Model AI baru mengidentifikasi risiko diabetes sebelum hasil tes abnormal muncul

Jutaan orang mungkin tidak menyadari risiko diabetes dini mereka. Model AI menunjukkan mengapa lonjakan gula darah Anda mungkin lebih penting daripada hasil tes Anda.

Dalam makalah terbaru yang diterbitkan di jurnal Nature Medicine, para peneliti menganalisis data dari lebih dari 2.400 orang di dua kelompok untuk mengidentifikasi pola lonjakan glukosa dan mengembangkan profil risiko glikemik yang dipersonalisasi.

Mereka menemukan perbedaan signifikan dalam pola lonjakan glukosa antara penderita diabetes tipe 2 (T2D) dan mereka yang mengalami pradiabetes atau normoglikemia. Model risiko multimodal mereka dapat membantu dokter mengidentifikasi penderita pradiabetes yang berisiko lebih tinggi terkena T2D.

Orang dengan T2DM mengalami hipoglikemia nokturnal yang lebih parah dan membutuhkan waktu lebih lama, rata-rata lebih dari 20 menit, untuk kembali ke kadar glukosa dasar setelah lonjakan – menunjukkan perbedaan fisiologis utama.

Diabetes dan pradiabetes memengaruhi sebagian besar populasi orang dewasa AS, namun tes diagnostik standar seperti hemoglobin terglikasi (HbA1c) dan glukosa puasa tidak menangkap kompleksitas penuh regulasi glukosa.

Banyak faktor—stres, komposisi mikrobioma, tidur, aktivitas fisik, genetika, pola makan, dan usia—yang dapat memengaruhi perubahan glukosa darah, terutama lonjakan pasca makan (didefinisikan sebagai peningkatan setidaknya 30 mg/dL dalam 90 menit), yang terjadi bahkan pada orang yang tampaknya sehat.

Sebelumnya, variasi ini telah dipelajari menggunakan pemantauan glukosa berkelanjutan (CGM), tetapi cakupannya sering kali terbatas pada penderita pradiabetes dan individu normoglikemia, dan penelitian sering kali kurang mewakili kelompok yang secara historis kurang terwakili dalam penelitian biomedis.

Untuk mengatasi kesenjangan ini, studi PROGRESS melakukan uji klinis jarak jauh di seluruh negeri yang melibatkan 1.137 peserta beragam (48,1% dari kelompok yang secara historis kurang terwakili dalam penelitian biomedis) dengan normoglikemia dan T2D selama 10 hari CGM, sambil mengumpulkan data tentang komposisi mikrobioma, genomik, detak jantung, tidur, pola makan, dan aktivitas.

Pendekatan multimoda ini memungkinkan pemahaman yang lebih bernuansa tentang kontrol glikemik dan variabilitas antarindividu dalam penyimpangan glukosa.

Tujuan penelitian ini adalah untuk membuat profil risiko glikemik komprehensif yang dapat meningkatkan deteksi dini dan intervensi bagi penderita pradiabetes yang berisiko mengalami perkembangan menjadi diabetes, menawarkan alternatif yang dipersonalisasi untuk ukuran diagnostik tradisional seperti HbA1c.

Para peneliti menggunakan data dari dua kohort: PROGRESS (uji klinis digital di AS) dan HPP (studi observasional di Israel). PROGRESS mengikutsertakan orang dewasa dengan dan tanpa diabetes tipe 2 yang menjalani CGM selama 10 hari sambil mengumpulkan data tentang mikrobioma usus, genomik, detak jantung, tidur, pola makan, dan aktivitas.

Keanekaragaman mikrobioma usus (indeks Shannon) menunjukkan korelasi negatif langsung dengan kadar glukosa rata-rata: semakin sedikit keragaman mikrobiota, semakin buruk kontrol glukosa di semua kelompok.

Peserta juga mengumpulkan sampel feses, darah, dan air liur di rumah dan membagikan rekam medis elektronik mereka. Kriteria eksklusi meliputi penggunaan antibiotik baru-baru ini, kehamilan, diabetes tipe 1, dan faktor-faktor lain yang dapat memengaruhi data CGM atau metabolik. Rekrutmen peserta dilakukan sepenuhnya secara jarak jauh melalui media sosial dan undangan berdasarkan rekam medis elektronik.

Data CGM diproses dalam interval menit, dan lonjakan glukosa ditentukan menggunakan ambang batas yang telah ditetapkan. Enam metrik glikemik utama dihitung, meliputi rata-rata glukosa, waktu hiperglikemia, dan durasi lonjakan.

