โมเดล AI ใหม่ระบุความเสี่ยงโรคเบาหวานก่อนที่ผลการทดสอบที่ผิดปกติจะปรากฏ

หลายล้านคนอาจไม่ทราบถึงความเสี่ยงโรคเบาหวานในระยะเริ่มต้น แบบจำลอง AI แสดงให้เห็นว่าเหตุใดระดับน้ำตาลในเลือดที่พุ่งสูงขึ้นอาจมีความสำคัญมากกว่าผลการตรวจ

ในรายงานล่าสุดที่ตีพิมพ์ในวารสารNature Medicineนักวิจัยได้วิเคราะห์ข้อมูลจากผู้คนมากกว่า 2,400 คนในสองกลุ่ม เพื่อระบุรูปแบบของระดับน้ำตาลในเลือดที่พุ่งสูง และพัฒนาโปรไฟล์ความเสี่ยงต่อระดับน้ำตาลในเลือดของแต่ละบุคคล

นักวิจัยพบความแตกต่างอย่างมีนัยสำคัญในรูปแบบระดับน้ำตาลกลูโคสพุ่งสูงระหว่างผู้ป่วยเบาหวานชนิดที่ 2 (T2D) และผู้ที่มีภาวะก่อนเบาหวานหรือภาวะน้ำตาลในเลือดปกติ แบบจำลองความเสี่ยงแบบหลายรูปแบบของพวกเขาอาจช่วยให้แพทย์ระบุผู้ป่วยภาวะก่อนเบาหวานที่มีความเสี่ยงสูงที่จะเป็นเบาหวานชนิดที่ 2 ได้

ผู้ป่วยเบาหวานประเภท 2 มักมีภาวะน้ำตาลในเลือดต่ำในเวลากลางคืนรุนแรงกว่า และใช้เวลานานกว่า 20 นาทีโดยเฉลี่ยจึงจะกลับสู่ระดับน้ำตาลในเลือดปกติหลังจากระดับน้ำตาลพุ่งสูง ซึ่งบ่งชี้ถึงความแตกต่างทางสรีรวิทยาที่สำคัญ

โรคเบาหวานและภาวะก่อนเบาหวานส่งผลกระทบต่อประชากรวัยผู้ใหญ่ของสหรัฐอเมริกาเป็นจำนวนมาก แต่การทดสอบวินิจฉัยมาตรฐาน เช่น ฮีโมโกลบินไกลเคต (HbA1c) และระดับน้ำตาลในเลือดขณะอดอาหารยังไม่สามารถอธิบายความซับซ้อนทั้งหมดของการควบคุมระดับน้ำตาลในเลือดได้

ปัจจัยหลายประการ เช่น ความเครียด องค์ประกอบของไมโครไบโอม การนอนหลับ กิจกรรมทางกาย พันธุกรรม อาหาร และอายุ สามารถส่งผลต่อการเปลี่ยนแปลงของระดับน้ำตาลในเลือด โดยเฉพาะระดับน้ำตาลในเลือดที่เพิ่มขึ้นอย่างรวดเร็วหลังรับประทานอาหาร (กำหนดเป็นการเพิ่มขึ้นอย่างน้อย 30 มก./ดล. ภายใน 90 นาที) ซึ่งเกิดขึ้นได้แม้ในคนที่ดูเหมือนมีสุขภาพดี

ก่อนหน้านี้ การเปลี่ยนแปลงเหล่านี้ได้รับการศึกษาโดยใช้การตรวจติดตามระดับน้ำตาลในเลือดอย่างต่อเนื่อง (CGM) แต่การครอบคลุมมักจะจำกัดอยู่เพียงผู้ป่วยเบาหวานก่อนเป็นเบาหวานและผู้ที่มีระดับน้ำตาลในเลือดปกติ และการศึกษามักขาดการนำเสนอกลุ่มที่ไม่ได้รับการนำเสนออย่างเพียงพอในงานวิจัยทางชีวการแพทย์มาโดยตลอด

