مقدمه‌ای بر مقاومت به انسولین و دیابت نوع 2

دیابت نوع 2 یک بیماری مزمن است که امروزه صدها میلیون نفر را در سراسر جهان تحت تأثیر قرار داده و شیوع آن در حال افزایش است. یکی از مهم‌ترین پیش‌سازهای این بیماری، مقاومت به انسولین (IR) است. در این وضعیت، سلول‌های بدن به انسولین، هورمونی که برای تنظیم قند خون حیاتی است، به درستی پاسخ نمی‌دهند. تشخیص زودهنگام مقاومت به انسولین از اهمیت بالایی برخوردار است، زیرا با تغییرات سبک زندگی می‌توان اغلب آن را معکوس کرد و از شروع یا به تأخیر انداختن دیابت نوع 2 جلوگیری نمود.

با این حال، روش‌های فعلی برای اندازه‌گیری دقیق مقاومت به انسولین، مانند “استاندارد طلایی” (euglycemic insulin clamp) یا مدل ارزیابی هموستاتیک مقاومت به انسولین (HOMA-IR) که نیازمند آزمایش‌های خونی خاص انسولین است، اغلب تهاجمی، گران یا به راحتی در چک‌آپ‌های معمول در دسترس نیستند. این موانع، چالش‌های قابل توجهی را برای تشخیص زودهنگام و مداخلات به موقع، به ویژه برای افرادی که ناآگاهانه در معرض خطر هستند، ایجاد می‌کند.

اما اگر بتوانیم از داده‌هایی که در حال حاضر برای بسیاری از افراد در دسترس است، مانند داده‌های دستگاه‌های پوشیدنی و آزمایش‌های خون معمول، برای تخمین خطر مقاومت به انسولین استفاده کنیم چه؟ در مقاله “پیش‌بینی مقاومت به انسولین از طریق دستگاه‌های پوشیدنی و نشانگرهای خونی روتین”، ما مجموعه‌ای از مدل‌های یادگیری ماشین را بررسی می‌کنیم که پتانسیل پیش‌بینی مقاومت به انسولین را با استفاده از داده‌های دستگاه‌های پوشیدنی (مانند ضربان قلب در حالت استراحت، تعداد گام‌ها، الگوهای خواب) و آزمایش‌های خون روتین (مانند قند خون ناشتا، پنل لیپید) دارند.

این رویکرد عملکرد قوی را در جمعیت مورد مطالعه (N=1,165) و یک گروه اعتبارسنجی مستقل (N=72)، به ویژه در افراد با ریسک بالا مانند افراد چاق و دارای سبک زندگی کم‌تحرک، نشان می‌دهد. علاوه بر این، ما عامل سواد و درک مقاومت به انسولین (یک عامل نمونه اولیه IR) را معرفی می‌کنیم که بر پایه خانواده مدل‌های زبان بزرگ (LLM) پیشرفته Gemini ساخته شده است تا به درک مقاومت به انسولین کمک کرده و تفسیر و توصیه‌های شخصی‌سازی شده ایمن را تسهیل کند. این کار پتانسیل تشخیص زودهنگام افراد در معرض خطر دیابت نوع 2 را فراهم می‌کند و از این رو اجرای زودتر استراتژی‌های پیشگیرانه را تسهیل می‌نماید.

تصویر: پیش‌بینی مقاومت به انسولین از طریق دستگاه‌های پوشیدنی و نشانگرهای خونی روتین.

پیش‌بینی مقاومت به انسولین با استفاده از نشانگرهای زیستی دیجیتال و آزمایشات خون معمول

ما مطالعه‌ای به نام WEAR-ME را طراحی کردیم تا پتانسیل پیش‌بینی مقاومت به انسولین (از طریق پیش‌بینی HOMA-IR) با استفاده از داده‌های به راحتی در دسترس را بررسی کنیم. برای خودکارسازی فرآیند جمع‌آوری داده‌ها برای نشانگرهای زیستی خونی معمول، با Quest Diagnostics همکاری کردیم. 1,165 شرکت‌کننده از سراسر ایالات متحده، از راه دور برای مطالعه WEAR-ME از طریق اپلیکیشن Google Health Studies ثبت نام کردند. این اپلیکیشن یک پلتفرم امن و کاربرپسند برای مطالعات دیجیتال است. این مطالعه با تأیید هیئت بازبینی سازمانی (IRB) انجام شد.

