Nová metoda slibuje personalizovanou diagnostiku a efektivnější léčbu diabetu

Diabetem mellitem 2. typu trpí celosvětově více než 537 milionů dospělých. Z pohledu aktuální studie je ale neméně důležitý i prediabetes, tedy stav, kdy je hladina cukru v krvi vyšší než normálně, ale ještě není tak vysoká, aby byla diagnostikována jako DM2. I když mají oba stavy podobný základ, dosavadní klasifikace neodráží individuální variabilitu v patofyziologii dysregulace glukózy u jednotlivých pacientů.

Nový pohled i technologie

Až dosud vědci obvykle předpokládali, že DM2 je rovnoměrně způsoben jak inzulinovou rezistencí, tak dysfunkcí beta-buněk v Langerhansových ostrůvcích, které jsou zodpovědné za produkci inzulinu. Výzkumný tým ale v aktuální studii předpokládá, že jedinci s prediabetem a ranými fázemi DM2 vykazují rozdílné stupně inzulinové rezistence a dysfunkce beta-buněk i různé defekty v inkretinovém působení a jaterní regulaci glukózy. Navrhují proto, aby byla klasifikace pacientů založena spíše na jejich základní metabolické fyziologii než pouze na základě aktuálních hodnot glykémie. Tyto fyziologické základy jsou sice přítomny ještě před nástupem hyperglykémie, mimo specializovaná pracoviště však není snadné je identifikovat. Podle výzkumného týmu je proto potřeba vytvořit nákladově efektivní metodu, která by jednotlivé faktory dokázala rozpoznat.

Aktuálně nejběžnějším testem pro měření poruch glykémie je orální glukózový toleranční test (oGTT), který je standardizován a celosvětově používán již více než 100 let. Díky možnosti OGTT měřit různé metriky, jako je glykémie za určitou dobu a její křivky s několika časovými značkami, poskytuje tato metoda značný potenciál i pro hodnocení metabolické patofyziologie jednotlivých pacientů. Analýza více časových bodů je však v případě OGTT testů poměrně náročná. Vědci se proto ve své studii pokusili oGTT zkombinovat s údaji v domácím prostředí běžně používaného kontinuálního monitorování glukózy (CGM) a takto naměřené údaje pak vyhodnotit pomocí nástrojů umělé inteligence a strojového učení.

Jak výzkum probíhal?

Do studie vědci zařadili 56 osob bez předchozí anamnézy diabetu s glykémií nalačno pod 126 mg/dl (7 mmol/l). 33 z nich bylo klasifikováno jako osoby s normoglykémií, 21 s prediabetem a 2 s DM2. Následně vědci vytvořili 3 výzkumné kohorty: kohortu pro trénink a testování modelu, validační kohortu a kohortu pro domácí testování CGM složenou z účastníků 1. i 2. kohorty.

Aby charakterizovali dynamický průběh glykémie během oGTT, měřili koncentrace glukózy v 5–15minutových intervalech (v 16 časových bodech) po dobu 180 minut po podání 75 g perorální glukózové zátěže. Následně vyhodnocovali tvary křivek glykémie z 16bodového oGTT provedeného v nemocničním prostředí a také z průměru dvou oGTT provedených doma pomocí běžného kontinuálního monitoru glukózy (CGM). 

Pak provedli hloubkové metabolické profilování s cílem posoudit význam 4 základních fyziologických fenotypů poruchy regulace glukózy: inzulínová rezistence (IR) ve svalech, dysfunkce beta-buněk, porucha účinku inkretinů a jaterní IR. Díky tomu se jim podařilo vyvinout algoritmus strojového učení, který využívá časové řady glykémie k předpovědi těchto fenotypů. 

Klíčové výsledky

U 32 jedinců z iniciální kohorty byl zjištěn fenotyp IR ve svalech nebo játrech ve 34 % a dysfunkce beta-buněk nebo porucha aktivity inkretinů ve 40 %. Modely strojového učení vytvořené na základě oGTT těchto 32 jedinců byly schopny predikovat fenotyp poruchy regulace glukózy s plochou pod křivkou (AUC) 95 % u svalové IR, 89 % u deficience beta-buněk a 88 % u poruchy účinku inkretinů. Při domácím provádění oGTT pomocí CGM (u 29 jedinců) byly modely schopné predikovat fenotyp svalové IR s AUC 88 % a fenotyp deficience beta-buněk s AUC 84 %.

Včasná identifikace rizikových osob

Výzkumný tým tak prokázal, že metabolická fyziologie, která je základem poruch glykémie, se u jednotlivých osob značně liší, a že existují dominantní metabolické subfenotypy DM2. Identifikace individuálně odlišných metabolických subfenotypů za pomoci oGTT a běžně dostupného kontinuálního monitoru glukózy může zlepšit včasnou identifikaci rizikových osob, které pak mohou podstoupit cílenou terapii a úpravu životního stylu s cílem zabránit rozvoji DM2.

Podle autorů aktuálního výzkumu ale bude nutné provést další studie, které pomůžou zjistit, jestli lze tuto metodu použít také u osob s pokročilejšími hodnotami hyperglykémie a DM2.

(jko)

Zdroj: Metwally A. A., Perelman D., Park H. et al. Prediction of metabolic subphenotypes of type 2 diabetes via continuous glucose monitoring and machine learning. Nat Biomed Eng 2024 Dec 23, doi: 10.1038/s41551-024-01311-6 [Epub ahead of print].