Urządzenia przenośne, takie jak inteligentne zegarki, mogą w najbliższej przyszłości stać się systemem wczesnego ostrzegania o cukrzycy typu 2, wykorzystującym już zgromadzone dane na temat tętna, snu i aktywności. Nowe badanie opublikowane 16 marca w czasopiśmie Nature pokazuje, że sztuczna inteligencja może wykryć subtelne oznaki insulinooporności – kluczowy czynnik predykcyjny cukrzycy – poprzez analizę tych wzorców wraz z rutynowymi wskaźnikami stanu zdrowia.
Ukryty problem insulinooporności
Szacuje się, że około 20–40% dorosłych w Stanach Zjednoczonych cierpi na insulinooporność – stan, w którym komórki stają się mniej wrażliwe na insulinę, co prowadzi do upośledzenia metabolizmu cukrów. Głównym problemem jest to, że większość ludzi o tym nie wie, ponieważ diagnoza zwykle wymaga specjalistycznych badań, które nie są częścią standardowych badań lekarskich. Oznacza to, że schorzenie często pozostaje niewykryte, dopóki nie wzrośnie poziom cukru we krwi, co może prowadzić do nieodwracalnych uszkodzeń metabolicznych.
Potencjał wczesnego wykrywania
Wczesne wykrycie insulinooporności może pozwolić na wczesną zmianę stylu życia – dostosowanie diety, zwiększenie aktywności fizycznej, a nawet stosowanie leków GPL-1 – aby spowolnić lub odwrócić postęp cukrzycy. „Jeśli uda nam się zidentyfikować osoby, u których rozwinie się insulinooporność, możemy zmienić cały przebieg cukrzycy” – mówi Ahmed Metwally, bioinżynier w Google Research.
Skalowalność a dedykowane czujniki
Poprzednie próby wczesnego wykrywania opierały się na drogich, wyspecjalizowanych czujnikach noszonych głównie przez osoby, u których zdiagnozowano już cukrzycę. Zaletą inteligentnych zegarków jest ich szerokie zastosowanie: noszą je już miliony ludzi, co umożliwia masowe badania przesiewowe. Zdaniem Davida Klonoffa, endokrynologa z Mills-Peninsula Medical Center, badanie to ustanawia „skalowalną metodę… wczesnego wykrywania ryzyka metabolicznego”.
Jak działa system
Zespół badawczy Google opracował system na podstawie danych od ponad 1165 osób noszących zegarek Fitbit lub Pixel Watch, co daje dziesiątki milionów godzin danych. Algorytmy uczenia maszynowego połączyły dane ze smartwatcha z rutynowymi badaniami laboratoryjnymi (cholesterol, glukoza) i czynnikami demograficznymi (wiek, BMI), aby zidentyfikować wzorce związane z insulinoopornością.
Najdokładniejsze przewidywania uzyskano poprzez połączenie danych ze smartwatcha z istniejącymi wynikami laboratoryjnymi. Model osiągnął 76% dokładności na podstawie wyłącznie testów laboratoryjnych, ale poprawił się do 88% po uwzględnieniu danych ze smartwatcha. Szczególnie pouczające było tętno spoczynkowe, a także dzienna liczba kroków i czas snu.
Niedoskonałe, ale cenne dane
Chociaż dane ze smartwatcha nie są doskonałe (śledzenie snu jest notorycznie niedokładne), nawet te niedoskonałe sygnały mają wartość predykcyjną. Potencjał tkwi w ciągłym, podłużnym monitorowaniu zdrowia metabolicznego za pomocą urządzeń do noszenia w połączeniu ze sztuczną inteligencją, torując drogę do spersonalizowanej medycyny cyfrowej.
„Niniejszy artykuł dostarcza przekonujących dowodów na to, że dane z konsumenckich urządzeń do noszenia zawierają istotne informacje metaboliczne istotne do przewidywania insulinooporności” – powiedział Giorgio Kehr, dyrektor ds. sztucznej inteligencji w Scripps Research Translational Institute.
Technologia ta oferuje obiecującą możliwość identyfikacji zagrożeń metabolicznych na wczesnym etapie, potencjalnie zapobiegając rozwojowi cukrzycy typu 2 u milionów ludzi.