เพื่อแก้ไขช่องว่างนี้ การศึกษา PROGRESS ได้ดำเนินการทดลองทางคลินิกทางไกลทั่วประเทศ โดยมีผู้เข้าร่วมที่มีความหลากหลาย 1,137 ราย (48.1% จากกลุ่มที่ไม่ได้รับการเป็นตัวแทนอย่างเพียงพอในการวิจัยทางชีวการแพทย์มาโดยตลอด) ที่มีระดับน้ำตาลในเลือดปกติและเบาหวานประเภท 2 เป็นเวลา 10 วันของ CGM พร้อมทั้งรวบรวมข้อมูลเกี่ยวกับองค์ประกอบของไมโครไบโอม จีโนมิกส์ อัตราการเต้นของหัวใจ การนอนหลับ อาหาร และกิจกรรม

แนวทางหลายรูปแบบนี้ช่วยให้เข้าใจการควบคุมระดับน้ำตาลในเลือดและความแปรปรวนระหว่างบุคคลในการเคลื่อนตัวของกลูโคสได้อย่างละเอียดมากขึ้น

จุดมุ่งหมายของการศึกษานี้คือการสร้างโปรไฟล์ความเสี่ยงระดับน้ำตาลในเลือดที่ครอบคลุมซึ่งจะช่วยปรับปรุงการตรวจจับและการแทรกแซงในระยะเริ่มต้นสำหรับผู้ป่วยเบาหวานที่มีความเสี่ยงต่อการดำเนินไปสู่โรคเบาหวาน โดยนำเสนอทางเลือกเฉพาะบุคคลต่อการวัดผลการวินิจฉัยแบบดั้งเดิม เช่น HbA1c

นักวิจัยใช้ข้อมูลจากกลุ่มตัวอย่างสองกลุ่ม ได้แก่ PROGRESS (การทดลองทางคลินิกแบบดิจิทัลในสหรัฐอเมริกา) และ HPP (การศึกษาเชิงสังเกตในอิสราเอล) PROGRESS ได้คัดเลือกผู้ใหญ่ที่มีและไม่มีเบาหวานชนิดที่ 2 ซึ่งได้รับการตรวจ CGM เป็นเวลา 10 วัน พร้อมกับรวบรวมข้อมูลเกี่ยวกับไมโครไบโอมในลำไส้ จีโนมิกส์ อัตราการเต้นของหัวใจ การนอนหลับ อาหาร และกิจกรรมต่างๆ พร้อมกัน

ความหลากหลายของจุลินทรีย์ในลำไส้ (ดัชนีแชนนอน) แสดงให้เห็นความสัมพันธ์เชิงลบโดยตรงกับระดับกลูโคสโดยเฉลี่ย ยิ่งจุลินทรีย์มีความหลากหลายน้อย การควบคุมกลูโคสในทุกกลุ่มก็จะยิ่งแย่ลง

ผู้เข้าร่วมยังได้เก็บตัวอย่างอุจจาระ เลือด และน้ำลายที่บ้าน และแบ่งปันบันทึกทางการแพทย์อิเล็กทรอนิกส์ เกณฑ์การคัดออกประกอบด้วยการใช้ยาปฏิชีวนะเมื่อเร็วๆ นี้ การตั้งครรภ์ โรคเบาหวานชนิดที่ 1 และปัจจัยอื่นๆ ที่อาจทำให้ CGM หรือข้อมูลเมตาบอลิซึมเกิดความสับสน การคัดเลือกผู้เข้าร่วมดำเนินการทางไกลทั้งหมดผ่านโซเชียลมีเดียและการเชิญตามบันทึกทางการแพทย์อิเล็กทรอนิกส์

ข้อมูล CGM ได้รับการประมวลผลเป็นนาที และระดับน้ำตาลกลูโคสพุ่งสูงถูกกำหนดโดยใช้เกณฑ์ที่ตั้งไว้ล่วงหน้า มีการคำนวณค่าดัชนีน้ำตาลที่สำคัญ 6 ค่า ได้แก่ ระดับน้ำตาลกลูโคสเฉลี่ย ระยะเวลาที่เกิดภาวะน้ำตาลในเลือดสูง และระยะเวลาของระดับน้ำตาลพุ่งสูง

