Predviđanje otpornosti na insulin iz nosivih uređaja i rutinskih…

Predviđanje otpornosti na insulin iznosno je važno za rano otkrivanje i prevenciju tipa 2 dijabetesa. Otpornost na insulin (IR) je ključni predznak koji pomaže u ranom otkrivanju ove bolesti. Trenutne metode za mjerenje IR, poput “zlatnog standarda” euglicemičnog insulinog klampa ili Homeostatskog modela procjene otpornosti na insulin (HOMA-IR), često su invazivne, skupocjene ili ne dostupne u rutinskim pregledima. To stvara prepreke za rano otkrivanje i intervenciju, posebno za one koji ne znaju da su na riziku. Ali što ako bismo mogli iskoristiti podatke koje već mnogi ljudi imaju, poput podataka iz nosivih uređaja i rutinskih krvnih testova, da procijenimo rizik od IR? U ovom članku istražujemo kako su naši modeli strojnog učenja uspjeli predvidjeti IR koristeći podatke iz nosivih uređaja (npr. mirovani srčani udarci, broj koraka, obrasci spavanja) i rutinske krvne testove (npr. glukoza na čednosti, lipidni panel). Ovaj pristup pokazao je jaku performansu među studiranim populacijama (N=1,165) i nezavisnom validacijskom skupu (N=72), posebno kod visokorizičnih pojedinaca, kao što su osobe s pretilošću i sedentarnih načina života. Također smo predstavili Insulin Resistance Literacy and Understanding Agent (prototipni agent za IR), građen na najnovijoj obitelji LLMs Gemini, koji pomaže u razumijevanju otpornosti na insulin, olakšavajući interpretaciju i sigurne personalizirane preporuke. Ovaj rad nudi potencijal za rano otkrivanje ljudi na riziku od tipa 2 dijabetesa, omogućujući raniju implementaciju preventivnih strategija.

Metabolički subfenotipi tipa 2 dijabetesa

Otpornost na insulin je ključni predznak koji pomaže u ranom otkrivanju tipa 2 dijabetesa. Oko 70% slučajeva tipa 2 dijabetesa nastaje iz kronične otpornosti na insulin, što rezultira kombinacijom pretilosti, neaktivnog načina života i genetskih faktora. U ovom članku istražujemo kako su naši modeli strojnog učenja uspjeli predvidjeti IR koristeći podatke iz nosivih uređaja i rutinskih krvnih testova.

Predviđanje IR koristeći digitalne biomarkere i rutinske krvne testove

U našem studiju pod nazivom WEAR-ME istražujemo potencijal predviđanja otpornosti na insulin (putem predviđanja HOMA-IR) koristeći dostupne podatke. Da bismo automatizirali proces prikupljanja podataka za rutinske krvne biomarkere, surađivali smo s Quest Diagnostics. 1,165 udaljenih sudionika iz cijelog SAD-a prijavilo se za studiju WEAR-ME putem aplikacije Google Health Studies, sigurne potrošačke platforme za digitalne studije. Ovaj studij proveden je uz odobrenje Odbora za reviziju institucija (IRB). Svi sudionici pružili su elektroničko obavještenje o suglasnosti i određenu HIPAA ovlasti putem aplikacije Google Health Studies prije upisa. Kohorta je bila raznolika po dobi, spolu, geografiji i BMI. Sudionici su imali medijanski BMI od 28 kg/m², dob od 45 godina i HbA1c od 5,4%. Sudionici su se složili da dijele sljedeće podatke:

• Podaci iz nosivih uređaja: Podaci iz njihovih Fitbit ili Google Pixel Watch uređaja (npr. mirovani srčani udarci, broj koraka, obrasci spavanja), pseudonimizirani kako bi se zaštitila privatnost pojedinačnih sudionika.
• Rutinski krvni biomarkeri: Rezultati rutinskih testova (npr. glukoza na čednosti i insulin, lipidni panel) naručeni tijekom osobnog posjeta u Quest Diagnostics, specifično za ovaj istraživački projekt.
• Demografija i anketiranje: Osnovne informacije i zdravstveni upitnici (popunjeni na početku i kraju studije), koji su uključivali podatke o dobi, težini, visini, etničkom i rasnom porijeklu, spolu, te pitanja o percepciji ukupnog zdravlja (fitnes, prehrana) i povijesti dijabetesa ili drugih komorbiditeta.

Koristeći ovaj bogat, multimodalni skup podataka (koji nazivamo “WEAR-ME podacima”), razvili smo i trenirali duboke neuronske mreže da predvidimo HOMA-IR rezultate. Naš cilj bio je vidjeti koliko dobro možemo procijeniti ovaj ključni IR marker koristeći različite kombinacije dostupnih podataka.

Ilustracija našeg predloženog modelnog kanala za predviđanje HOMA-IR i interpretaciju rezultata s Insulin Resistance Education and Understanding Agent

Naši rezultati, koristeći metriku područja pod krivom karakteristike primatelja (auROC), pokazuju da kombiniranje tokova podataka značajno je poboljšalo točnost predviđanja u odnosu na korištenje samo jednog izvora podataka. Ovaj pristup pokazao je jaku performansu među studiranim populacijama i nezavisnom validacijskom skupu, posebno kod visokorizičnih pojedinaca.

Zaključak

U ovom članku istražili smo potencijal predviđanja otpornosti na insulin koristeći podatke iz nosivih uređaja i rutinskih krvnih testova. Naši modeli strojnog učenja pokazali su jaku performansu među studiranim populacijama i nezavisnom validacijskom skupu, posebno kod visokorizičnih pojedinaca. Također smo predstavili Insulin Resistance Literacy and Understanding Agent, koji pomaže u razumijevanju otpornosti na insulin, olakšavajući interpretaciju i sigurne personalizirane preporuke. Ovaj rad nudi potencijal za rano otkrivanje ljudi na riziku od tipa 2 dijabetesa, omogućujući raniju implementaciju preventivnih strategija.

Česta pitanja

Koji nosivi uređaji su najefikasniji za predviđanje otpornosti na insulin?

Naši istraživanja pokazuju da uređaji poput Fitbit i Google Pixel Watch pružaju vrijedne podatke za predviđanje otpornosti na insulin. Važno je da korisnici redovito koriste svoje nosive uređaje kako bi se prikupili točni i relevantni podaci.

Koliko je važno da sudionici redovito izvode rutinske krvne testove?

Rutinski krvni testovi, poput testova glukoze na čednosti i lipidnog panela, pružaju ključne biomarkere koji su neophodni za precizno predviđanje otpornosti na insulin. Sudionici koji redovito izvode ove testove poboljšavaju točnost naših modela.

Može li ovaj pristup biti dostupan široj javnosti?

Naš cilj je razviti korisničko prijateljsku aplikaciju koja će omogućiti široj javnosti da koristi naše modele za predviđanje otpornosti na insulin. Ova aplikacija bi trebala biti dostupna putem Google Health Studies platforme.

Kako se modeli strojnog učenja treniraju?

Naši modeli strojnog učenja trenirani su koristeći bogat, multimodalni skup podataka koji uključuje podatke iz nosivih uređaja i rutinskih krvnih testova. Ovi podaci prikupljeni su od 1,165 udaljenih sudionika putem Google Health Studies aplikacije.

Koliko je važno da sudionici popune demografske i zdravstvene upitnike?

Demografski i zdravstveni upitnici pružaju važne kontekstualne podatke koji poboljšavaju točnost naših modela. Sudionici koji detaljno popunjavaju ove upitnike doprinose preciznijim predviđanjima otpornosti na insulin.