Novo modelo de IA identifica risco de diabetes antes que resultados anormais de testes apareçam

Milhões de pessoas podem não estar cientes do risco inicial de diabetes. Modelos de IA mostram por que os picos de açúcar no sangue podem ser mais importantes do que os resultados dos exames.

Em um artigo recente publicado na revista Nature Medicine, pesquisadores analisaram dados de mais de 2.400 pessoas em dois grupos para identificar padrões de picos de glicose e desenvolver perfis de risco glicêmico personalizados.

Eles encontraram diferenças significativas nos padrões de picos de glicose entre pessoas com diabetes tipo 2 (DM2) e aquelas com pré-diabetes ou normoglicemia. Seu modelo de risco multimodal pode ajudar os médicos a identificar pré-diabéticos com maior risco de desenvolver DM2.

Pessoas com DM2 apresentaram hipoglicemia noturna mais grave e levaram mais tempo, em média mais de 20 minutos, para retornar aos níveis basais de glicose após os picos — sugerindo diferenças fisiológicas importantes.

Diabetes e pré-diabetes afetam uma proporção significativa da população adulta dos EUA, mas testes diagnósticos padrão, como hemoglobina glicada (HbA1c) e glicemia de jejum, não capturam toda a complexidade da regulação da glicose.

Muitos fatores — estresse, composição do microbioma, sono, atividade física, genética, dieta e idade — podem influenciar as oscilações de glicose no sangue, especialmente picos pós-prandiais (definidos como aumentos de pelo menos 30 mg/dL em 90 minutos), que ocorrem até mesmo em pessoas aparentemente saudáveis.

Anteriormente, essas variações foram estudadas usando monitoramento contínuo de glicose (MCG), mas sua cobertura frequentemente era limitada a indivíduos pré-diabéticos e normoglicêmicos, e os estudos muitas vezes careciam de representação de grupos historicamente sub-representados na pesquisa biomédica.

Para abordar essa lacuna, o estudo PROGRESS conduziu um ensaio clínico remoto nacional que inscreveu 1.137 participantes diversos (48,1% de grupos historicamente sub-representados em pesquisas biomédicas) com normoglicemia e diabetes tipo 2 ao longo de 10 dias de CGM, enquanto coletava dados sobre composição do microbioma, genômica, frequência cardíaca, sono, dieta e atividade.

Essa abordagem multimodal permitiu uma compreensão mais detalhada do controle glicêmico e da variabilidade interindividual nas excursões de glicose.

O objetivo do estudo era criar perfis abrangentes de risco glicêmico que pudessem melhorar a detecção precoce e a intervenção para pré-diabéticos em risco de progressão para diabetes, oferecendo uma alternativa personalizada às medidas de diagnóstico tradicionais, como a HbA1c.

Os pesquisadores utilizaram dados de duas coortes: PROGRESS (um ensaio clínico digital nos EUA) e HPP (um estudo observacional em Israel). O PROGRESS incluiu adultos com e sem diabetes tipo 2 que foram submetidos a 10 dias de MCG, coletando simultaneamente dados sobre microbioma intestinal, genômica, frequência cardíaca, sono, dieta e atividade.

A diversidade do microbioma intestinal (índice de Shannon) mostrou uma correlação negativa direta com os níveis médios de glicose: quanto menos diversa a microbiota, pior o controle da glicose em todos os grupos.

Os participantes também coletaram amostras de fezes, sangue e saliva em casa e compartilharam seus prontuários eletrônicos. Os critérios de exclusão incluíram uso recente de antibióticos, gravidez, diabetes tipo 1 e outros fatores que pudessem confundir os dados de CGM ou metabólicos. O recrutamento dos participantes foi realizado inteiramente remotamente, por meio de mídias sociais e convites baseados em prontuários eletrônicos.

