CGMformer: Sztuczna inteligencja w analizie glikemii z ciągłego monitorowania glukozy

Zespół badaczy pod kierownictwem dr. Yonga Wanga (Academy of Mathematics and Systems Science, Chińska Akademia Nauk), dr. Huatinga Li oraz dr. Weipinga Jia (Shanghai Sixth People’s Hospital, afiliowany przy Shanghai Jiao Tong University School of Medicine) oraz dr. Luonana Chena (Center for Excellence in Molecular Cell Science, Shanghai Institute of Biochemistry and Cell Biology, Chińska Akademia Nauk) opracował CGMformer – model głębokiego uczenia się, który analizuje dane z dużych zbiorów ciągłego monitorowania glikemii (CGM), aby usprawnić diagnostykę cukrzycy, ocenę ryzyka oraz personalizację leczenia. Badanie to wykorzystuje najnowsze osiągnięcia w dziedzinie sztucznej inteligencji (AI), oferując nowe podejście do analizy metabolizmu glukozy oraz lepsze zrozumienie indywidualnego stanu metabolicznego i progresji chorób.

Nowe podejście do analizy cukrzycy typu 2

Cukrzyca typu 2 (T2D) to złożone zaburzenie metaboliczne, na które wpływają zarówno czynniki genetyczne, jak i styl życia. Tradycyjne metody diagnostyczne, takie jak pomiar glukozy na czczo czy test HbA1c, dostarczają jedynie ograniczonego obrazu regulacji glikemii, często pomijając subtelne fluktuacje, które mogą sygnalizować wczesny rozwój choroby. Aby przezwyciężyć te ograniczenia, zespół badawczy opracował CGMformer – model AI, który uczy się na podstawie dużych zbiorów danych CGM, aby wychwytywać indywidualne wzorce dynamiki glukozy.

„Tokenizujemy dane CGM, a wartości glukozy są dyskretyzowane do określonych poziomów i uporządkowane według punktów czasowych, naśladując strukturę zdania. Architektura transformatorowa znana z NLP pozwala nam wykorzystać mechanizm uwagi do skutecznego analizowania długoterminowych zależności. Dzięki wstępnemu trenowaniu na dużych zbiorach danych CGM model uzyskuje wewnętrzną reprezentację indywidualnej dynamiki glukozy, a transfer learning umożliwia zastosowanie w różnych zadaniach. Te innowacje pozwoliły osiągnąć lepsze wyniki niż tradycyjne metody statystyczne i uczenia maszynowego” – wyjaśnia Yurun Lu, twórczyni CGMformer z Academy of Mathematics and Systems Science.

CGMformer dostarcza szczegółowego obrazu fluktuacji poziomu glukozy, wychwytując wzorce wskazujące na wczesne zaburzenia metaboliczne, jeszcze przed pojawieniem się nieprawidłowości w tradycyjnych testach laboratoryjnych.

Wczesna diagnostyka i personalizacja oceny ryzyka

„Dane CGM dają unikalny wgląd w metabolizm glukozy, ale ich manualna analiza jest niezwykle trudna. Nasz model wykorzystuje głębokie uczenie się do identyfikowania ukrytych wzorców glikemii, precyzyjnie odwzorowując stan metaboliczny pacjenta i umożliwiając wczesne wykrywanie zaburzeń oraz ocenę ryzyka” – mówi dr Yong Wang.

CGMformer umożliwia klasyfikację pacjentów na podstawie ich indywidualnej dynamiki glukozy, co pozwala na bardziej precyzyjną ocenę ryzyka metabolicznego. Model ten może identyfikować pacjentów, którzy dotychczas pozostawali niezauważeni, np. osoby z prawidłowym BMI, ale z zaburzoną regulacją glukozy. Te odkrycia mogą zmienić podejście do diagnozy stanu przedcukrzycowego oraz wczesnych stadiów cukrzycy, umożliwiając wczesną interwencję dopasowaną do indywidualnego profilu metabolicznego pacjenta.

Personalizowane strategie żywieniowe

Oprócz diagnostyki i oceny ryzyka badacze opracowali CGMformer_Diet – rozszerzenie modelu, które przewiduje, jak różne produkty spożywcze wpłyną na poziom glukozy we krwi u konkretnej osoby. Model ten integruje dane CGM z informacjami o spożywanych posiłkach, umożliwiając opracowanie personalizowanych strategii żywieniowych, które pomagają utrzymać stabilny poziom glukozy.

Dzięki symulacjom opartym na AI naukowcy wykazali, że modyfikacja proporcji makroskładników – np. redukcja węglowodanów lub zwiększenie spożycia białka – może optymalizować glikemię poposiłkową. Te odkrycia mogą posłużyć do tworzenia indywidualnych zaleceń dietetycznych, co będzie szczególnie pomocne dla osób zarządzających cukrzycą lub chcących zapobiec jej rozwojowi.

„Przewidując indywidualną reakcję organizmu na jedzenie, możemy wdrożyć proaktywną i personalizowaną dietoterapię, pomagając pacjentom podejmować świadome decyzje wspierające ich zdrowie metaboliczne” – wyjaśnia dr Huating Li, ekspert w dziedzinie cukrzycy typu 2 z Shanghai Diabetes Institute i Shanghai Sixth People’s Hospital.

Przyszłość sztucznej inteligencji w diabetologii

CGMformer stanowi przełom w medycynie opartej na AI, dostarczając kompleksowego obrazu metabolizmu glukozy, który wykracza poza tradycyjne metody diagnostyczne. W miarę upowszechniania się monitorowania glikemii w czasie rzeczywistym, integracja modeli AI takich jak CGMformer z praktyką kliniczną może umożliwić dokładniejsze wykrywanie zaburzeń metabolicznych i skuteczniejsze, spersonalizowane interwencje.

Wraz z dalszym rozwojem sztucznej inteligencji i technologii wearable, modele takie jak CGMformer torują drogę dla inteligentnych, opartych na danych strategii zarządzania zdrowiem metabolicznym. Potencjalne zastosowania tej technologii mogą wykraczać poza cukrzycę, obejmując również inne choroby przewlekłe.

Źródło: National Science Review

DOI: 10.1093/nsr/nwaf039