مقدمة حول مقاومة الأنسولين والسكري من النوع الثاني
داء السكري من النوع الثاني هو مرض مزمن يؤثر اليوم على مئات الملايين من الأشخاص حول العالم، وتتزايد نسبة انتشاره. أحد أهم العوامل الممهدة لهذا المرض هو مقاومة الأنسولين (IR). في هذه الحالة، لا تستجيب خلايا الجسم بشكل صحيح للأنسولين، وهو هرمون حيوي لتنظيم سكر الدم. يعتبر التشخيص المبكر لمقاومة الأنسولين ذا أهمية قصوى، حيث يمكن غالبًا عكسها من خلال تغييرات نمط الحياة ومنع أو تأخير ظهور داء السكري من النوع الثاني.
مع ذلك، فإن الطرق الحالية للقياس الدقيق لمقاومة الأنسولين، مثل “المعيار الذهبي” (مشبك الأنسولين الخالي من الجلوكوز) أو نموذج التقييم المتوازن لمقاومة الأنسولين (HOMA-IR) الذي يتطلب اختبارات دم خاصة بالأنسولين، غالبًا ما تكون جراحية أو مكلفة أو غير متوفرة بسهولة في الفحوصات الروتينية. تخلق هذه العوائق تحديات كبيرة للتشخيص المبكر والتدخلات في الوقت المناسب، خاصة للأشخاص المعرضين للخطر دون علمهم.
ولكن ماذا لو تمكنا من استخدام البيانات المتاحة حاليًا للعديد من الأفراد، مثل بيانات الأجهزة القابلة للارتداء واختبارات الدم الروتينية، لتقدير خطر مقاومة الأنسولين؟ في مقال “التنبؤ بمقاومة الأنسولين من خلال الأجهزة القابلة للارتداء والمؤشرات الحيوية الروتينية في الدم”، نستكشف مجموعة من نماذج التعلم الآلي التي لديها القدرة على التنبؤ بمقاومة الأنسولين باستخدام بيانات الأجهزة القابلة للارتداء (مثل معدل ضربات القلب أثناء الراحة، وعدد الخطوات، وأنماط النوم) واختبارات الدم الروتينية (مثل سكر الدم الصائم، لوحة الدهون).
يُظهر هذا النهج أداءً قويًا في مجتمع الدراسة (ن=1,165) ومجموعة تحقق مستقلة (ن=72)، خاصة لدى الأفراد المعرضين لخطر كبير مثل الأشخاص الذين يعانون من السمنة والذين يتبعون نمط حياة قليل الحركة. بالإضافة إلى ذلك، نقدم عامل محو الأمية والفهم لمقاومة الأنسولين (وهو عامل نموذجي لمقاومة الأنسولين IR) والذي تم بناؤه على عائلة نماذج اللغة الكبيرة المتقدمة (LLM) Gemini للمساعدة في فهم مقاومة الأنسولين وتسهيل التفسير والتوصيات الشخصية الآمنة. يوفر هذا العمل إمكانية الكشف المبكر عن الأفراد المعرضين لخطر الإصابة بداء السكري من النوع الثاني، وبالتالي يسهل التنفيذ المبكر لاستراتيجيات الوقاية.
صورة: التنبؤ بمقاومة الأنسولين من خلال الأجهزة القابلة للارتداء والمؤشرات الحيوية الروتينية في الدم.
التنبؤ بمقاومة الأنسولين باستخدام المؤشرات الحيوية الرقمية واختبارات الدم الروتينية
لقد صممنا دراسة أطلقنا عليها اسم WEAR-ME لاستكشاف إمكانية التنبؤ بمقاومة الأنسولين (من خلال التنبؤ بمعامل HOMA-IR) باستخدام البيانات المتاحة بسهولة. لأتمتة عملية جمع البيانات للمؤشرات الحيوية الدموية الروتينية، تعاونا مع Quest Diagnostics. سجل 1,165 مشاركًا من جميع أنحاء الولايات المتحدة عن بُعد في دراسة WEAR-ME عبر تطبيق Google Health Studies. هذا التطبيق عبارة عن منصة آمنة وسهلة الاستخدام للدراسات الرقمية. تم إجراء هذه الدراسة بموافقة مجلس المراجعة المؤسسية (IRB).
