美国斯坦福大学：AI驱动的连续血糖监测技术，革新2型糖尿病诊断

创作时间:

作者:

@小白创作中心

美国斯坦福大学：AI驱动的连续血糖监测技术，革新2型糖尿病诊断

引用

澎湃

https://m.thepaper.cn/newsDetail_forward_29765558

2型糖尿病和糖尿病前期的分类，没有考虑到血糖失调的病理生理学异质性。在这项研究中，团队证明了糖尿病前期具有代谢异质性的特点，而代谢亚型可以在家中进行标准化口服葡萄糖耐量试验（OGTT）时，通过连续葡萄糖监测仪（CGM）测量的曲线形状来预测。

2024年12月23日，美国斯坦福大学遗传学系Michael P. Snyder教授团队在期刊《Nature Biomedical Engineering》上发表了题为“Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning”的研究论文。机器学习模型根据32人的OGTT血糖时间序列进行训练，预测出肌肉胰岛素抵抗、β细胞缺乏和增量素作用受损的亚型，其曲线下面积（AUC）分别为95%、89%和88%。利用CGM生成的在家OGTT血糖曲线，模型预测了29人的肌肉胰岛素抵抗和β细胞缺乏亚型，AUC分别为88%和84%。通过CGM在家中识别代谢亚型，可能有助于对早期血糖失调患者进行风险分层。

人工智能与2型糖尿病

人们对确定可扩展的、具有成本效益的检测方法越来越感兴趣，这些检测方法可捕捉T2D表型的复杂性，为精准医疗方法提供依据。这些测试包括分区遗传风险评分、临床和人口特征、葡萄糖代谢生物标志物、临床结果，甚至可穿戴设备。糖代谢紊乱最常见的检测方法是口服葡萄糖耐量试验（OGTT），该方法已标准化并在全球使用了100多年。

在这项研究中，团队量化了不同个体血糖失调的生理基础差异程度，这些个体可根据其代谢亚型进行分类。团队还提出了一个使用机器学习的综合框架，通过该框架，可以使用在16点葡萄糖耐量测试中提取的葡萄糖时间序列特征来识别代谢亚型。团队证明了这一方法可以在家中使用CGM进行。这种方法在血浆和CGM中识别潜在代谢功能障碍的准确性高于标准的高血糖测量方法（如空腹血糖或HbA1c）、现有的代谢疾病生物标志物（如HOMA）和遗传风险评分。

利用机器学习从葡萄糖时间序列预测代谢亚型

使用OGTT_G_ReducedRep预测肌肉IR的auROC高达0.95，而OGTT_G_Feature预测肌肉IR的auROC为0.90。OGTT_G_ReducedRep的预测能力明显高于目前用于预测肌肉IR的任何特征。根据OGTT_G_ReducedRep预测β细胞功能障碍的auROC为0.89。使用OGTT_G_ReducedRep预测胰岛素缺乏的auROC为0.88，使用OGTT_G_Features预测胰岛素缺乏的auROC为0.90。在肝脏IR方面，OGTT_G_Features显示出良好的性能（auROC=0.84）；Matsuda指数和HOMA-IR显示出卓越的性能，但没有统计学意义。因此，可以根据OGTT血糖时间序列的特征，建立不同代谢亚型的模型。

从OGTT血糖时间序列中提取的特征，与现有替代标志物进行代谢亚表型预测的基准比较。

利用连续血糖监测，在家预测肌肉胰岛素抵抗和β细胞功能

在独立测试集中，基于两条家庭CGM曲线平均值的肌肉 IR（auROC=0.88）和β细胞功能（auROC=0.80）分类结果，比基于血浆曲线的分类结果更好。性能的提高可能是由于从CGM的特征工程和连续测量中有效地提取了信息，CGM中包含的信息比静脉采样中的信息要多得多，而静脉采样中的测量频率较低。仅基于CGM数据的交叉验证显示，肌肉IR的性能相似（auROC=0.88），而β细胞功能的预测性能则进一步提高（auROC=0.84）。