Os dados do CGM foram processados em intervalos de minutos, e os picos de glicose foram definidos usando limites predefinidos. Seis métricas glicêmicas principais foram calculadas, incluindo glicose média, tempo em hiperglicemia e duração do pico.

Dados de estilo de vida foram coletados por meio de um aplicativo de diário alimentar e rastreadores vestíveis. Dados genômicos e do microbioma foram analisados por métodos padrão, e métricas compostas, como pontuações de risco poligênico e índices de diversidade do microbioma, foram calculadas.

Um modelo para avaliação de risco de DM2 utilizando dados multimodais (demografia, antropometria, CGM, dieta e microbioma) foi então construído por meio de aprendizado de máquina, e seu desempenho foi testado nas coortes PROGRESS e HPP. A análise estatística utilizou análise de covariância, correlações de Spearman e bootstrapping para testar a significância e avaliar o modelo.

Dos 1137 participantes incluídos, 347 foram incluídos na análise final: 174 com normoglicemia, 79 com pré-diabetes e 94 com DM2.

Os pesquisadores encontraram diferenças significativas nas métricas de pico de glicose entre as condições: hipoglicemia noturna, tempo de resolução do pico, glicemia média e tempo em hiperglicemia. As maiores diferenças foram entre o DM2 e os outros grupos, com os pré-diabéticos estatisticamente mais próximos da normoglicemia do que os DM2 para métricas-chave como frequência e intensidade do pico.

A diversidade do microbioma foi negativamente correlacionada com a maioria das métricas de pico de glicose, sugerindo que um microbioma saudável está associado a um melhor controle da glicose.

Frequência cardíaca em repouso, índice de massa corporal e HbA1c mais elevados foram associados a piores resultados glicêmicos, enquanto a atividade física foi associada a padrões glicêmicos mais favoráveis. Curiosamente, a maior ingestão de carboidratos foi associada a uma resolução de pico mais rápida, mas também a picos mais frequentes e intensos.

A equipe desenvolveu um modelo de classificação binária baseado em dados multimodais que discriminou entre normoglicemia e DM2 com alta precisão. Quando aplicado a uma coorte externa (HPP), o modelo manteve alto desempenho e identificou com sucesso uma variabilidade significativa nos níveis de risco entre pré-diabéticos com valores de HbA1c semelhantes.

Esses resultados sugerem que o perfil glicêmico multimodal pode melhorar a previsão de risco e o monitoramento individual em comparação com métodos diagnósticos padrão, particularmente para pré-diabetes.

O estudo destaca que os diagnósticos tradicionais de diabetes, como a HbA1c, não refletem as características individuais do metabolismo da glicose.

Usando o CGM em combinação com dados multimodais (genômica, estilo de vida, microbioma), os pesquisadores encontraram diferenças significativas nas excursões de glicose entre normoglicemia, pré-diabetes e DM2, com o pré-diabetes mostrando maior similaridade com a normoglicemia do que o DM2 em uma série de medidas importantes.

O modelo de risco baseado em aprendizado de máquina desenvolvido, validado em uma coorte externa, revelou uma ampla variação no risco entre pré-diabéticos com valores semelhantes de HbA1c, confirmando seu valor adicional em comparação aos métodos tradicionais.

Os pontos fortes do estudo incluem a coorte PROGRESS descentralizada e diversificada (48,1% de grupos sub-representados) e a coleta de dados do "mundo real". No entanto, as limitações incluem potencial viés devido a diferenças nos dispositivos, imprecisões nos autorrelatos, dificuldades em manter um diário alimentar e o uso de medicamentos hipoglicemiantes.

Estudos maiores de validação e longitudinais são necessários para confirmar o benefício prognóstico e a significância clínica.

Por fim, este estudo demonstra o potencial da coleta remota de dados multimodais para melhorar a detecção precoce, a estratificação do risco de pré-diabetes e a prevenção personalizada do DM2, abrindo caminho para um tratamento mais preciso e inclusivo para pacientes com risco de diabetes.