Data gaya hidup dikumpulkan menggunakan aplikasi catatan makanan dan pelacak yang dapat dikenakan. Data genomik dan mikrobioma dianalisis menggunakan metode standar, dan metrik komposit seperti skor risiko poligenik dan indeks keragaman mikrobioma dihitung.

Sebuah model untuk penilaian risiko T2DM menggunakan data multimoda (demografi, antropometri, CGM, pola makan, dan mikrobioma) kemudian dibangun menggunakan pembelajaran mesin dan kinerjanya diuji dalam kohort PROGRESS dan HPP. Analisis statistik menggunakan analisis kovarians, korelasi Spearman, dan bootstrapping untuk menguji signifikansi dan mengevaluasi model.

Dari 1.137 peserta yang diikutsertakan, 347 diikutsertakan dalam analisis akhir: 174 dengan normoglikemia, 79 dengan pradiabetes, dan 94 dengan T2DM.

Para peneliti menemukan perbedaan signifikan dalam metrik lonjakan glukosa antar kondisi: hipoglikemia nokturnal, waktu resolusi lonjakan, rata-rata glukosa, dan waktu hiperglikemia. Perbedaan terbesar terdapat antara T2DM dan kelompok lainnya, dengan prediabetik secara statistik lebih mendekati normoglikemia daripada T2DM untuk metrik utama seperti frekuensi dan intensitas lonjakan.

Keanekaragaman mikrobioma berkorelasi negatif dengan sebagian besar metrik lonjakan glukosa, menunjukkan bahwa mikrobioma yang sehat dikaitkan dengan kontrol glukosa yang lebih baik.

Denyut jantung istirahat yang lebih tinggi, indeks massa tubuh, dan HbA1c dikaitkan dengan hasil glikemik yang lebih buruk, sementara aktivitas fisik dikaitkan dengan pola glukosa yang lebih baik. Menariknya, asupan karbohidrat yang lebih tinggi dikaitkan dengan resolusi puncak yang lebih cepat, tetapi juga dengan lonjakan yang lebih sering dan intens.

Tim mengembangkan model klasifikasi biner berdasarkan data multimoda yang mampu membedakan normoglikemia dan diabetes tipe 2 dengan akurasi tinggi. Ketika diterapkan pada kohort eksternal (HPP), model tersebut mempertahankan kinerja tinggi dan berhasil mengidentifikasi variabilitas signifikan dalam tingkat risiko di antara pasien pradiabetes dengan nilai HbA1c yang serupa.

Hasil ini menunjukkan bahwa profil glikemik multimoda dapat meningkatkan prediksi risiko dan pemantauan individu dibandingkan dengan metode diagnostik standar, terutama untuk pradiabetes.

Studi ini menyoroti bahwa diagnostik diabetes tradisional seperti HbA1c tidak mencerminkan karakteristik individu dari metabolisme glukosa.

Dengan menggunakan CGM yang dikombinasikan dengan data multimoda (genomik, gaya hidup, mikrobioma), para peneliti menemukan perbedaan signifikan dalam penyimpangan glukosa antara normoglikemia, pradiabetes, dan T2DM, dengan pradiabetes menunjukkan kesamaan yang lebih besar dengan normoglikemia daripada T2DM pada sejumlah ukuran utama.

Model risiko berbasis pembelajaran mesin yang dikembangkan, divalidasi dalam kelompok eksternal, mengungkapkan variasi risiko yang luas di antara penderita pradiabetes dengan nilai HbA1c yang serupa, yang mengonfirmasi nilai tambahannya dibandingkan dengan metode tradisional.

Keunggulan studi ini meliputi kohort PROGRESS yang terdesentralisasi dan beragam (48,1% dari kelompok yang kurang terwakili) serta pengumpulan data "dunia nyata". Namun, keterbatasannya meliputi potensi bias akibat perbedaan perangkat, ketidakakuratan dalam pelaporan mandiri, kesulitan dalam mencatat makanan, dan penggunaan obat hipoglikemik.

Validasi yang lebih besar dan studi longitudinal diperlukan untuk mengonfirmasi manfaat prognostik dan signifikansi klinis.

Pada akhirnya, studi ini menunjukkan potensi pengumpulan data multimoda jarak jauh untuk meningkatkan deteksi dini, stratifikasi risiko pradiabetes, dan pencegahan diabetes tipe 2 yang dipersonalisasi, sehingga membuka jalan bagi perawatan yang lebih tepat dan inklusif bagi pasien yang berisiko diabetes.