همه شرکت‌کنندگان قبل از ثبت نام، رضایت آگاهانه الکترونیکی و مجوز HIPAA خاص را از طریق اپلیکیشن Google Health Studies ارائه دادند. این گروه از نظر سن، جنسیت، جغرافیا و شاخص توده بدنی (BMI) متنوع بود. شرکت‌کنندگان میانگین BMI 28 کیلوگرم بر متر مربع، میانگین سنی 45 سال و HbA1c 5.4% داشتند. شرکت‌کنندگان با اشتراک‌گذاری داده‌های زیر موافقت کردند:

• داده‌های دستگاه‌های پوشیدنی: داده‌ها از دستگاه‌های Fitbit یا Google Pixel Watch آن‌ها (مانند ضربان قلب در حالت استراحت، تعداد گام‌ها، الگوهای خواب) که به صورت شبه‌هویتی برای حفاظت از حریم خصوصی شرکت‌کنندگان، ناشناس شده بودند.
• نشانگرهای زیستی خونی روتین: نتایج آزمایش‌های روتین (مانند قند خون ناشتا و انسولین، پنل لیپید) که در یک ویزیت حضوری در Quest Diagnostics، به طور خاص برای این تحقیق درخواست شده بود.
• اطلاعات جمعیتی و نظرسنجی‌ها: اطلاعات اولیه و پرسشنامه‌های سلامت (تکمیل شده در ابتدا و انتهای مطالعه) که شامل داده‌های سن، وزن، قد، قومیت، نژاد و جنسیت، همراه با سؤالاتی در مورد درک سلامت عمومی (تناسب اندام، رژیم غذایی) و سابقه دیابت یا سایر بیماری‌های هم‌زمان بود.

با استفاده از این مجموعه داده غنی و چندوجهی (که آن را “داده‌های WEAR-ME” می‌نامیم)، مدل‌های شبکه عصبی عمیق را برای پیش‌بینی امتیازات HOMA-IR توسعه و آموزش دادیم. هدف ما این بود که ببینیم چقدر خوب می‌توانیم این نشانگر کلیدی مقاومت به انسولین را با استفاده از ترکیبات مختلف داده‌های موجود تخمین بزنیم. این رویکرد جدید، مسیر را برای تشخیص و مداخله زودهنگام هموار می‌کند.

تصویر: زیرفنوتیپ‌های متابولیکی دیابت نوع 2. مقاومت مزمن به انسولین پیش‌ساز تقریباً 70 درصد از موارد دیابت نوع 2 است و از ترکیبی از چاقی، سبک زندگی کم‌تحرک و عوامل ژنتیکی ناشی می‌شود.

عملکرد مدل و عوامل پیش‌بینی‌کننده کلیدی

نتایج ما، با استفاده از معیار سطح زیر منحنی مشخصه عملکرد گیرنده (auROC)، نشان می‌دهد که ترکیب جریان‌های داده به طور قابل توجهی دقت پیش‌بینی را در مقایسه با استفاده از هر منبع واحد به تنهایی بهبود بخشید:

• دستگاه‌های پوشیدنی + اطلاعات جمعیتی: قدرت پیش‌بینی‌کنندگی (auROC = 0.70) را برای طبقه‌بندی مقاومت به انسولین نشان داد. این نشان می‌دهد که حتی بدون اطلاعات خونی، داده‌های سبک زندگی می‌توانند بینش‌های ارزشمندی ارائه دهند.
• افزودن گلوکز ناشتا به دستگاه‌های پوشیدنی + اطلاعات جمعیتی: نتایج این آزمایش خون معمول بسیار با ارزش بود و عملکرد را به طور چشمگیری افزایش داد (auROC = 0.78). این ترکیب اهمیت نشانگرهای متابولیکی اصلی را برجسته می‌کند.
• دستگاه‌های پوشیدنی + اطلاعات جمعیتی + پنل‌های خون روتین: بهترین نتایج را با دقت بالا در پیش‌بینی مقادیر HOMA-IR (R² = 0.50) و طبقه‌بندی مؤثر افراد دارای مقاومت به انسولین (auROC = 0.80، حساسیت = 76%، ویژگی = 84%، جایی که مقدار HOMA-IR 2.9 یا بالاتر برای شناسایی فرد به عنوان مقاوم به انسولین استفاده شد) به دست آورد.

این نتایج به وضوح نشان می‌دهد که استفاده از یک رویکرد چندوجهی در داده‌ها، پتانسیل بهبود قابل توجهی در تشخیص زودهنگام مقاومت به انسولین را دارد. با ترکیب داده‌های مداوم و غیرتهاجمی از دستگاه‌های پوشیدنی با اطلاعات دقیق‌تر آزمایشگاهی، می‌توانیم یک تصویر جامع‌تر از سلامت متابولیکی فرد به دست آوریم.

