Prikupljanje podataka putem pametnih satova omogućuje otkrivanje inzulinske rezistencije (IR) prije nego što je moguće uočiti rutinskim kliničkim testovima, čime se olakšavaju intervencije u načinu života koje mogu spriječiti napredovanje u dijabetes tipa 2.

Studija objavljena u časopisu Nature pokazala je da obrasci u kontinuirano prikupljenim podacima tijekom svakodnevnih aktivnosti putem nosivih uređaja omogućuju otkrivanje ranih znakova metaboličke disfunkcije.

Nevidljivi stres pod radarom klasičnih testova

Integracijom ovih podataka s rutinskim krvnim biomarkerima i demografskim informacijama pomoću modela strojnog učenja, moguće je predvidjeti inzulinsku rezistenciju na način koji nije dostupan tijekom uobičajenih liječničkih pregleda. Rezultati upućuju na to da ovakav pristup omogućuje otkrivanje ranog fiziološkog stresa koji povremene procjene često propuštaju.

Kako držati dijabetes pod kontrolom? Tri ključna principa pomažu kod 50 posto oboljelih

"Oslanjajući se na kontinuirane signale iz svakodnevnog života, pristup autora ističe fiziološko opterećenje koje je nevidljivo povremenim testiranjima," objasnio je dr. sc. Christopher Hartshorn iz Nacionalnog instituta za zdravlje (NIH) u popratnom članku u rubrici News & Views.

"Ovaj rad otvara mogućnost da bi ranije prepoznavanje inzulinske rezistencije, ključne rane značajke dijabetesa tipa 2, moglo omogućiti jednostavnije intervencije i u konačnici smanjiti kasniji teret metaboličkih bolesti."

Kontinuirano praćenje 

Razine šećera u krvi mogu ostati unutar normalnog raspona čak i kada je za njihovo održavanje potreban sve veći fiziološki napor, što dovodi do toga da inzulinska rezistencija ostaje neprimijećena tijekom izoliranih kliničkih procjena u standardiziranim uvjetima.

Suprotno tome, podaci s pametnih satova bilježe fluktuacije u aktivnosti, spavanju i kardiovaskularnoj funkciji, koje tijekom vremena mogu odražavati kumulativne zahtjeve metaboličke regulacije.

Freepik

Za daljnja istraživanja, tim pod vodstvom dr. sc. Ahmeda Metwallyja, voditelja programa istraživanja umjetne inteligencije za metaboličko zdravlje u Googleu, proveo je studiju WEAR-ME na 1165 ispitanika s prosječnim indeksom tjelesne mase od $28 \text{ kg/m}^2$, medijanom dobi od 45 godina i medijanom hemoglobina A1c od 5,5%.

Preciznost UI modela 

Istraživači su koristili longitudinalne signale prikupljene s Fitbit i Google Pixel uređaja, integrirane s demografskim karakteristikama i lako dostupnim krvnim biomarkerima, kako bi uvježbali računalni model temeljen na homeostatskom modelu procjene inzulinske rezistencije (HOMA-IR). Početni model identificirao je stabilne obrasce povezane s IR-om i poboljšao performanse predviđanja u odnosu na bilo koji pojedinačni izvor podataka.

Pri HOMA-IR granici od 2,9, multimodalni model pokazao je robusnost u otkrivanju inzulinske rezistencije kombiniranjem podataka s nosivih uređaja, demografskih informacija i rutinskih krvnih biomarkera. Model je postigao površinu ispod ROC krivulje (AUROC) od 0,80, osjetljivost od 76% i specifičnost od 84%.

Temeljni model za nosive uređaje (WFM) unaprijed je obučen na 40 milijuna sati podataka senzora radi finog podešavanja, a potom testiran na neovisnoj validacijskoj skupini od 72 ispitanika. Model koji integrira informacije iz WFM-a s demografskim podacima pokazao je veću točnost od osnovnog modela temeljenog samo na demografskim podacima, s AUROC-om od 0,75 u odnosu na 0,66.

Budućnost preventivne medicine

Uključivanje podataka iz WFM-a u model koji je sadržavao demografske podatke, glukozu natašte i lipidni panel značajno je poboljšalo performanse u odnosu na identičan model bez podataka s nosivih uređaja, s AUROC-om od 0,88 u usporedbi s 0,76.

"U ovoj studiji predstavljamo metodu za predviđanje inzulinske rezistencije pomoću signala dobivenih s potrošačkog pametnog sata, demografskih podataka i rutinski mjerenih krvnih biomarkera," zaključili su autori. "Ova metoda ima potencijal da se proširi na milijune ljudi i omogući široko prepoznavanje inzulinske rezistencije."