Mô hình AI mới xác định nguy cơ mắc bệnh tiểu đường trước khi xuất hiện kết quả xét nghiệm bất thường

Hàng triệu người có thể không biết mình có nguy cơ mắc bệnh tiểu đường từ sớm. Các mô hình AI cho thấy lý do tại sao lượng đường trong máu tăng đột biến có thể quan trọng hơn kết quả xét nghiệm.

Trong một bài báo gần đây được công bố trên tạp chí Nature Medicine, các nhà nghiên cứu đã phân tích dữ liệu từ hơn 2.400 người trên hai nhóm để xác định các kiểu tăng đột biến glucose và phát triển hồ sơ rủi ro đường huyết cá nhân hóa.

Họ phát hiện ra sự khác biệt đáng kể về mô hình tăng đột biến glucose giữa những người mắc bệnh tiểu đường tuýp 2 (T2D) và những người tiền tiểu đường hoặc đường huyết bình thường. Mô hình nguy cơ đa phương thức của họ có thể giúp các bác sĩ xác định những người tiền tiểu đường có nguy cơ mắc bệnh T2D cao hơn.

Những người mắc bệnh T2DM thường bị hạ đường huyết về đêm nghiêm trọng hơn và mất nhiều thời gian hơn, trung bình hơn 20 phút, để trở lại mức đường huyết cơ bản sau khi tăng đột biến – điều này cho thấy những khác biệt quan trọng về mặt sinh lý.

Bệnh tiểu đường và tiền tiểu đường ảnh hưởng đến một tỷ lệ đáng kể dân số trưởng thành ở Hoa Kỳ, tuy nhiên các xét nghiệm chẩn đoán tiêu chuẩn như hemoglobin glycat hóa (HbA1c) và glucose lúc đói không nắm bắt được toàn bộ sự phức tạp của quá trình điều hòa glucose.

Nhiều yếu tố—căng thẳng, thành phần vi sinh vật, giấc ngủ, hoạt động thể chất, di truyền, chế độ ăn uống và tuổi tác—có thể ảnh hưởng đến sự thay đổi lượng đường trong máu, đặc biệt là mức tăng đột biến sau bữa ăn (được định nghĩa là mức tăng ít nhất 30 mg/dL trong vòng 90 phút), xảy ra ngay cả ở những người có vẻ khỏe mạnh.

Trước đây, những biến thể này đã được nghiên cứu bằng cách sử dụng phương pháp theo dõi glucose liên tục (CGM), nhưng phạm vi nghiên cứu của chúng thường chỉ giới hạn ở những người tiền tiểu đường và những người có đường huyết bình thường, và các nghiên cứu thường thiếu sự đại diện cho các nhóm chưa được đại diện trong nghiên cứu y sinh học.

Để giải quyết khoảng cách này, nghiên cứu PROGRESS đã tiến hành một thử nghiệm lâm sàng từ xa trên toàn quốc, tuyển dụng 1.137 người tham gia đa dạng (48,1% từ các nhóm trước đây không được đại diện đầy đủ trong nghiên cứu y sinh) có lượng đường huyết bình thường và T2D trong hơn 10 ngày sử dụng CGM, đồng thời thu thập dữ liệu về thành phần vi sinh vật, hệ gen, nhịp tim, giấc ngủ, chế độ ăn uống và hoạt động.

Phương pháp đa phương thức này cho phép hiểu biết sâu sắc hơn về kiểm soát đường huyết và sự thay đổi giữa các cá nhân trong quá trình chuyển đổi glucose.

Mục đích của nghiên cứu là tạo ra hồ sơ rủi ro đường huyết toàn diện có thể cải thiện việc phát hiện sớm và can thiệp cho những người tiền tiểu đường có nguy cơ tiến triển thành tiểu đường, cung cấp một giải pháp thay thế cá nhân hóa cho các biện pháp chẩn đoán truyền thống như HbA1c.

Các nhà nghiên cứu đã sử dụng dữ liệu từ hai nhóm: PROGRESS (một thử nghiệm lâm sàng kỹ thuật số tại Hoa Kỳ) và HPP (một nghiên cứu quan sát tại Israel). PROGRESS đã tuyển chọn những người trưởng thành mắc và không mắc T2D, những người đã trải qua 10 ngày CGM, đồng thời thu thập dữ liệu về hệ vi sinh vật đường ruột, hệ gen, nhịp tim, giấc ngủ, chế độ ăn uống và hoạt động.

Sự đa dạng của hệ vi sinh vật đường ruột (chỉ số Shannon) cho thấy mối tương quan âm trực tiếp với mức glucose trung bình: hệ vi sinh vật càng kém đa dạng thì khả năng kiểm soát glucose ở tất cả các nhóm càng kém.

Những người tham gia cũng thu thập mẫu phân, máu và nước bọt tại nhà và chia sẻ hồ sơ bệnh án điện tử của họ. Tiêu chí loại trừ bao gồm việc sử dụng kháng sinh gần đây, mang thai, tiểu đường tuýp 1 và các yếu tố khác có thể làm nhiễu dữ liệu CGM hoặc chuyển hóa. Việc tuyển dụng người tham gia được thực hiện hoàn toàn từ xa thông qua mạng xã hội và lời mời dựa trên hồ sơ bệnh án điện tử.

Dữ liệu CGM được xử lý theo từng phút, và các đỉnh glucose được xác định bằng ngưỡng cài đặt trước. Sáu chỉ số đường huyết chính đã được tính toán, bao gồm glucose trung bình, thời gian tăng đường huyết và thời gian đỉnh glucose.

