新的人工智能模型在异常测试结果出现之前识别糖尿病风险

数百万人可能尚未意识到自己早期患糖尿病的风险。AI 模型揭示了为什么血糖峰值可能比检测结果更重要。

在最近发表在《自然医学》杂志上的一篇论文中，研究人员分析了来自两个群体的 2,400 多人的数据，以确定血糖峰值的模式并制定个性化的血糖风险概况。

他们发现，2型糖尿病 (T2D) 患者与糖尿病前期或血糖正常的患者的血糖峰值模式存在显著差异。他们的多模态风险模型可以帮助医生识别罹患 2 型糖尿病风险较高的糖尿病前期患者。

患有 2 型糖尿病的人会经历更严重的夜间低血糖，并且在血糖飙升后需要更长的时间（平均超过 20 分钟）才能恢复到基线血糖水平 - 这表明存在关键的生理差异。

糖尿病和糖尿病前期影响着美国相当一部分成年人口，但糖化血红蛋白 (HbA1c) 和空腹血糖等标准诊断测试并不能完全反映血糖调节的复杂性。

许多因素（压力、微生物组成、睡眠、体力活动、遗传、饮食和年龄）都会影响血糖波动，尤其是餐后峰值（定义为 90 分钟内至少增加 30 mg/dL），即使在看似健康的人身上也会出现这种情况。

此前，人们曾使用连续血糖监测 (CGM) 研究过这些变化，但其覆盖范围往往仅限于糖尿病前期患者和血糖正常的个体，而且研究往往缺乏生物医学研究中历史上代表性不足的群体的代表性。

为了解决这一差距，PROGRESS 研究开展了一项全国性的远程临床试验，招募了 1,137 名不同背景的参与者（48.1% 来自生物医学研究中历史上代表性不足的群体），这些参与者血糖正常，患有 2 型糖尿病，进行了 10 天的 CGM 监测，同时收集了微生物组组成、基因组学、心率、睡眠、饮食和活动的数据。

这种多模式方法可以更细致地了解血糖控制和血糖波动的个体间差异。

该研究的目的是创建全面的血糖风险概况，以改善对有进展为糖尿病风险的糖尿病前期患者的早期发现和干预，为 HbA1c 等传统诊断措施提供个性化的替代方案。

研究人员使用了两个队列的数据：PROGRESS（美国的一项数字临床试验）和HPP（以色列的一项观察性研究）。PROGRESS招募了患有和不患有2型糖尿病的成年人，他们接受了10天的连续血糖监测（CGM），同时收集了肠道微生物组、基因组学、心率、睡眠、饮食和活动的数据。

肠道微生物群多样性（香农指数）与平均血糖水平呈直接负相关：微生物群多样性越低，所有组的血糖控制越差。

参与者还在家中采集了粪便、血液和唾液样本，并分享了他们的电子病历。排除标准包括近期使用抗生素、妊娠、1型糖尿病以及其他可能影响CGM或代谢数据的因素。参与者招募完全通过社交媒体和基于电子病历的邀请远程进行。

CGM 数据以分钟为间隔进行处理，并使用预设阈值定义血糖峰值。计算了六个关键血糖指标，包括平均血糖、高血糖时间和峰值持续时间。

使用饮食日记应用程序和可穿戴追踪器收集生活方式数据。采用标准方法分析基因组和微生物组数据，并计算多基因风险评分和微生物组多样性指数等综合指标。

随后，我们利用机器学习构建了一个基于多模态数据（人口统计学、体格测量、持续血糖监测 (CGM)、饮食和微生物组）的 2 型糖尿病风险评估模型，并在 PROGRESS 和 HPP 队列中测试了其性能。统计分析采用协方差分析、Spearman 相关分析和引导法来检验显著性并评估模型。

在 1137 名参与者中，有 347 人进入最终分析：174 名血糖正常，79 名糖尿病前期，94 名 2 型糖尿病。

研究人员发现，不同血糖峰值指标在不同条件下存在显著差异：夜间低血糖、峰值消除时间、平均血糖以及高血糖持续时间。差异最大的是2型糖尿病患者与其他组别，在峰值频率和强度等关键指标上，糖尿病前期患者的血糖水平在统计学上比2型糖尿病患者更接近正常血糖水平。

微生物群多样性与大多数血糖峰值指标呈负相关，这表明健康的微生物群与更好的血糖控制相关。

静息心率、体重指数和糖化血红蛋白 (HbA1c) 较高与血糖结果较差相关，而体力活动则与更有利的血糖模式相关。有趣的是，碳水化合物摄入量较高与峰值消退速度更快相关，但也与峰值出现频率和强度更高相关。

该团队基于多模态数据开发了一个二元分类模型，该模型能够高精度地区分正常血糖和2型糖尿病。当应用于外部队列（HPP）时，该模型保持了高性能，并成功识别出糖化血红蛋白（HbA1c）值相近的糖尿病前期患者中风险水平的显著差异。

这些结果表明，与标准诊断方法相比，多模式血糖分析可以改善风险预测和个人监测，特别是对于糖尿病前期。

研究强调，HbA1c 等传统糖尿病诊断并不能反映葡萄糖代谢的个体特征。

研究人员结合使用 CGM 和多模态数据（基因组学、生活方式、微生物组），发现正常血糖、糖尿病前期和 2 型糖尿病之间的血糖波动存在显著差异，并且在许多关键指标上，糖尿病前期与正常血糖的相似性高于 2 型糖尿病。

所开发的基于机器学习的风险模型已在外部队列中得到验证，结果显示，具有相似 HbA1c 值的糖尿病前期患者的风险存在很大差异，证实了其与传统方法相比的附加价值。

该研究的优势包括分散且多样化的PROGRESS队列（48.1%来自代表性不足的群体）以及“真实世界”数据的收集。然而，其局限性包括设备差异、自我报告不准确、难以记录饮食日记以及使用降糖药物等因素可能造成偏差。

需要更大规模的验证和纵向研究来证实预后益处和临床意义。

最终，这项研究证明了远程多模式数据收集在改善早期检测、糖尿病前期风险分层和个性化 2 型糖尿病预防方面的潜力，为糖尿病风险患者提供更精准、更全面的护理铺平了道路。