Neues KI-Modell erkennt Diabetesrisiko, bevor auffällige Testergebnisse auftreten

Millionen Menschen sind sich ihres frühen Diabetesrisikos möglicherweise nicht bewusst. KI-Modelle zeigen, warum Ihre Blutzuckerspitzen wichtiger sein können als Ihre Testergebnisse.

In einem kürzlich in der Fachzeitschrift Nature Medicine veröffentlichten Artikel analysierten Forscher Daten von mehr als 2.400 Personen aus zwei Kohorten, um Muster von Glukosespitzen zu identifizieren und personalisierte glykämische Risikoprofile zu entwickeln.

Sie stellten signifikante Unterschiede in den Glukosespitzenmustern zwischen Menschen mit Typ-2-Diabetes (T2D) und Menschen mit Prädiabetes oder Normoglykämie fest. Ihr multimodales Risikomodell könnte Ärzten helfen, Prädiabetiker mit einem höheren Risiko für die Entwicklung von T2D zu identifizieren.

Menschen mit Typ-2-Diabetes erlitten häufiger schwere nächtliche Hypoglykämien und brauchten länger, im Durchschnitt mehr als 20 Minuten, um nach Spitzenwerten wieder den Ausgangsblutzuckerspiegel zu erreichen – was auf wichtige physiologische Unterschiede hindeutet.

Diabetes und Prädiabetes betreffen einen erheblichen Anteil der erwachsenen US-Bevölkerung, doch Standarddiagnosetests wie Glykohämoglobin (HbA1c) und Nüchternblutzucker erfassen nicht die gesamte Komplexität der Glukoseregulation.

Viele Faktoren – Stress, Zusammensetzung des Mikrobioms, Schlaf, körperliche Aktivität, Genetik, Ernährung und Alter – können Blutzuckerschwankungen beeinflussen, insbesondere postprandiale Spitzen (definiert als Anstieg von mindestens 30 mg/dl innerhalb von 90 Minuten), die selbst bei scheinbar gesunden Menschen auftreten.

Zuvor wurden diese Variationen mithilfe der kontinuierlichen Glukoseüberwachung (CGM) untersucht, wobei die Erfassung jedoch häufig auf Personen mit Prädiabetes und Normoglykämie beschränkt war und in den Studien häufig Gruppen, die in der biomedizinischen Forschung historisch unterrepräsentiert waren, nicht berücksichtigt wurden.

Um diese Lücke zu schließen, führte die PROGRESS-Studie eine landesweite klinische Fernstudie durch, an der 1.137 unterschiedliche Teilnehmer (48,1 % aus Gruppen, die in der biomedizinischen Forschung historisch unterrepräsentiert waren) mit Normoglykämie und Typ-2-Diabetes über 10 Tage CGM teilnahmen und gleichzeitig Daten zur Zusammensetzung des Mikrobioms, zur Genomik, zur Herzfrequenz, zum Schlaf, zur Ernährung und zur Aktivität sammelten.

Dieser multimodale Ansatz ermöglichte ein differenzierteres Verständnis der Blutzuckerkontrolle und der interindividuellen Variabilität der Glukoseschwankungen.

Ziel der Studie war die Erstellung umfassender glykämischer Risikoprofile, die die Früherkennung und Intervention bei Prädiabetikern mit dem Risiko einer Progression zu Diabetes verbessern und eine personalisierte Alternative zu herkömmlichen Diagnosemaßnahmen wie HbA1c bieten könnten.

Die Forscher nutzten Daten aus zwei Kohorten: PROGRESS (eine digitale klinische Studie in den USA) und HPP (eine Beobachtungsstudie in Israel). An PROGRESS nahmen Erwachsene mit und ohne Typ-2-Diabetes teil, die sich zehn Tage lang einer CGM unterzogen und gleichzeitig Daten zu Darmmikrobiom, Genomik, Herzfrequenz, Schlaf, Ernährung und Aktivität sammelten.

Die Diversität des Darmmikrobioms (Shannon-Index) zeigte eine direkte negative Korrelation mit dem durchschnittlichen Glukosespiegel: Je weniger vielfältig die Mikrobiota, desto schlechter die Glukosekontrolle in allen Gruppen.

Die Teilnehmer sammelten außerdem zu Hause Stuhl-, Blut- und Speichelproben und teilten ihre elektronischen Krankenakten mit. Ausschlusskriterien waren die kürzlich erfolgte Einnahme von Antibiotika, Schwangerschaft, Typ-1-Diabetes und andere Faktoren, die die CGM- oder Stoffwechseldaten verfälschen könnten. Die Teilnehmerrekrutierung erfolgte vollständig remote über soziale Medien und Einladungen auf Basis elektronischer Krankenakten.

CGM-Daten wurden in Minutenintervallen verarbeitet und Glukosespitzen anhand voreingestellter Schwellenwerte definiert. Sechs wichtige glykämische Messwerte wurden berechnet, darunter der durchschnittliche Glukosewert, die Zeit der Hyperglykämie und die Dauer der Spitzen.

