1c.

I ricercatori hanno utilizzato i dati di due coorti: PROGRESS (uno studio clinico digitale negli Stati Uniti) e HPP (uno studio osservazionale in Israele). PROGRESS ha arruolato adulti con e senza diabete di tipo 2, sottoposti a 10 giorni di monitoraggio continuo della glicemia (CGM), raccogliendo contemporaneamente dati su microbioma intestinale, genomica, frequenza cardiaca, sonno, dieta e attività fisica.

La diversità del microbioma intestinale (indice di Shannon) ha mostrato una correlazione negativa diretta con i livelli medi di glucosio: minore era la diversità del microbiota, peggiore era il controllo del glucosio in tutti i gruppi.

I partecipanti hanno anche raccolto campioni di feci, sangue e saliva a casa e hanno condiviso le loro cartelle cliniche elettroniche. I criteri di esclusione includevano recente uso di antibiotici, gravidanza, diabete di tipo 1 e altri fattori che avrebbero potuto confondere i dati CGM o metabolici. Il reclutamento dei partecipanti è stato condotto interamente da remoto tramite social media e inviti basati sulle cartelle cliniche elettroniche.

I dati CGM sono stati elaborati a intervalli di minuti e i picchi glicemici sono stati definiti utilizzando soglie preimpostate. Sono stati calcolati sei parametri glicemici chiave, tra cui la glicemia media, il tempo trascorso in iperglicemia e la durata del picco.

I dati sullo stile di vita sono stati raccolti utilizzando un'app per la gestione del diario alimentare e dispositivi indossabili. I dati genomici e sul microbioma sono stati analizzati utilizzando metodi standard e sono stati calcolati parametri compositi come punteggi di rischio poligenico e indici di diversità del microbioma.

È stato quindi costruito un modello per la valutazione del rischio di diabete di tipo 2 utilizzando dati multimodali (demografici, antropometrici, CGM, dieta e microbioma) utilizzando l'apprendimento automatico e le sue prestazioni sono state testate nelle coorti PROGRESS e HPP. L'analisi statistica ha utilizzato l'analisi della covarianza, le correlazioni di Spearman e il bootstrapping per testare la significatività e valutare il modello.

Dei 1137 partecipanti inclusi, 347 sono stati inclusi nell'analisi finale: 174 con normoglicemia, 79 con prediabete e 94 con diabete di tipo 2.

I ricercatori hanno riscontrato differenze significative nelle metriche relative ai picchi glicemici tra le diverse condizioni: ipoglicemia notturna, tempo di risoluzione dei picchi, glicemia media e tempo trascorso in iperglicemia. Le differenze maggiori si sono riscontrate tra il diabete di tipo 2 e gli altri gruppi, con i prediabetici statisticamente più vicini alla normoglicemia rispetto al diabete di tipo 2 per parametri chiave come la frequenza e l'intensità dei picchi.

La diversità del microbioma è stata correlata negativamente con la maggior parte delle metriche relative al picco di glucosio, suggerendo che un microbioma sano è associato a un migliore controllo del glucosio.

Una frequenza cardiaca a riposo, un indice di massa corporea e un'emoglobina glicata (HbA1c) più elevati sono stati associati a esiti glicemici peggiori, mentre l'attività fisica è stata associata a andamenti glicemici più favorevoli. È interessante notare che un maggiore apporto di carboidrati è stato associato a una risoluzione più rapida dei picchi, ma anche a picchi più frequenti e intensi.

Il team ha sviluppato un modello di classificazione binaria basato su dati multimodali che ha discriminato con elevata accuratezza tra normoglicemia e diabete di tipo 2. Applicato a una coorte esterna (HPP), il modello ha mantenuto elevate prestazioni e ha identificato con successo una significativa variabilità nei livelli di rischio tra i prediabetici con valori di HbA1c simili.

Questi risultati suggeriscono che la profilazione glicemica multimodale può migliorare la previsione del rischio e il monitoraggio individuale rispetto ai metodi diagnostici standard, in particolare per il prediabete.

Lo studio evidenzia che la diagnosi tradizionale del diabete, come l'HbA1c, non riflette le caratteristiche individuali del metabolismo del glucosio.

Utilizzando il CGM in combinazione con dati multimodali (genomica, stile di vita, microbioma), i ricercatori hanno riscontrato differenze significative nelle escursioni glicemiche tra normoglicemia, prediabete e diabete di tipo 2, con il prediabete che mostra una maggiore somiglianza con la normoglicemia rispetto al diabete di tipo 2 in una serie di parametri chiave.

Il modello di rischio basato sull'apprendimento automatico sviluppato, convalidato in una coorte esterna, ha rivelato un'ampia variazione del rischio tra i prediabetici con valori di HbA1c simili, confermando il suo valore aggiuntivo rispetto ai metodi tradizionali.

I punti di forza dello studio includono la coorte PROGRESS decentralizzata e diversificata (il 48,1% dei partecipanti proveniva da gruppi sottorappresentati) e la raccolta di dati "reali". Tuttavia, i limiti includono potenziali distorsioni dovute a differenze nei dispositivi, imprecisioni nell'auto-segnalazione, difficoltà nel tenere un diario alimentare e l'uso di farmaci ipoglicemizzanti.

Sono necessari studi longitudinali e di validazione più ampi per confermare il beneficio prognostico e il significato clinico.

In definitiva, questo studio dimostra il potenziale della raccolta dati multimodale a distanza per migliorare la diagnosi precoce, la stratificazione del rischio di prediabete e la prevenzione personalizzata del diabete di tipo 2, aprendo la strada a cure più precise e inclusive per i pazienti a rischio di diabete.