ข้อมูลไลฟ์สไตล์ได้รับการเก็บรวบรวมโดยใช้แอปพลิเคชันบันทึกอาหารและอุปกรณ์ติดตามแบบสวมใส่ วิเคราะห์ข้อมูลจีโนมและไมโครไบโอมโดยใช้วิธีมาตรฐาน และคำนวณค่าเมตริกแบบผสม เช่น คะแนนความเสี่ยงทางพันธุกรรมและดัชนีความหลากหลายของไมโครไบโอม

จากนั้นจึงสร้างแบบจำลองสำหรับการประเมินความเสี่ยงโรคเบาหวานชนิดที่ 2 (T2DM) โดยใช้ข้อมูลหลายรูปแบบ (ข้อมูลประชากร การวัดมานุษยวิทยา ภาวะเบาหวานขณะตั้งครรภ์ (CGM) อาหาร และจุลินทรีย์ในลำไส้) โดยใช้การเรียนรู้ของเครื่อง และทดสอบประสิทธิภาพในกลุ่มตัวอย่าง PROGRESS และ HPP การวิเคราะห์ทางสถิติใช้การวิเคราะห์ความแปรปรวนร่วม สหสัมพันธ์สเปียร์แมน และบูตสแตรปปิ้ง เพื่อทดสอบความสำคัญและประเมินแบบจำลอง

จากผู้เข้าร่วม 1,137 รายที่รวมอยู่ มี 347 รายที่รวมอยู่ในผลการวิเคราะห์ขั้นสุดท้าย ได้แก่ 174 รายมีภาวะน้ำตาลในเลือดปกติ 79 รายมีภาวะก่อนเบาหวาน และ 94 รายมีโรคเบาหวานชนิดที่ 2

นักวิจัยพบความแตกต่างอย่างมีนัยสำคัญในตัวชี้วัดระดับน้ำตาลกลูโคสพุ่งสูง (spike) ระหว่างสภาวะต่างๆ ได้แก่ ภาวะน้ำตาลในเลือดต่ำในเวลากลางคืน เวลาที่ใช้ในการแก้ปัญหาระดับน้ำตาลพุ่งสูง ระดับน้ำตาลกลูโคสเฉลี่ย และระยะเวลาในการเกิดภาวะน้ำตาลในเลือดสูง ความแตกต่างที่มากที่สุดเกิดขึ้นระหว่างผู้ป่วยเบาหวานชนิดที่ 2 (T2DM) และกลุ่มอื่นๆ โดยผู้ป่วยเบาหวานชนิดที่ 2 มีระดับน้ำตาลกลูโคสในเลือดใกล้เคียงกับภาวะปกติมากกว่าผู้ป่วยเบาหวานชนิดที่ 2 (T2DM) ในด้านตัวชี้วัดสำคัญ เช่น ความถี่และความรุนแรงของระดับน้ำตาลพุ่งสูง

ความหลากหลายของไมโครไบโอมมีความสัมพันธ์เชิงลบกับค่าการเพิ่มขึ้นของกลูโคสส่วนใหญ่ ซึ่งแสดงให้เห็นว่าไมโครไบโอมที่มีสุขภาพดีมีความเกี่ยวข้องกับการควบคุมกลูโคสที่ดีกว่า

อัตราการเต้นของหัวใจขณะพักที่สูงขึ้น ดัชนีมวลกาย และระดับน้ำตาลสะสม (HbA1c) สัมพันธ์กับผลลัพธ์ของระดับน้ำตาลในเลือดที่แย่ลง ขณะที่กิจกรรมทางกายสัมพันธ์กับรูปแบบกลูโคสที่ดีขึ้น ที่น่าสนใจคือ การบริโภคคาร์โบไฮเดรตที่สูงขึ้นสัมพันธ์กับความละเอียดสูงสุดที่เร็วขึ้น แต่ก็สัมพันธ์กับค่าที่พุ่งสูงขึ้นและบ่อยครั้งขึ้นด้วยเช่นกัน