نکته مهم این است که نتایج ما نشان می‌دهد ویژگی‌های مشتق شده از داده‌های دستگاه‌های پوشیدنی، مانند ضربان قلب در حالت استراحت، به طور مداوم در میان مهم‌ترین پیش‌بینی‌کننده‌ها، در کنار BMI و قند خون ناشتا قرار گرفتند. نتایج اهمیت ویژگی، ارزش ثبت سیگنال‌های مرتبط با سبک زندگی را برجسته می‌کند. این یافته‌ها تأکید می‌کنند که دستگاه‌های پوشیدنی تنها ابزاری برای ردیابی فعالیت نیستند، بلکه می‌توانند به عنوان سنسورهای حیاتی برای سلامت عمومی عمل کنند.

تصویر: شماتیکی از مدل پیشنهادی ما برای پیش‌بینی HOMA-IR و تفسیر نتایج با عامل آموزش و درک مقاومت به انسولین.

تصویر: سمت چپ: ارزیابی عملکرد پیش‌بینی مقاومت به انسولین (طبقه‌بندی). سمت راست: نمایش منحنی دقت-بازیابی برای مجموعه‌های ویژگی انتخاب شده. مقادیر میانگین با رنگ‌ها مشخص شده‌اند و نواحی خاکستری اطراف هر خط نشان‌دهنده انحراف معیار در پنج فولاد است.

تمرکز بر گروه‌های پرخطر و اعتبارسنجی مدل

از آنجایی که افراد دارای چاقی و سبک زندگی کم‌تحرک به ویژه در برابر ابتلا به دیابت نوع 2 آسیب‌پذیر هستند، ما به طور خاص عملکرد مدل خود را در این زیرگروه‌ها ارزیابی کردیم. نتایج نشان‌دهنده بهبود چشمگیر در دقت مدل در این گروه‌ها بود و این امر پتانسیل واقعی این رویکرد را برای تشخیص زودهنگام در جمعیت‌های هدف‌گذاری شده نشان می‌دهد:

• شرکت‌کنندگان چاق: مدل دقت بهبود یافته‌ای را در مقایسه با جمعیت کلی (حساسیت = 86% در مقابل 76%) نشان داد. این افزایش دقت به ما امکان می‌دهد افراد پرخطر در این گروه را با اطمینان بیشتری شناسایی کنیم.
• شرکت‌کنندگان کم‌تحرک: دقت مدل حتی بالاتر از زیرجمعیت چاق بود (حساسیت = 88%). این نشان می‌دهد که الگوهای فعالیت بدنی، حتی بدون توجه به وزن، عامل مهمی در پیش‌بینی مقاومت به انسولین هستند.
• شرکت‌کنندگان چاق و کم‌تحرک: مدل در این گروه حیاتی عملکرد بسیار خوبی داشت (حساسیت = 93%، ویژگی تنظیم شده = 95%؛ ویژگی تنظیم شده در اینجا بر به حداقل رساندن طبقه‌بندی اشتباه افراد واقعاً حساس به انسولین به عنوان مقاوم تمرکز دارد). این یافته، ارزش رویکرد ما را در شناسایی افرادی که بیشترین سود را از مداخلات زودهنگام سبک زندگی می‌برند، تأیید می‌کند.

نتایج این آزمایش نشان می‌دهد که رویکرد ما می‌تواند به ویژه در شناسایی کسانی که ممکن است بیشترین سود را از مداخلات زودهنگام سبک زندگی ببرند، مؤثر باشد. این امر می‌تواند به پزشکان و افراد کمک کند تا قبل از پیشرفت بیماری، اقدامات پیشگیرانه هدفمندتری انجام دهند.

برای اطمینان از اینکه یافته‌های ما صرفاً مختص مجموعه داده اولیه ما نیست، بهترین مدل عملکردی خود (آموزش‌دیده بر روی داده‌های WEAR-ME) را بر روی یک گروه اعتبارسنجی کاملاً مستقل (N=72) که از طریق یک مطالعه جداگانه مورد تأیید IRB جمع‌آوری شده بودند، آزمایش کردیم. در این مطالعه، شرکت‌کنندگان داده‌های دستگاه پوشیدنی خود را با استفاده از Fitbit Charge 6 به اشتراک گذاشتند و داده‌های نشانگر زیستی خون به صورت حضوری در مرکز مطالعه در سانفرانسیسکو به دست آمد. این گروه دارای میانگین BMI 30.6 کیلوگرم بر متر مربع و میانگین سنی 44.5 سال بود. نتایج ما بر روی گروه اعتبارسنجی نشان می‌دهد که مدل‌های آموزش‌دیده ما عملکرد پیش‌بینی‌کنندگی قوی خود را حفظ کردند (حساسیت = 84%، ویژگی = 81%)، که پتانسیل تعمیم‌پذیری آن را نشان می‌دهد.

