Прогнозирование инсулинорезистентности с помощью носимых устройств и стандартных биомаркеров крови.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Используя данные с носимых устройств и результаты рутинных анализов крови, мы предлагаем новый метод эффективного прогнозирования инсулинорезистентности, обеспечивающий масштабируемый и доступный подход к раннему скринингу риска развития диабета 2 типа.

Быстрые ссылки

• Бумага
• Делиться
  • Скопировать ссылку ×

Диабет 2 типа поражает сотни миллионов людей во всем мире, и его распространенность растет. Основной предпосылкой этого состояния является инсулинорезистентность (ИР), при которой клетки организма не реагируют должным образом на инсулин — гормон, имеющий решающее значение для регулирования уровня сахара в крови. Раннее выявление ИР имеет ключевое значение, поскольку изменение образа жизни часто может обратить вспять этот процесс и предотвратить или отсрочить развитие диабета 2 типа. Однако существующие методы точного измерения ИР, такие как «золотой стандарт» эугликемический инсулиновый клэмп или гомеостатическая модель оценки инсулинорезистентности (HOMA-IR), требующие специальных анализов крови на инсулин, часто являются инвазивными, дорогостоящими или недоступными при рутинных обследованиях. Эти факторы создают значительные препятствия для раннего выявления и вмешательства, особенно для тех, кто не подозревает о наличии риска.

Что если бы мы могли использовать данные, уже доступные многим людям, такие как данные с носимых устройств и обычных анализов крови, для оценки риска инсулинорезистентности? В статье «Прогнозирование инсулинорезистентности на основе данных с носимых устройств и обычных биомаркеров крови», опубликованной в журнале Nature , мы исследуем набор моделей машинного обучения, которые потенциально могут прогнозировать инсулинорезистентность, используя данные с носимых устройств (например, частота сердечных сокращений в состоянии покоя, количество шагов, режим сна) и обычные анализы крови (например, уровень глюкозы натощак, липидный профиль). Этот подход демонстрирует высокую эффективность в исследуемой популяции (N=1165) и независимой валидационной когорте (N=72), особенно у лиц с высоким риском, таких как люди с ожирением и малоподвижным образом жизни. Кроме того, мы представляем Агент по повышению осведомленности и пониманию инсулинорезистентности (прототип агента по ИР), созданный на основе передового семейства моделей машинного обучения Gemini, который помогает понять инсулинорезистентность, облегчает интерпретацию и предоставляет безопасные персонализированные рекомендации. Эта работа открывает потенциал для раннего выявления людей, подверженных риску развития диабета 2 типа, и тем самым способствует более раннему внедрению профилактических стратегий. Модели, прогнозы и описанный в данном исследовании инструмент для повышения осведомленности и понимания инсулинорезистентности предназначены исключительно для информационных и исследовательских целей.

Метаболические субфенотипы диабета 2 типа . Хроническая инсулинорезистентность является предшественником примерно 70% случаев диабета 2 типа и возникает в результате сочетания ожирения, малоподвижного образа жизни и генетических факторов.

Прогнозирование инсулинорезистентности с использованием цифровых биомаркеров и стандартных анализов крови.

Мы разработали исследование под названием WEAR-ME, чтобы изучить потенциал прогнозирования инсулинорезистентности (путем прогнозирования HOMA-IR) с использованием легкодоступных данных. Для автоматизации процесса сбора данных по стандартным биомаркерам крови мы сотрудничали с компанией Quest Diagnostics.

В исследовании WEAR-ME приняли участие 1165 человек из разных регионов США, зарегистрировавшихся через приложение Google Health Studies — защищенную платформу для проведения цифровых исследований. Исследование проводилось с одобрения Институционального наблюдательного совета (IRB). Все участники предоставили электронное информированное согласие и специальное разрешение HIPAA через приложение Google Health Studies до начала участия. Когорта была разнообразна по возрасту, полу, географическому положению и ИМТ. Медианный ИМТ участников составлял 28 кг/м², возраст — 45 лет, а уровень HbA1c — 5,4%. Участники дали согласие на предоставление следующих данных:

• Данные с носимых устройств : данные с устройств Fitbit или Google Pixel Watch (например, частота сердечных сокращений в состоянии покоя, количество шагов, режим сна), псевдонимизированные для защиты конфиденциальности каждого участника.
• Стандартные анализы крови на биомаркеры : результаты стандартных анализов (таких как уровень глюкозы и инсулина натощак, липидный профиль), назначенных во время очного визита в Quest Diagnostics специально для данного исследования.
• Демографические данные и опросы : Базовая информация и анкеты о состоянии здоровья (заполнялись в начале и в конце исследования), включающие данные о возрасте, весе, росте, этнической принадлежности, расе и поле, а также вопросы о восприятии общего состояния здоровья (физическая форма, питание) и наличии диабета или других сопутствующих заболеваний в анамнезе.

