Model AI identifikuje riziko prediabetu s vysokou přesností

Spojením biologie oxidativního stresu s pokročilým strojovým učením vědci ukazují, jak jednoduché antioxidační opatření založené na krvi může výrazně zlepšit předpověď rizika prediabetu a podpořit dřívější, cílenější strategie prevence.

Studie: Model umělé inteligence jako nástroj predikce prediabetu. Obrazový kredit: CI Photos / Shutterstock

V nedávné studii publikované v časopise Vědecké zprávyvýzkumníci vyvinuli model neurální sítě (PNN), který kombinoval nové měření celkového antioxidačního stavu s tradičními indikátory, aby zlepšil předpovědi prediabetu u dospělých Indů. PNN překonala podporu vektorových strojů, k-nejbližších sousedů a logistických regresních modelů trénovaných na stejném datovém souboru a dosáhla přesnosti 98,3 %. Obvod pasu a antioxidační stav ukázaly nejsilnější prediktivní schopnost podle důležitosti vlastností odvozených od modelu, přičemž BMI také významně přispívá k výkonu klasifikace.

Roste potřeba přesné detekce prediabetu

Prediabetes je kritické rané stadium charakterizované zvýšenými hladinami krevního cukru, které ještě nepokročily v diabetes. Každý rok se asi u 5–10 % jedinců s prediabetem rozvine diabetes, přičemž srovnatelný podíl se vrátí k normálním hladinám glukózy. Protože progrese není nevyhnutelná, je včasná detekce nezbytná pro prevenci diabetu 2. typu a s ním souvisejících dlouhodobých komplikací.

Tradiční diagnostické přístupy se spoléhají na krevní testy a klinické hodnocení, ale tyto metody mohou být časově náročné, nákladné a někdy omezené ve schopnosti předvídat individuální riziko. S pokrokem nástrojů založených na datech umožňuje AI výzkumníkům kombinovat data z více zdrojů a ukázala se jako slibná alternativa pro včasnou detekci onemocnění.

Predikční modely založené na umělé inteligenci nabízejí řadu výhod, včetně vyšší diagnostické přesnosti, individualizovaných rizikových profilů a dřívější intervence. Tyto pokroky by mohly výrazně snížit náklady na zdravotní péči tím, že zabrání progresi onemocnění.

Integrace markerů oxidačního stresu do modelů umělé inteligence

Výzkumníci vyvinuli model umělé inteligence speciálně optimalizovaný pro predikci prediabetu s využitím reálných klinických dat od dospělých Indů. Na rozdíl od dřívějších studií se výzkumníci zaměřili na identifikaci nejen nejpřesnějšího modelu, ale také takového, který je v těsném souladu s klinicky relevantními biomarkery, včetně indikátorů oxidačního stresu, které mohou odrážet základní patofyziologii.

Tato pilotní studie zahrnovala 199 dospělých ve věku 18 až 60 let, klasifikovaných buď jako prediabetičtí (n = 100) nebo jako zdravé kontroly (n = 99) na základě hladin glykovaného hemoglobinu (HbA1c). Po celonočním hladovění bylo odebráno 6 ml periferní krve. Biochemické testy zahrnovaly měření HbA1c, glukózy nalačno a lipidového profilu pomocí standardizovaných enzymatických testů. Byly vypočteny hodnoty lipoproteinů s vysokou hustotou (HDL), lipoproteinů s nízkou hustotou (LDL) a lipoproteinů s velmi nízkou hustotou (VLDL).

Klíčovým doplňkem tohoto souboru dat bylo měření celkového antioxidačního stavu, přičemž antioxidační aktivita byla vyjádřena jako procento vychytávacího potenciálu. Zdraví jedinci obvykle vykazují 20–60 % z celkového počtu.