این اعتبارسنجی خارجی، گامی حیاتی در تأیید قابلیت اطمینان مدل‌های ما در سناریوهای دنیای واقعی است. با این حال، از آنجایی که این یک نمونه اولیه تحقیقاتی است، ایمنی و اثربخشی آن برای هر هدف مرتبط با سلامتی هنوز اثبات نشده است. برای استقرار واقعی این تکنولوژی، نیاز به آزمایشات دقیق، اعتبارسنجی و تأیید نظارتی وجود دارد.

تصویر: نمودار Sankey نشان‌دهنده اهمیت نسبی ویژگی (مقادیر SHAP) برای هر یک از مدل‌های XGBoost غیرخطی پیشنهادی برای رگرسیون مستقیم.

تصویر: نتایج عملکرد طبقه‌بندی برای لایه‌بندی‌های مختلف سبک زندگی.

تصویر: مروری بر مطالعه گروه اعتبارسنجی مستقل. ما دقت مدل را از گروه آموزش و تست اولیه با گروه اعتبارسنجی خارجی مقایسه می‌کنیم و پتانسیل تعمیم‌پذیری آن را نشان می‌دهیم.

فراتر از پیش‌بینی: به سوی درک و اقدامات پیشگیرانه

پیش‌بینی خطر مقاومت به انسولین ارزشمند است، اما چگونه می‌توانیم این اطلاعات را برای افراد قابل فهم و قابل اقدام کنیم؟ ما تلفیق مدل‌های پیش‌بینی خود را با مدل‌های زبان بزرگ (LLMs) برای توانمندسازی کاربران به منظور درک بهتر سلامت متابولیکی‌شان بررسی کردیم. ما عامل سواد و درک مقاومت به انسولین (یک عامل نمونه اولیه IR) را توسعه دادیم که بر پایه خانواده پیشرفته LLM های Gemini ساخته شده است. هنگامی که سؤالی در مورد سلامت متابولیکی از آن پرسیده می‌شود، عامل IR پاسخ‌های شخصی‌سازی شده و متناسب با متن را برای اهداف آموزشی، بر اساس داده‌های مطالعه فرد و وضعیت پیش‌بینی شده IR او ارائه می‌دهد. با رضایت کاربر، این عامل توانایی دسترسی به نقاط داده خاص ارائه‌شده توسط کاربر، جستجو برای اطلاعات به‌روز و انجام محاسبات را دارد. لازم به ذکر است که تعامل با مدل‌ها یا عامل IR صرفاً برای نشان دادن این است که چنین ابزاری چگونه می‌تواند به کاربران در کشف نتایج خود برای اهداف اطلاعاتی و آموزشی کمک کند.

ما پنج متخصص غدد درون‌ریز دارای بورد تخصصی را برای ارزیابی پاسخ‌های عامل IR در مقایسه با یک مدل پایه به کار گرفتیم. آنها به شدت پاسخ‌های عامل IR را ترجیح دادند و آنها را به طور قابل توجهی جامع‌تر، قابل اعتمادتر و شخصی‌سازی‌شده‌تر یافتند. این نشان‌دهنده پتانسیل ترکیب مدل‌های پیش‌بینی‌کننده سلامت با LLM ها برای توانمندسازی افراد با درک بهتر سلامت است. این گام، پلی بین داده‌های پیچیده و اطلاعات قابل فهم برای عموم مردم ایجاد می‌کند و آن‌ها را در مسیر مدیریت سلامت خود، مشارکت می‌دهد.

تصویر: مروری بر عامل سواد و درک مقاومت به انسولین (IR Agent). شماتیکی از عامل IR پیشنهادی (سمت چپ)، همراه با نتایج (نرخ برد) عامل IR ما در برابر مدل پایه که توسط متخصصان غدد درون‌ریز ارزیابی شده است (سمت راست).