قدم جميع المشاركين، قبل التسجيل، موافقة مستنيرة إلكترونية وتصريح HIPAA خاصًا عبر تطبيق Google Health Studies. كانت هذه المجموعة متنوعة من حيث العمر والجنس والجغرافيا ومؤشر كتلة الجسم (BMI). كان متوسط مؤشر كتلة الجسم للمشاركين 28 كجم/متر مربع، ومتوسط العمر 45 عامًا، وHbA1c 5.4%. وافق المشاركون على مشاركة البيانات التالية:
- بيانات الأجهزة القابلة للارتداء: بيانات من أجهزة Fitbit أو Google Pixel Watch الخاصة بهم (مثل معدل ضربات القلب أثناء الراحة، وعدد الخطوات، وأنماط النوم) التي تم إخفاء هويتها بشكل زائف لحماية خصوصية المشاركين.
- المؤشرات الحيوية الروتينية في الدم: نتائج الاختبارات الروتينية (مثل سكر الدم الصائم والأنسولين، لوحة الدهون) التي طُلبت خصيصًا لهذا البحث خلال زيارة شخصية إلى Quest Diagnostics.
- المعلومات الديموغرافية والاستبيانات: المعلومات الأساسية واستبيانات الصحة (تم استكمالها في بداية ونهاية الدراسة) التي تضمنت بيانات العمر والوزن والطول والعرق والسلالة والجنس، بالإضافة إلى أسئلة حول فهم الصحة العامة (اللياقة البدنية، النظام الغذائي) والتاريخ المرضي للسكري أو غيره من الأمراض المصاحبة.
باستخدام هذه المجموعة الغنية ومتعددة الأوجه من البيانات (التي نطلق عليها “بيانات WEAR-ME”)، قمنا بتطوير وتدريب نماذج شبكة عصبية عميقة للتنبؤ بدرجات HOMA-IR. كان هدفنا هو معرفة مدى جودة تقديرنا لهذا المؤشر الرئيسي لمقاومة الأنسولين باستخدام مجموعات مختلفة من البيانات المتاحة. يمهد هذا النهج الجديد الطريق للتشخيص والتدخل المبكر.
صورة: الأنماط الظاهرية الأيضية الفرعية لداء السكري من النوع الثاني. مقاومة الأنسولين المزمنة هي مقدمة لحوالي 70% من حالات داء السكري من النوع الثاني وتنتج عن مزيج من السمنة، ونمط الحياة غير النشط، والعوامل الوراثية.
أداء النموذج وعوامل التنبؤ الرئيسية
تُظهر نتائجنا، باستخدام مقياس مساحة تحت منحنى خاصية تشغيل جهاز الاستقبال (auROC)، أن دمج تدفقات البيانات قد حسّن دقة التنبؤ بشكل كبير مقارنةً باستخدام كل مصدر على حدة:
- الأجهزة القابلة للارتداء + المعلومات الديموغرافية: أظهرت قوة تنبؤية (auROC = 0.70) لتصنيف مقاومة الأنسولين. يشير هذا إلى أنه حتى بدون معلومات الدم، يمكن لبيانات نمط الحياة أن توفر رؤى قيمة.
- إضافة جلوكوز الصيام إلى الأجهزة القابلة للارتداء + المعلومات الديموغرافية: كانت نتائج هذا الاختبار الدموي الروتيني ذات قيمة عالية وزادت الأداء بشكل كبير (auROC = 0.78). يؤكد هذا المزيج على أهمية المؤشرات الأيضية الرئيسية.