ทีมวิจัยได้พัฒนาแบบจำลองการจำแนกประเภทแบบไบนารีโดยอาศัยข้อมูลหลายรูปแบบที่สามารถแยกแยะระหว่างภาวะน้ำตาลในเลือดปกติและเบาหวานชนิดที่ 2 ได้อย่างแม่นยำ เมื่อนำไปใช้กับกลุ่มตัวอย่างภายนอก (HPP) แบบจำลองยังคงมีประสิทธิภาพสูงและสามารถระบุความแปรปรวนอย่างมีนัยสำคัญของระดับความเสี่ยงในกลุ่มผู้ป่วยก่อนเบาหวานที่มีค่า HbA1c ใกล้เคียงกันได้สำเร็จ

ผลลัพธ์เหล่านี้ชี้ให้เห็นว่าการสร้างโปรไฟล์น้ำตาลในเลือดแบบหลายโหมดอาจช่วยปรับปรุงการคาดการณ์ความเสี่ยงและการติดตามแต่ละบุคคลได้เมื่อเปรียบเทียบกับวิธีการวินิจฉัยมาตรฐาน โดยเฉพาะอย่างยิ่งสำหรับภาวะก่อนเป็นเบาหวาน

การศึกษานี้เน้นย้ำว่าการวินิจฉัยโรคเบาหวานแบบดั้งเดิม เช่น HbA1c ไม่ได้สะท้อนถึงลักษณะเฉพาะของการเผาผลาญกลูโคสโดยเฉพาะ

การใช้ CGM ร่วมกับข้อมูลหลายโหมด (จีโนมิกส์ ไลฟ์สไตล์ ไมโครไบโอม) นักวิจัยพบความแตกต่างอย่างมีนัยสำคัญในการเคลื่อนที่ของกลูโคสระหว่างภาวะน้ำตาลในเลือดปกติ ภาวะก่อนเบาหวาน และ T2DM โดยภาวะก่อนเบาหวานมีความคล้ายคลึงกับภาวะน้ำตาลในเลือดปกติมากกว่า T2DM ในการวัดที่สำคัญหลายประการ

แบบจำลองความเสี่ยงที่พัฒนาโดยอิงตามการเรียนรู้ของเครื่องจักร ซึ่งได้รับการตรวจสอบในกลุ่มตัวอย่างภายนอก เผยให้เห็นความแตกต่างอย่างกว้างขวางในความเสี่ยงในกลุ่มผู้ป่วยเบาหวานก่อนวัยที่มีค่า HbA1c ใกล้เคียงกัน ซึ่งยืนยันถึงคุณค่าเพิ่มเติมเมื่อเปรียบเทียบกับวิธีการแบบดั้งเดิม

จุดแข็งของการศึกษานี้ประกอบด้วยกลุ่มประชากร PROGRESS ที่มีการกระจายตัวและมีความหลากหลาย (48.1% มาจากกลุ่มที่ไม่ได้รับการสนับสนุน) และการรวบรวมข้อมูลจาก "โลกแห่งความเป็นจริง" อย่างไรก็ตาม ข้อจำกัด ได้แก่ ความเสี่ยงที่อาจเกิดอคติเนื่องจากความแตกต่างของอุปกรณ์ ความไม่แม่นยำในการรายงานตนเอง ความยากลำบากในการจัดทำบันทึกอาหาร และการใช้ยาลดน้ำตาลในเลือด

จำเป็นต้องมีการตรวจสอบที่มากขึ้นและการศึกษาตามยาวเพื่อยืนยันประโยชน์ในการพยากรณ์โรคและความสำคัญทางคลินิก

ท้ายที่สุด การศึกษาครั้งนี้แสดงให้เห็นถึงศักยภาพของการรวบรวมข้อมูลหลายโหมดระยะไกลเพื่อปรับปรุงการตรวจจับในระยะเริ่มต้น การแบ่งระดับความเสี่ยงของภาวะก่อนเป็นเบาหวาน และการป้องกัน T2D แบบเฉพาะบุคคล ซึ่งจะปูทางไปสู่การดูแลที่แม่นยำและครอบคลุมมากขึ้นสำหรับผู้ป่วยที่มีความเสี่ยงต่อโรคเบาหวาน