Nieuw AI-model identificeert diabetesrisico voordat er abnormale testresultaten verschijnen

Miljoenen mensen zijn zich mogelijk niet bewust van hun vroege risico op diabetes. AI-modellen laten zien waarom je bloedsuikerpieken belangrijker kunnen zijn dan je testresultaten.

In een recent artikel gepubliceerd in het tijdschrift Nature Medicine analyseerden onderzoekers gegevens van meer dan 2.400 personen uit twee cohorten om patronen van glucosepieken te identificeren en gepersonaliseerde glycemische risicoprofielen te ontwikkelen.

Ze vonden significante verschillen in glucosepiekpatronen tussen mensen met diabetes type 2 (T2D) en mensen met prediabetes of normoglycemie. Hun multimodale risicomodel zou artsen kunnen helpen bij het identificeren van prediabetici met een hoger risico op het ontwikkelen van T2D.

Mensen met T2DM ervoeren ernstiger nachtelijke hypoglykemie en het duurde langer, gemiddeld meer dan 20 minuten, voordat ze na pieken weer op hun normale glucoseniveau waren. Dit wijst op belangrijke fysiologische verschillen.

Diabetes en prediabetes komen in de VS voor bij een groot deel van de volwassen bevolking. Toch kunnen standaard diagnostische tests, zoals meting van geglyceerd hemoglobine (HbA1c) en nuchtere glucose, de volledige complexiteit van glucoseregulatie niet in kaart brengen.

Er zijn veel factoren die schommelingen in de bloedglucose kunnen beïnvloeden, zoals stress, de samenstelling van het microbioom, slaap, fysieke activiteit, genetica, voeding en leeftijd. Dit geldt met name voor postprandiale pieken (gedefinieerd als een stijging van ten minste 30 mg/dl binnen 90 minuten), die zelfs bij ogenschijnlijk gezonde mensen voorkomen.

Eerder werden deze variaties bestudeerd met behulp van continue glucosemonitoring (CGM), maar de dekking hiervan bleef vaak beperkt tot prediabetici en normoglycemische personen. Bovendien ontbrak het in de onderzoeken vaak aan vertegenwoordiging van groepen die historisch gezien ondervertegenwoordigd zijn in biomedisch onderzoek.

Om deze lacune op te vullen, werd in het kader van de PROGRESS-studie een landelijk, op afstand uitgevoerd klinisch onderzoek uitgevoerd waaraan 1.137 uiteenlopende deelnemers (48,1% uit groepen die historisch gezien ondervertegenwoordigd zijn in biomedisch onderzoek) met normoglycemie en diabetes type 2 deelnamen. De deelnemers kregen 10 dagen lang CGM, terwijl gegevens werden verzameld over de samenstelling van het microbioom, genomica, hartslag, slaap, voeding en activiteit.

Deze multimodale aanpak zorgde voor een genuanceerder inzicht in de glycemische controle en de interindividuele variabiliteit in glucose-afwijkingen.

Doel van de studie was om uitgebreide glycemische risicoprofielen te creëren die de vroege detectie en interventie bij prediabetici met een risico op progressie naar diabetes kunnen verbeteren. Hiermee wordt een gepersonaliseerd alternatief geboden voor traditionele diagnostische metingen zoals HbA1c.

De onderzoekers gebruikten gegevens van twee cohorten: PROGRESS (een digitale klinische studie in de VS) en HPP (een observationele studie in Israël). PROGRESS nam volwassenen met en zonder diabetes type 2 op die 10 dagen lang CGM ondergingen en tegelijkertijd gegevens verzamelden over darmmicrobioom, genomica, hartslag, slaap, voeding en activiteit.

De diversiteit van het darmmicrobioom (Shannon-index) vertoonde een directe negatieve correlatie met de gemiddelde glucosewaarden: hoe minder diversiteit het microbioom, hoe slechter de glucoseregulatie in alle groepen.

Deelnemers verzamelden ook thuis ontlastings-, bloed- en speekselmonsters en deelden hun elektronische medische dossiers. Uitsluitingscriteria waren onder meer recent antibioticagebruik, zwangerschap, diabetes type 1 en andere factoren die CGM- of metabole gegevens zouden kunnen beïnvloeden. De deelnemerswerving vond volledig op afstand plaats via sociale media en uitnodigingen op basis van elektronische medische dossiers.

CGM-gegevens werden in minutenintervallen verwerkt en glucosepieken werden gedefinieerd met behulp van vooraf ingestelde drempelwaarden. Er werden zes belangrijke glycemische parameters berekend, waaronder gemiddelde glucose, hyperglykemietijd en piekduur.