نتیجه‌گیری و کارهای آینده

تحقیق ما نشان می‌دهد که مدل‌های یادگیری ماشین با ترکیب داده‌های دستگاه‌های پوشیدنی و نشانگرهای زیستی خونی روتین، پتانسیل بالایی در پیش‌بینی مؤثر مقاومت به انسولین، که پیش‌ساز کلیدی دیابت نوع 2 است، دارند. این رویکرد مزایای متعددی را ارائه می‌دهد:

• دسترسی‌پذیری: از داده‌هایی استفاده می‌کند که بسیاری از افراد از قبل دارند یا به راحتی می‌توانند به دست آورند.
• تشخیص زودهنگام: خطر را حتی قبل از غیرطبیعی شدن سطح قند خون شناسایی می‌کند؛ به عنوان مثال، ما بسیاری از شرکت‌کنندگان با قند خون طبیعی (با HbA1c < 5.7) را در مطالعه خود یافتیم که از قبل مقاومت به انسولین داشتند.
• مقیاس‌پذیری: یک روش غربالگری بالقوه مقیاس‌پذیرتر از آزمایش‌های تخصصی مقاومت به انسولین ارائه می‌دهد.
• شخصی‌سازی: عملکرد قوی در زیرگروه‌های پرخطر و پتانسیل ادغام در ابزارهای سلامت شخصی‌سازی‌شده را نشان می‌دهد.

این کار مسیر را برای غربالگری زودهنگام‌تر و در دسترس‌تر خطر دیابت نوع 2 باز می‌کند و به طور بالقوه امکان مداخلات به‌موقع سبک زندگی را فراهم می‌آورد که می‌تواند از بیماری جلوگیری کرده یا آن را به تأخیر بیندازد، به ویژه برای کسانی که ناآگاهانه به سمت آن پیش می‌روند. این پیشرفت‌ها می‌توانند به بهبود سلامت عمومی در مقیاس وسیع کمک کنند.

کارهای آینده شامل اعتبارسنجی طولی این مدل‌ها (پیگیری افراد در طول زمان)، بررسی تأثیر مداخلات، گنجاندن داده‌های ژنتیکی و میکروبیوم، و همچنین پالایش بیشتر مدل‌ها برای جمعیت‌های خاص به منظور اطمینان از عملکرد عادلانه در سراسر گروه‌های متنوع است. ما معتقدیم که این خط تحقیقاتی نویدبخش مدیریت فعال و شخصی‌سازی شده سلامت متابولیکی است و می‌تواند انقلابی در پیشگیری از دیابت نوع 2 ایجاد کند.

سلب مسئولیت:
اگرچه رویکرد پیشنهادی ما، از جمله عامل IR، نویدبخش کاربردهای مختلف در حوزه سلامت است، این تحقیق به طور خاص به نیاز حیاتی برای تشخیص زودهنگام مقاومت به انسولین می‌پردازد و مدل‌های مورد بحث در اینجا را به عنوان دستگاه‌ها یا راه‌حل‌های پزشکی تأیید شده معرفی نمی‌کند. مدل‌ها و عامل IR دستگاه‌های پزشکی نیستند. آن‌ها توسط سازمان غذا و داروی ایالات متحده (FDA) یا هر سازمان نظارتی ملی یا بین‌المللی دیگری تأیید، تصویب یا بازبینی نشده‌اند. این کار قصد ندارد و نباید به عنوان جایگزینی برای مشاوره، تشخیص یا درمان حرفه‌ای پزشکی مورد استفاده قرار گیرد. استقرار واقعی چنین فناوری‌هایی نیازمند آزمایش دقیق، اعتبارسنجی و تأیید نظارتی است.

تقدیر و تشکر:
تحقیق توصیف شده در اینجا، کار مشترک Google Research و تیم‌های همکار است. محققان زیر در این کار مشارکت داشتند: Ahmed A. Metwally, A. Ali Heydari, Daniel McDuff, Alexandru Solot, Zeinab Esmaeilpour, Anthony Z. Faranesh, Menglian Zhou, David B. Savage, Conor Heneghan, Shwetak Patel, Cathy Speed, and Javier L. Prieto. گوگل با Quest Diagnostics، ارائه‌دهنده پیشرو اطلاعات تشخیصی در جهان، همکاری کرد تا شرکت‌کنندگان واجد شرایط بتوانند داده‌های نشانگر زیستی خود را که به عنوان بخشی از یک آزمایش خون رایگان دریافت کرده بودند، شامل پنل متابولیک جامع و اندازه‌گیری کلسترول، تری‌گلیسیرید و سطح انسولین، به اشتراک بگذارند.

منبع: Google Research Blog: Insulin resistance prediction from wearables and routine blood biomarkers