K trénování vzorové neuronové sítě se 14 vstupními uzly, 10 skrytými uzly a jedním výstupním uzlem bylo použito celkem 14 funkcí, včetně demografických, klinických, biochemických a oxidativních markerů stresu. Data byla náhodně rozdělena do trénovacích, validačních a testovacích sad, po nichž následovaly kroky předběžného zpracování, jako je normalizace, odstranění odlehlých hodnot a zpracování chybějících hodnot. Výkonnost modelu byla porovnána s jinými modely AI a logistickou regresí. Pearsonova korelace a deskriptivní statistika byly použity k prozkoumání vztahů mezi proměnnými a posouzení relevance funkcí před trénováním modelu.

Klíčové biomarkery rozlišující profily prediabetu

Ze 14 měřených proměnných šest vykazovalo významné rozdíly mezi jedinci s prediabetem a bez něj: věk, index tělesné hmotnosti (BMI), obvod pasu, antioxidační aktivita, orální glukózový toleranční test (OGTT) a hladiny HbA1c. Jedinci s prediabetem měli výrazně nižší antioxidační kapacitu, což ukazuje na vyšší oxidační stres, a vykazovali vyšší hodnoty klíčových metabolických ukazatelů, jako je HbA1c a reakce glukózy.

Boxplot analýzy posílily tyto skupinové rozdíly tím, že odhalily odlišné distribuce pro HbA1c, OGTT a lipidové markery, přičemž glukóza nalačno vykazovala určité rozdíly v distribuci, přestože srovnání skupin nedosáhlo statistické významnosti. Některé parametry vykazovaly pozitivně vychýlené distribuce, což naznačuje shlukování abnormálních hodnot ve skupině s prediabetem. Korelační testování poukázalo na mírné souvislosti mezi BMI a obvodem pasu a mírné souvislosti mezi antropometrickými měřeními a glykémií nalačno, které společně zachycují překrývající se, ale neredundantní aspekty metabolického rizika.

Model PNN demonstruje vynikající prediktivní přesnost

Model PNN trénovaný na těchto proměnných prokázal vysoce přesnou klasifikaci. Dosáhlo 97,9 % přesnosti na cvičné sadě a 95,2 % na testovací i ověřovací sadě. Celková přesnost ve všech souborech dat byla 98,3 %, s dokonalou přesností, silným zapamatováním a skóre F1. Ve srovnání s jinými modely PNN trvale překonával alternativy, dosahoval nejvyšší oblasti pod křivkou (AUC) a nejsilnější minimalizace chyb.

Důsledky pro včasnou stratifikaci rizika

Tato studie úspěšně integrovala celkový antioxidační stav do predikčního modelu prediabetu založeného na AI pro indickou populaci a zdůraznila oxidační stres jako důležitý a často přehlížený rizikový marker s potenciálním mechanistickým významem pro rozvoj onemocnění spíše než pouze jako korelační rys.

Zjištění potvrzují, že obvod pasu, BMI, glukózové markery a antioxidační kapacita patří k nejvíce informativním prediktorům, které jsou v souladu s důkazy z jiných populací. PNN poskytla vynikající přesnost ve srovnání s tradičními modely strojového učení a prokázala silný potenciál jako rychlý, nízkonákladový screeningový nástroj čekající na externí ověření v nezávislých kohortách.

Mezi silné stránky patří komplexní soubor biochemických a klinických vlastností a zavedení opatření na oxidační stres, která přidávají biologickou hloubku hodnocení rizik. Design s jedním středem, skromná velikost vzorku a průřezová povaha však omezují zobecnitelnost a schopnost sledovat změny v čase.

Celkově PNN nabízí robustní rámec pro včasnou detekci a stratifikaci rizika u prediabetu. Budoucí výzkum by měl ověřit model ve větších kohortách na více místech a prozkoumat integraci s dlouhodobými klinickými daty pro prospektivní klinické aplikace a aplikace v oblasti veřejného zdraví a zároveň formálně posoudit reálnou proveditelnost a stabilitu výkonu.