Leefstijlgegevens werden verzameld met behulp van een voedseldagboek-app en draagbare trackers. Genomische en microbioomgegevens werden geanalyseerd met behulp van standaardmethoden, en samengestelde meetgegevens zoals polygene risicoscores en microbioomdiversiteitsindices werden berekend.

Vervolgens werd een model voor risicobeoordeling van diabetes type 2 ontwikkeld met behulp van multimodale data (demografie, antropometrie, CGM, voeding en microbioom) met behulp van machine learning. De prestaties ervan werden getest in de PROGRESS- en HPP-cohorten. Statistische analyse maakte gebruik van covariantieanalyse, Spearman-correlaties en bootstrapping om de significantie te testen en het model te evalueren.

Van de 1137 deelnemers werden er 347 opgenomen in de uiteindelijke analyse: 174 met normoglycemie, 79 met prediabetes en 94 met T2DM.

De onderzoekers vonden significante verschillen in glucosepieken tussen de verschillende condities: nachtelijke hypoglykemie, tijd tot het oplossen van de pieken, gemiddelde glucose en tijd van hyperglykemie. De grootste verschillen deden zich voor tussen diabetes type 2 en de andere groepen, waarbij prediabetici statistisch gezien dichter bij normoglycemie zaten dan diabetes type 2 voor belangrijke parameters zoals piekfrequentie en -intensiteit.

Er was een negatieve correlatie tussen de diversiteit van het microbioom en de meeste glucosepieken, wat suggereert dat een gezond microbioom samenhangt met een betere glucoseregulatie.

Een hogere hartslag in rust, een hogere body mass index (BMI) en een hogere HbA1c-waarde werden geassocieerd met slechtere glycemische uitkomsten, terwijl fysieke activiteit gepaard ging met gunstigere glucosepatronen. Interessant genoeg werd een hogere koolhydraatinname geassocieerd met een snellere piekresolutie, maar ook met frequentere en intensere pieken.

Het team ontwikkelde een binair classificatiemodel op basis van multimodale data dat met hoge nauwkeurigheid onderscheid maakte tussen normoglycemie en diabetes type 2. Bij toepassing op een extern cohort (HPP) behield het model hoge prestaties en identificeerde het met succes significante variabiliteit in risiconiveaus tussen prediabetici met vergelijkbare HbA1c-waarden.

Deze resultaten suggereren dat multimodale glycemische profilering de risicovoorspelling en individuele monitoring kan verbeteren vergeleken met standaard diagnostische methoden, met name voor prediabetes.

Uit het onderzoek blijkt dat traditionele diabetesdiagnostiek, zoals HbA1c, geen individuele kenmerken van het glucosemetabolisme weerspiegelt.

Met behulp van CGM in combinatie met multimodale gegevens (genomica, levensstijl, microbioom) ontdekten de onderzoekers aanzienlijke verschillen in glucose-excursies tussen normoglykemie, prediabetes en T2DM, waarbij prediabetes op een aantal belangrijke gebieden een grotere gelijkenis vertoonde met normoglykemie dan T2DM.

Het ontwikkelde, op machine learning gebaseerde risicomodel, gevalideerd in een extern cohort, liet een grote variatie in risico zien onder prediabetici met vergelijkbare HbA1c-waarden, wat de toegevoegde waarde ervan ten opzichte van traditionele methoden bevestigt.

Sterke punten van het onderzoek zijn onder meer het gedecentraliseerde, diverse PROGRESS-cohort (48,1% uit ondervertegenwoordigde groepen) en de verzameling van 'real-world'-gegevens. Beperkingen zijn echter onder meer mogelijke vertekening door verschillen in apparatuur, onnauwkeurigheden in zelfrapportage, problemen met het bijhouden van een voedseldagboek en het gebruik van bloedglucoseverlagende medicijnen.

Er zijn uitgebreidere validatie- en longitudinale studies nodig om het prognostische voordeel en de klinische relevantie te bevestigen.

Uiteindelijk toont dit onderzoek aan dat op afstand verzamelde, multimodale gegevens de mogelijkheid bieden om de vroege detectie, de prediabetesrisicostratificatie en de gepersonaliseerde preventie van diabetes type 2 te verbeteren. Daarmee wordt de weg vrijgemaakt voor nauwkeurigere en inclusievere zorg voor patiënten met een verhoogd risico op diabetes.