Un nouveau modèle d'IA identifie le risque de diabète avant l'apparition de résultats de tests anormaux

Des millions de personnes ignorent peut-être leur risque précoce de diabète. Des modèles d'IA montrent pourquoi vos pics de glycémie peuvent avoir plus d'importance que vos résultats d'analyse.

Dans un article récent publié dans la revue Nature Medicine, les chercheurs ont analysé les données de plus de 2 400 personnes réparties dans deux cohortes pour identifier les schémas de pics de glucose et développer des profils de risque glycémique personnalisés.

Ils ont constaté des différences significatives dans les schémas de pics de glucose entre les personnes atteintes de diabète de type 2 (DT2) et celles atteintes de prédiabète ou de normoglycémie. Leur modèle de risque multimodal pourrait aider les médecins à identifier les prédiabétiques présentant un risque plus élevé de développer un DT2.

Les personnes atteintes de diabète de type 2 ont connu une hypoglycémie nocturne plus sévère et ont mis plus de temps, en moyenne plus de 20 minutes, à revenir à leur glycémie de base après des pics, ce qui suggère des différences physiologiques clés.

Le diabète et le prédiabète touchent une proportion importante de la population adulte américaine, mais les tests de diagnostic standard tels que l’hémoglobine glyquée (HbA1c) et la glycémie à jeun ne capturent pas toute la complexité de la régulation du glucose.

De nombreux facteurs (stress, composition du microbiome, sommeil, activité physique, génétique, régime alimentaire et âge) peuvent influencer les fluctuations de la glycémie, en particulier les pics postprandiaux (définis comme des augmentations d’au moins 30 mg/dL en 90 minutes), qui surviennent même chez des personnes apparemment en bonne santé.

Auparavant, ces variations ont été étudiées à l’aide d’une surveillance continue du glucose (SGC), mais leur couverture a souvent été limitée aux personnes prédiabétiques et normoglycémiques, et les études ont souvent manqué de représentation des groupes historiquement sous-représentés dans la recherche biomédicale.

Pour combler cette lacune, l'étude PROGRESS a mené un essai clinique national à distance qui a recruté 1 137 participants divers (48,1 % issus de groupes historiquement sous-représentés dans la recherche biomédicale) présentant une normoglycémie et un diabète de type 2 sur 10 jours de CGM, tout en collectant des données sur la composition du microbiome, la génomique, la fréquence cardiaque, le sommeil, le régime alimentaire et l'activité.

Cette approche multimodale a permis une compréhension plus nuancée du contrôle glycémique et de la variabilité interindividuelle des excursions glycémiques.

L’objectif de l’étude était de créer des profils de risque glycémique complets qui pourraient améliorer la détection précoce et l’intervention pour les prédiabétiques à risque de progression vers le diabète, offrant une alternative personnalisée aux mesures diagnostiques traditionnelles telles que l’HbA1c.

Les chercheurs ont utilisé les données de deux cohortes: PROGRESS (un essai clinique numérique aux États-Unis) et HPP (une étude observationnelle en Israël). PROGRESS a recruté des adultes, atteints ou non de diabète de type 2, qui ont suivi 10 jours de surveillance continue du glucose (CGM) tout en recueillant simultanément des données sur le microbiome intestinal, la génomique, la fréquence cardiaque, le sommeil, l’alimentation et l’activité physique.

La diversité du microbiote intestinal (indice de Shannon) a montré une corrélation négative directe avec les niveaux moyens de glucose: moins le microbiote est diversifié, plus le contrôle de la glycémie est mauvais dans tous les groupes.

Les participants ont également recueilli des échantillons de selles, de sang et de salive à domicile et ont partagé leurs dossiers médicaux électroniques. Les critères d'exclusion comprenaient la prise récente d'antibiotiques, la grossesse, le diabète de type 1 et d'autres facteurs susceptibles de fausser les données de la CGM ou du métabolisme. Le recrutement des participants s'est effectué entièrement à distance via les réseaux sociaux et des invitations basées sur les dossiers médicaux électroniques.

Les données CGM ont été traitées à intervalles d'une minute, et les pics de glycémie ont été définis à l'aide de seuils prédéfinis. Six paramètres glycémiques clés ont été calculés, dont la glycémie moyenne, le temps d'hyperglycémie et la durée des pics.