Daten zum Lebensstil wurden mithilfe einer Ernährungstagebuch-App und tragbarer Tracker erfasst. Genom- und Mikrobiomdaten wurden mithilfe von Standardmethoden analysiert und zusammengesetzte Kennzahlen wie polygene Risikowerte und Mikrobiomdiversitätsindizes berechnet.

Anschließend wurde mithilfe von maschinellem Lernen ein Modell zur Risikobewertung von Typ-2-Diabetes unter Verwendung multimodaler Daten (Demografie, Anthropometrie, CGM, Ernährung und Mikrobiom) erstellt und seine Leistung in den PROGRESS- und HPP-Kohorten getestet. Die statistische Analyse erfolgte mittels Kovarianzanalyse, Spearman-Korrelationen und Bootstrapping, um die Signifikanz zu testen und das Modell zu evaluieren.

Von den 1137 eingeschlossenen Teilnehmern wurden 347 in die endgültige Analyse einbezogen: 174 mit Normoglykämie, 79 mit Prädiabetes und 94 mit Typ-2-Diabetes.

Die Forscher stellten signifikante Unterschiede in den Messwerten für Glukosespitzen zwischen den verschiedenen Bedingungen fest: nächtliche Hypoglykämie, Zeit bis zur Auflösung der Spitzen, durchschnittlicher Glukosespiegel und Dauer der Hyperglykämie. Die größten Unterschiede bestanden zwischen Typ-2-Diabetes-Patienten und den anderen Gruppen. Prädiabetiker lagen bei wichtigen Messwerten wie Spitzenfrequenz und -intensität statistisch gesehen näher an der Normoglykämie als Typ-2-Diabetes-Patienten.

Die Diversität des Mikrobioms korrelierte negativ mit den meisten Messwerten für Glukosespitzen, was darauf schließen lässt, dass ein gesundes Mikrobiom mit einer besseren Glukosekontrolle verbunden ist.

Höhere Ruheherzfrequenz, Body-Mass-Index und HbA1c-Werte waren mit schlechteren glykämischen Ergebnissen verbunden, während körperliche Aktivität mit günstigeren Glukosemustern einherging. Interessanterweise war eine höhere Kohlenhydrataufnahme mit einer schnelleren Peakauflösung, aber auch mit häufigeren und intensiveren Spitzen verbunden.

Das Team entwickelte ein binäres Klassifizierungsmodell auf Basis multimodaler Daten, das mit hoher Genauigkeit zwischen Normoglykämie und Typ-2-Diabetes unterschied. Bei Anwendung auf eine externe Kohorte (HPP) behielt das Modell seine hohe Leistung bei und identifizierte erfolgreich eine signifikante Variabilität der Risikostufen bei Prädiabetikern mit ähnlichen HbA1c-Werten.

Diese Ergebnisse deuten darauf hin, dass die multimodale glykämische Profilierung die Risikovorhersage und die individuelle Überwachung im Vergleich zu Standarddiagnosemethoden verbessern kann, insbesondere bei Prädiabetes.

Die Studie unterstreicht, dass herkömmliche Diabetesdiagnostik wie HbA1c individuelle Merkmale des Glukosestoffwechsels nicht widerspiegelt.

Mithilfe von CGM in Kombination mit multimodalen Daten (Genomik, Lebensstil, Mikrobiom) stellten die Forscher signifikante Unterschiede bei den Glukoseschwankungen zwischen Normoglykämie, Prädiabetes und Typ-2-Diabetes fest, wobei Prädiabetes bei einer Reihe wichtiger Parameter eine größere Ähnlichkeit mit der Normoglykämie als mit Typ-2-Diabetes aufwies.

Das entwickelte, auf maschinellem Lernen basierende Risikomodell, das in einer externen Kohorte validiert wurde, zeigte eine große Risikoschwankung bei Prädiabetikern mit ähnlichen HbA1c-Werten und bestätigte damit seinen Mehrwert im Vergleich zu herkömmlichen Methoden.

Zu den Stärken der Studie zählen die dezentrale, vielfältige PROGRESS-Kohorte (48,1 % aus unterrepräsentierten Gruppen) und die Erhebung von „realen“ Daten. Zu den Einschränkungen zählen jedoch mögliche Verzerrungen aufgrund von Geräteunterschieden, Ungenauigkeiten bei der Selbstauskunft, Schwierigkeiten bei der Führung eines Ernährungstagebuchs und die Einnahme von blutzuckersenkenden Medikamenten.

Um den prognostischen Nutzen und die klinische Bedeutung zu bestätigen, sind umfangreichere Validierungs- und Längsschnittstudien erforderlich.

Letztendlich zeigt diese Studie das Potenzial der multimodalen Ferndatenerfassung zur Verbesserung der Früherkennung, der Risikostratifizierung für Prädiabetes und der personalisierten Typ-2-Diabetes-Prävention auf und ebnet so den Weg für eine präzisere und umfassendere Versorgung von Patienten mit Diabetesrisiko.