- الأجهزة القابلة للارتداء + المعلومات الديموغرافية + لوحات الدم الروتينية: حققت أفضل النتائج بدقة عالية في التنبؤ بقيم HOMA-IR (R² = 0.50) وتصنيف فعال للأفراد الذين يعانون من مقاومة الأنسولين (auROC = 0.80، حساسية = 76%، خصوصية = 84%، حيث استخدمت قيمة HOMA-IR 2.9 أو أعلى لتحديد الشخص على أنه مقاوم للأنسولين).
تُظهر هذه النتائج بوضوح أن استخدام نهج متعدد الأوجه في البيانات لديه القدرة على تحسين كبير في التشخيص المبكر لمقاومة الأنسولين. من خلال دمج البيانات المستمرة وغير الجراحية من الأجهزة القابلة للارتداء مع معلومات المختبر الأكثر دقة، يمكننا الحصول على صورة شاملة أكثر للصحة الأيضية للفرد.
من المهم ملاحظة أن نتائجنا تشير إلى أن الميزات المستمدة من بيانات الأجهزة القابلة للارتداء، مثل معدل ضربات القلب أثناء الراحة، كانت باستمرار من بين أهم العوامل التنبؤية، إلى جانب مؤشر كتلة الجسم (BMI) وسكر الدم الصائم. تسلط نتائج أهمية الميزة الضوء على قيمة تسجيل الإشارات المتعلقة بنمط الحياة. تؤكد هذه النتائج أن الأجهزة القابلة للارتداء ليست مجرد أدوات لتتبع النشاط، بل يمكن أن تعمل كمستشعرات حيوية للصحة العامة.
صورة: رسم تخطيطي لنموذجنا المقترح للتنبؤ بـ HOMA-IR وتفسير النتائج باستخدام عامل تعليم وفهم مقاومة الأنسولين.
صورة: يسار: تقييم أداء التنبؤ بمقاومة الأنسولين (التصنيف). يمين: عرض منحنى الدقة-الاستدعاء لمجموعات الميزات المختارة. القيم المتوسطة بالألوان، وتشير المناطق الرمادية حول كل خط إلى الانحراف المعياري عبر الطيات الخمس.
التركيز على المجموعات عالية الخطورة والتحقق من صحة النموذج
نظرًا لأن الأفراد الذين يعانون من السمنة ونمط الحياة الخامل معرضون بشكل خاص للإصابة بداء السكري من النوع الثاني، فقد قمنا بتقييم أداء نموذجنا بشكل خاص في هذه الفئات الفرعية. أظهرت النتائج تحسنًا كبيرًا في دقة النموذج في هذه المجموعات، مما يدل على الإمكانات الحقيقية لهذا النهج للتشخيص المبكر في المجموعات السكانية المستهدفة:
- المشاركون المصابون بالسمنة: أظهر النموذج دقة محسنة مقارنة بالمجموعة السكانية العامة (حساسية = 86% مقابل 76%). يسمح لنا هذا التحسن في الدقة بتحديد الأفراد المعرضين لخطر كبير في هذه المجموعة بثقة أكبر.
- المشاركون ذوو النشاط البدني المنخفض: كانت دقة النموذج أعلى حتى من المجموعة الفرعية المصابة بالسمنة (حساسية = 88%). يشير هذا إلى أن أنماط النشاط البدني، حتى بغض النظر عن الوزن، عامل مهم في التنبؤ بمقاومة الأنسولين.
- المشاركون المصابون بالسمنة والنشاط البدني المنخفض: أظهر النموذج أداءً ممتازًا في هذه المجموعة الحيوية (حساسية = 93%، خصوصية معدلة = 95%؛ تركز الخصوصية المعدلة هنا على تقليل التصنيف الخاطئ للأفراد الحساسين للأنسولين حقًا على أنهم مقاومون). تؤكد هذه النتيجة على قيمة نهجنا في تحديد الأفراد الذين سيستفيدون أكثر من تدخلات نمط الحياة المبكرة.
تُظهر نتائج هذه التجربة أن نهجنا يمكن أن يكون فعالًا بشكل خاص في تحديد أولئك الذين قد يستفيدون أكثر من تدخلات نمط الحياة المبكرة. يمكن أن يساعد هذا الأطباء والأفراد على اتخاذ إجراءات وقائية أكثر استهدافًا قبل تقدم المرض.