Используя этот обширный мультимодальный набор данных (который мы называем «данными WEAR-ME»), мы разработали и обучили модели глубоких нейронных сетей для прогнозирования показателей HOMA-IR. Наша цель состояла в том, чтобы выяснить, насколько хорошо мы можем оценить этот ключевой показатель ИР, используя различные комбинации доступных данных.

Иллюстрация предлагаемого нами алгоритма моделирования для прогнозирования HOMA-IR и интерпретации результатов с помощью инструмента обучения и понимания инсулинорезистентности.

Наши результаты, полученные с использованием метрики площади под кривой рабочей характеристики приемника (auROC), показывают, что объединение потоков данных значительно повысило точность прогнозирования по сравнению с использованием любого отдельного источника:

• Носимые устройства + Демографические данные : продемонстрировали некоторую прогностическую способность (auROC = 0,70) для классификации ИР.
• Добавление анализа уровня глюкозы натощак к носимым устройствам + демографические данные : Этот стандартный результат анализа крови оказался чрезвычайно ценным, значительно повысив производительность (auROC = 0,78).

Носимые устройства + Демографические данные + Стандартные анализы крови : Достигнуты наилучшие результаты, точно прогнозирующие значения HOMA-IR (R² = 0,50) и эффективно классифицирующие лиц с инсулинорезистентностью (auROC = 0,80, чувствительность = 76%, специфичность = 84%, где значение HOMA-IR 2,9 или выше использовалось для идентификации человека как инсулинорезистентного).

Слева: Оценка эффективности прогнозирования информационного поиска (классификации). Справа: Визуализация кривой точности-полноты для выбранных наборов признаков. Средние значения обозначены цветами, а серые области вокруг каждой линии указывают на стандартное отклонение по пяти фолдам.

Важно отметить, что наши результаты показывают, что характеристики, полученные с помощью носимых устройств, такие как частота сердечных сокращений в состоянии покоя, неизменно входят в число наиболее важных предикторов наряду с ИМТ и уровнем глюкозы натощак. Результаты анализа важности характеристик подчеркивают ценность учета сигналов, связанных с образом жизни.

Диаграмма Санкей, показывающая относительную важность признаков ( значения SHapley Additive exPlanations [SHAP] ) для каждой из предложенных нелинейных моделей XGBoost для прямой регрессии.

Сосредоточение внимания на группах высокого риска

Поскольку люди с ожирением и малоподвижным образом жизни особенно подвержены риску развития диабета 2 типа, мы специально оценили эффективность нашей модели в этих подгруппах:

• Участники с ожирением : Модель продемонстрировала улучшенную точность по сравнению с общей популяцией (чувствительность = 86% против 76%).
• Участники, ведущие малоподвижный образ жизни : точность была выше, чем у группы лиц с ожирением (чувствительность = 88%).
• Участники с ожирением и малоподвижным образом жизни : Модель показала особенно хорошие результаты в этой важной группе (чувствительность = 93%, скорректированная специфичность = 95%; скорректированная специфичность здесь направлена на минимизацию ошибочной классификации действительно чувствительных к инсулину лиц как резистентных).

Результаты этого эксперимента позволяют предположить, что наш подход может быть особенно эффективен для выявления тех, кому раннее изменение образа жизни принесет наибольшую пользу.

Результаты классификации эффективности различных уровней образа жизни.

Проверка достоверности и обобщаемость

Чтобы убедиться, что наши результаты не ограничиваются только исходным набором данных, мы протестировали нашу наиболее эффективную модель (обученную на данных WEAR-ME) на полностью независимой валидационной когорте (N=72), набранной в рамках отдельного одобренного этическим комитетом исследования с участием лиц, давших согласие на участие. В этом исследовании участники обменивались данными с носимого устройства Fitbit Charge 6, а данные о биомаркерах крови собирались лично в исследовательском центре в Сан-Франциско. Медианный ИМТ этой когорты составлял 30,6 кг/м², а возраст — 44,5 года. Результаты, полученные на валидационной когорте, показывают, что обученные нами модели сохранили высокую прогностическую эффективность (чувствительность = 84%, специфичность = 81%), демонстрируя потенциальную обобщаемость результатов. Однако, поскольку это всего лишь исследовательский прототип, его безопасность и эффективность для любых целей, связанных со здоровьем, еще не установлены.

Обзор независимого исследования валидационной выборки. Мы сравниваем точность модели, полученную на основе исходной обучающей и тестовой выборок, с точностью модели, полученной на внешней валидационной выборке, и демонстрируем ее потенциальную обобщаемость .

Выходя за рамки прогнозирования: к пониманию и упреждающим шагам.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Иллюстрация предлагаемой агентной архитектуры, которая использует модель прогнозирования HOMA-IR для оценки риска инсулинорезистентности с целью обучения пользователей.