Dữ liệu về lối sống được thu thập bằng ứng dụng nhật ký thực phẩm và thiết bị theo dõi đeo được. Dữ liệu bộ gen và hệ vi sinh vật được phân tích bằng các phương pháp tiêu chuẩn, và các chỉ số tổng hợp như điểm nguy cơ đa gen và chỉ số đa dạng hệ vi sinh vật được tính toán.

Sau đó, một mô hình đánh giá nguy cơ mắc bệnh tiểu đường tuýp 2 sử dụng dữ liệu đa phương thức (nhân khẩu học, nhân trắc học, CGM, chế độ ăn uống và hệ vi sinh vật) đã được xây dựng bằng máy học và hiệu suất của mô hình này đã được kiểm tra trong các nhóm PROGRESS và HPP. Phân tích thống kê sử dụng phân tích hiệp phương sai, tương quan Spearman và bootstrapping để kiểm tra ý nghĩa và đánh giá mô hình.

Trong số 1137 người tham gia, 347 người được đưa vào phân tích cuối cùng: 174 người có lượng đường huyết bình thường, 79 người mắc tiền tiểu đường và 94 người mắc T2DM.

Các nhà nghiên cứu đã tìm thấy sự khác biệt đáng kể về các chỉ số đường huyết tăng đột biến giữa các tình trạng bệnh: hạ đường huyết ban đêm, thời gian phục hồi đột biến, đường huyết trung bình và thời gian tăng đường huyết. Sự khác biệt lớn nhất nằm giữa T2DM và các nhóm khác, trong đó nhóm tiền tiểu đường có đường huyết gần với mức bình thường hơn T2DM về mặt thống kê đối với các chỉ số chính như tần suất và cường độ đột biến.

Sự đa dạng của hệ vi sinh vật có mối tương quan tiêu cực với hầu hết các chỉ số tăng đột biến glucose, cho thấy hệ vi sinh vật khỏe mạnh có liên quan đến việc kiểm soát glucose tốt hơn.

Nhịp tim lúc nghỉ ngơi, chỉ số khối cơ thể (BMI) và HbA1c cao hơn có liên quan đến kết quả đường huyết xấu hơn, trong khi hoạt động thể chất có liên quan đến mô hình glucose thuận lợi hơn. Điều thú vị là lượng carbohydrate tiêu thụ cao hơn có liên quan đến việc giải quyết đỉnh nhanh hơn, nhưng cũng có tần suất và cường độ tăng đột biến hơn.

Nhóm nghiên cứu đã phát triển một mô hình phân loại nhị phân dựa trên dữ liệu đa phương thức, phân biệt giữa đường huyết bình thường và bệnh tiểu đường tuýp 2 với độ chính xác cao. Khi áp dụng cho nhóm đối chứng bên ngoài (HPP), mô hình vẫn duy trì hiệu suất cao và xác định thành công sự biến thiên đáng kể về mức độ nguy cơ ở những người tiền tiểu đường có giá trị HbA1c tương tự.

Những kết quả này cho thấy rằng phương pháp lập hồ sơ đường huyết đa phương thức có thể cải thiện khả năng dự đoán rủi ro và theo dõi từng cá nhân so với các phương pháp chẩn đoán tiêu chuẩn, đặc biệt là đối với tiền tiểu đường.

Nghiên cứu nhấn mạnh rằng các phương pháp chẩn đoán bệnh tiểu đường truyền thống như HbA1c không phản ánh đặc điểm riêng biệt của quá trình chuyển hóa glucose.

Sử dụng CGM kết hợp với dữ liệu đa phương thức (di truyền, lối sống, hệ vi sinh vật), các nhà nghiên cứu đã tìm thấy sự khác biệt đáng kể trong sự thay đổi glucose giữa đường huyết bình thường, tiền tiểu đường và T2DM, trong đó tiền tiểu đường cho thấy sự tương đồng lớn hơn với đường huyết bình thường so với T2DM trên một số chỉ số chính.

Mô hình rủi ro dựa trên máy học được phát triển, được xác thực trong một nhóm đối tượng bên ngoài, đã tiết lộ sự khác biệt lớn về rủi ro giữa những người tiền tiểu đường có giá trị HbA1c tương tự, xác nhận giá trị bổ sung của mô hình này so với các phương pháp truyền thống.

Điểm mạnh của nghiên cứu bao gồm nhóm PROGRESS phi tập trung, đa dạng (48,1% thuộc các nhóm chưa được đại diện đầy đủ) và việc thu thập dữ liệu "thực tế". Tuy nhiên, những hạn chế bao gồm khả năng sai lệch do sự khác biệt về thiết bị, thiếu chính xác trong việc tự báo cáo, khó khăn trong việc duy trì nhật ký thực phẩm và việc sử dụng thuốc hạ đường huyết.

Cần có những nghiên cứu xác thực và theo chiều dọc lớn hơn để xác nhận lợi ích tiên lượng và ý nghĩa lâm sàng.

Cuối cùng, nghiên cứu này chứng minh tiềm năng của việc thu thập dữ liệu đa phương thức từ xa nhằm cải thiện việc phát hiện sớm, phân tầng nguy cơ tiền tiểu đường và phòng ngừa T2D cá nhân hóa, mở đường cho việc chăm sóc chính xác và toàn diện hơn cho những bệnh nhân có nguy cơ mắc bệnh tiểu đường.