Nositelná zařízení, jako jsou chytré hodinky, by se v blízké budoucnosti mohla stát systémem včasného varování před cukrovkou 2. typu s využitím dat, která již shromažďují o srdeční frekvenci, spánku a aktivitě. Nová studie zveřejněná v časopise Nature 16. března ukazuje, že umělá inteligence dokáže detekovat jemné známky inzulínové rezistence – klíčového prediktoru diabetu – analýzou těchto vzorců spolu s běžnými zdravotními indikátory.
Skrytý problém inzulínové rezistence
Odhaduje se, že přibližně 20-40 % dospělých ve Spojených státech trpí inzulinovou rezistencí, což je stav, při kterém se buňky stávají méně citlivými na inzulin, což vede ke zhoršenému metabolismu cukrů. Hlavním problémem je, že o tom většina lidí neví, protože diagnostika obvykle vyžaduje specializované testy, které nejsou součástí standardních lékařských vyšetření. To znamená, že stav často zůstává nezjištěn, dokud hladina cukru v krvi nevzroste, což může vést k nevratnému metabolickému poškození.
Potenciál včasné detekce
Včasná detekce inzulinové rezistence může umožnit včasné změny životního stylu – úprava stravy, zvýšení fyzické aktivity nebo dokonce užívání léků GPL-1 – zpomalit nebo zvrátit progresi diabetu. „Pokud dokážeme identifikovat lidi, když se u nich rozvine inzulínová rezistence, můžeme změnit celou trajektorii diabetu,“ říká Ahmed Metwally, bioinženýr z Google Research.
Škálovatelnost vs. vyhrazené senzory
Předchozí pokusy o včasnou detekci se spoléhaly na drahé, specializované senzory, které většinou nosili lidé, u kterých již byla diagnostikována cukrovka. Výhodou chytrých hodinek je jejich rozšířené přijetí: nosí je již miliony lidí, díky čemuž je možné hromadné prověřování. Podle Davida Klonoffa, endokrinologa z Mills-Peninsula Medical Center, tato studie zavádí “škálovatelnou metodu… pro včasnou detekci metabolického rizika.”
Jak systém funguje
Tým Google Research vyvinul systém s využitím dat od více než 1 165 lidí nosících Fitbit nebo Pixel Watch, což představuje desítky milionů hodin dat. Algoritmy strojového učení kombinovaly tato data z chytrých hodinek s rutinními laboratorními testy (cholesterol, glukóza) a demografickými faktory (věk, BMI), aby identifikovaly vzorce spojené s inzulinovou rezistencí.
Nejpřesnější předpovědi byly získány kombinací dat z chytrých hodinek se stávajícími laboratorními výsledky. Model dosáhl 76% přesnosti pouze pomocí laboratorních testů, ale zlepšil se na 88 %, když byla zahrnuta data z chytrých hodinek. Zvláště informativní byla klidová srdeční frekvence, stejně jako denní počet kroků a délka spánku.
Nedokonalá, ale cenná data
Data z chytrých hodinek sice nejsou dokonalá (sledování spánku je notoricky nepřesné), ale i tyto nedokonalé signály přidávají prediktivní hodnotu. Potenciál spočívá v nepřetržitém, dlouhodobém sledování metabolického zdraví pomocí nositelných zařízení ve spojení s umělou inteligencí, což dláždí cestu k personalizované digitální medicíně.
„Tento dokument poskytuje přesvědčivé důkazy, že data ze spotřebitelských nositelných zařízení obsahují smysluplné metabolické informace relevantní pro předpovídání inzulínové rezistence,“ řekl Giorgio Kehr, ředitel umělé inteligence ve Scripps Research Translational Institute.
Tato technologie nabízí slibnou příležitost identifikovat metabolická rizika v rané fázi a potenciálně tak zabránit rozvoji diabetu 2. typu u milionů lidí.