Прогнозирование риска инсулинорезистентности (ИР) имеет большое значение, но как сделать эту информацию понятной и применимой на практике для отдельных лиц? Мы исследовали возможность интеграции наших моделей прогнозирования с линейными моделями метаболизма (ЛММ), чтобы дать пользователям возможность лучше понимать свое метаболическое здоровье. Мы разработали Агент по повышению осведомленности и пониманию инсулинорезистентности (прототип агента ИР), созданный на основе передового семейства ЛММ Gemini. При задании вопроса о метаболическом здоровье Агент ИР предоставляет персонализированные, контекстуализированные ответы в образовательных целях, основанные на данных исследования отдельного человека и прогнозируемом статусе ИР. С согласия пользователя агент имеет возможность получать доступ к конкретным предоставленным пользователем данным, искать актуальную информацию и выполнять расчеты. Важно отметить, что взаимодействие с моделями или Агентом ИР предназначено для демонстрации того, как такой инструмент может помочь пользователям изучать свои результаты в информационных и образовательных целях.

Пять сертифицированных эндокринологов оценили ответы, полученные с помощью IR Agent, по сравнению с базовой моделью. Они отдали явное предпочтение ответам IR Agent, посчитав их значительно более полными, заслуживающими доверия и персонализированными. Это демонстрирует потенциал сочетания прогностических моделей здоровья с моделями LLM для расширения возможностей людей в понимании своего здоровья.

Обзор агента по повышению осведомленности и пониманию инсулинорезистентности (IR Agent). Иллюстрация предлагаемого IR Agent ( слева ), а также результаты (процент побед) нашего IR Agent по сравнению с базовой моделью, оцененные эндокринологами ( справа ).

Выводы и дальнейшая работа

Наше исследование демонстрирует, что модели машинного обучения, сочетающие легкодоступные данные с носимых устройств и стандартные биомаркеры крови, потенциально могут эффективно прогнозировать инсулинорезистентность, ключевой фактор, предшествующий диабету 2 типа. Такой подход предлагает ряд преимуществ:

• Доступность : Использует данные, которые уже есть у многих людей или которые они могут легко получить.
• Ранняя диагностика : позволяет выявить риск еще до того, как уровень сахара в крови станет аномальным. Например, в нашем исследовании мы обнаружили, что у многих участников с нормальным уровнем глюкозы в крови (HbA1c < 5,7) уже имелась инсулинорезистентность.
• Масштабируемость : Предлагает потенциально более масштабируемый метод скрининга, чем специализированные ИК-тесты.
• Персонализация : демонстрирует высокие показатели в группах высокого риска и потенциал для интеграции в персонализированные инструменты здравоохранения.

Эта работа открывает возможности для более раннего и доступного скрининга риска развития диабета 2 типа, что потенциально позволит своевременно вносить изменения в образ жизни, которые могут предотвратить или отсрочить развитие заболевания, особенно у тех, кто неосознанно приближается к нему.

Дальнейшая работа включает в себя проверку этих моделей в лонгитюдном режиме (отслеживание состояния отдельных лиц во времени), изучение влияния вмешательств, включение генетических данных и данных о микробиоме, а также дальнейшее совершенствование моделей для конкретных групп населения с целью обеспечения равных результатов для различных групп. Мы считаем, что это направление исследований имеет большие перспективы для проактивного и персонализированного управления метаболическим здоровьем.

Отказ от ответственности

Хотя предложенный нами подход, включая IR Agent, перспективен для различных применений в здравоохранении, данное исследование конкретно направлено на решение критической проблемы раннего выявления инсулинорезистентности и не представляет обсуждаемые здесь модели как одобренные медицинские устройства или решения. Модели и IR Agent не являются медицинскими устройствами. Они не были одобрены, утверждены или рассмотрены Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) или любым другим национальным или международным регулирующим органом. Данная работа не предназначена и не должна использоваться в качестве замены профессиональной медицинской консультации, диагностики или лечения. Внедрение таких технологий в реальных условиях потребует тщательного тестирования, проверки и получения разрешений регулирующих органов.

Благодарности

Описанное здесь исследование является результатом совместной работы Google Research и партнерских команд. В этой работе приняли участие следующие исследователи: Ахмед А. Метвалли, А. Али Хейдари, Даниэль Макдафф, Александру Солот, Зейнаб Эсмаилпур, Энтони З. Фаранеш, Мэнлян Чжоу, Дэвид Б. Сэвидж, Конор Хенеган, Шветак Патель, Кэти Спид и Хавьер Л. Прието. Google сотрудничал с Quest Diagnostics , ведущим мировым поставщиком диагностической информации, чтобы позволить участникам, отвечающим критериям отбора, делиться данными о своих биомаркерах, полученными в рамках бесплатного забора крови, который включает в себя комплексный метаболический анализ и измерение уровня холестерина, триглицеридов и инсулина.

Источник: research.google