Les données sur le mode de vie ont été recueillies à l'aide d'une application de journal alimentaire et de dispositifs de suivi portables. Les données génomiques et microbiologiques ont été analysées selon des méthodes standard, et des indicateurs composites tels que les scores de risque polygénique et les indices de diversité microbiologique ont été calculés.

Un modèle d'évaluation du risque de diabète de type 2 (DT2) utilisant des données multimodales (démographie, anthropométrie, CGM, alimentation et microbiome) a ensuite été construit par apprentissage automatique et ses performances ont été testées dans les cohortes PROGRESS et HPP. L'analyse statistique a utilisé l'analyse de covariance, les corrélations de Spearman et le bootstrap pour tester la significativité et évaluer le modèle.

Sur les 1137 participants inclus, 347 ont été inclus dans l’analyse finale: 174 avec normoglycémie, 79 avec prédiabète et 94 avec DT2.

Les chercheurs ont constaté des différences significatives dans les paramètres des pics de glycémie selon les conditions: hypoglycémie nocturne, délai de résolution des pics, glycémie moyenne et durée de l'hyperglycémie. Les différences les plus importantes ont été observées entre le diabète de type 2 et les autres groupes, les prédiabétiques étant statistiquement plus proches de la normoglycémie que les diabétiques de type 2 pour des paramètres clés tels que la fréquence et l'intensité des pics.

La diversité du microbiome était corrélée négativement avec la plupart des mesures de pic de glucose, suggérant qu'un microbiome sain est associé à un meilleur contrôle de la glycémie.

Une fréquence cardiaque au repos, un indice de masse corporelle et une HbA1c plus élevés étaient associés à de moins bons résultats glycémiques, tandis que l'activité physique était associée à des profils glycémiques plus favorables. Il est intéressant de noter qu'un apport élevé en glucides était associé à une résolution plus rapide des pics, mais aussi à des pics plus fréquents et plus intenses.

L'équipe a développé un modèle de classification binaire basé sur des données multimodales, permettant de distinguer avec une grande précision la normoglycémie du diabète de type 2. Appliqué à une cohorte externe (HPP), le modèle a conservé d'excellentes performances et a permis d'identifier une variabilité significative des niveaux de risque chez les prédiabétiques présentant des valeurs d'HbA1c similaires.

Ces résultats suggèrent que le profilage glycémique multimodal peut améliorer la prédiction du risque et la surveillance individuelle par rapport aux méthodes de diagnostic standard, en particulier pour le prédiabète.

L’étude souligne que les diagnostics traditionnels du diabète tels que l’HbA1c ne reflètent pas les caractéristiques individuelles du métabolisme du glucose.

En utilisant le CGM en combinaison avec des données multimodales (génomique, mode de vie, microbiome), les chercheurs ont trouvé des différences significatives dans les excursions de glucose entre la normoglycémie, le prédiabète et le DT2, le prédiabète présentant une plus grande similitude avec la normoglycémie que le DT2 sur un certain nombre de mesures clés.

Le modèle de risque basé sur l’apprentissage automatique développé, validé dans une cohorte externe, a révélé une grande variation de risque parmi les prédiabétiques ayant des valeurs d’HbA1c similaires, confirmant sa valeur supplémentaire par rapport aux méthodes traditionnelles.

Les points forts de l'étude incluent la cohorte PROGRESS décentralisée et diversifiée (48,1 % issus de groupes sous-représentés) et la collecte de données « réelles ». Cependant, elle présente des limites, notamment un biais potentiel dû aux différences entre les appareils, des inexactitudes dans les auto-déclarations, des difficultés à tenir un journal alimentaire et l'utilisation de médicaments hypoglycémiants.

Des études de validation et des études longitudinales à plus grande échelle sont nécessaires pour confirmer le bénéfice pronostique et la signification clinique.

En fin de compte, cette étude démontre le potentiel de la collecte de données multimodales à distance pour améliorer la détection précoce, la stratification du risque de prédiabète et la prévention personnalisée du diabète de type 2, ouvrant la voie à des soins plus précis et plus inclusifs pour les patients à risque de diabète.