للتأكد من أن نتائجنا ليست مقتصرة فقط على مجموعة البيانات الأولية لدينا، قمنا باختبار أفضل نموذج أداء لدينا (تم تدريبه على بيانات WEAR-ME) على مجموعة تحقق مستقلة تمامًا (ن=72) تم جمعها من خلال دراسة منفصلة معتمدة من IRB. في هذه الدراسة، شارك المشاركون بيانات أجهزتهم القابلة للارتداء باستخدام Fitbit Charge 6، وتم الحصول على بيانات المؤشرات الحيوية للدم شخصيًا في مركز الدراسة في سان فرانسيسكو. كان متوسط مؤشر كتلة الجسم لهذه المجموعة 30.6 كجم/متر مربع، ومتوسط العمر 44.5 عامًا. تُظهر نتائجنا على مجموعة التحقق أن نماذجنا المدربة حافظت على أدائها التنبؤي القوي (حساسية = 84%، خصوصية = 81%)، مما يدل على إمكانية تعميمها.
يعد هذا التحقق الخارجي خطوة حاسمة في تأكيد موثوقية نماذجنا في سيناريوهات العالم الحقيقي. ومع ذلك، نظرًا لأن هذا نموذج أولي بحثي، لم يتم إثبات سلامته وفعاليته لأي غرض متعلق بالصحة بعد. لنشر هذه التكنولوجيا فعليًا، يلزم إجراء اختبارات دقيقة والتحقق من الصحة والموافقات التنظيمية.
صورة: مخطط سانكي يوضح الأهمية النسبية للميزة (قيم SHAP) لكل من نماذج XGBoost غير الخطية المقترحة للانحدار المباشر.
صورة: نتائج أداء التصنيف للطبقات المختلفة لنمط الحياة.
صورة: نظرة عامة على دراسة مجموعة التحقق المستقلة. نقارن دقة النموذج من مجموعة التدريب والاختبار الأولية مع مجموعة التحقق الخارجية ونوضح إمكانية تعميمها.
ما وراء التنبؤ: نحو الفهم والإجراءات الوقائية
التنبؤ بخطر مقاومة الأنسولين ذو قيمة، ولكن كيف يمكننا جعل هذه المعلومات مفهومة وقابلة للتطبيق للأفراد؟ لقد استكشفنا دمج نماذجنا التنبؤية مع نماذج اللغة الكبيرة (LLMs) لتمكين المستخدمين من فهم صحتهم الأيضية بشكل أفضل. لقد قمنا بتطوير عامل محو الأمية والفهم لمقاومة الأنسولين (وهو عامل نموذجي لمقاومة الأنسولين IR) والذي تم بناؤه على عائلة نماذج اللغة الكبيرة المتقدمة Gemini. عندما يُسأل عن الصحة الأيضية، يقدم عامل مقاومة الأنسولين إجابات شخصية ومناسبة للسياق لأغراض تعليمية، بناءً على بيانات دراسة الفرد وحالة مقاومة الأنسولين المتوقعة لديه. بموافقة المستخدم، يمتلك هذا العامل القدرة على الوصول إلى نقاط بيانات محددة مقدمة من المستخدم، والبحث عن معلومات محدثة، وإجراء العمليات الحسابية. تجدر الإشارة إلى أن التفاعل مع النماذج أو عامل مقاومة الأنسولين هو فقط لإظهار كيف يمكن لمثل هذه الأداة أن تساعد المستخدمين في استكشاف نتائجهم لأغراض إعلامية وتعليمية.
لقد قمنا بتوظيف خمسة أطباء غدد صماء معتمدين لتقييم استجابات عامل مقاومة الأنسولين (IR Agent) مقارنة بنموذج أساسي. لقد فضلوا بشكل كبير استجابات عامل مقاومة الأنسولين ووجدوها أكثر شمولاً وموثوقية وتخصيصًا بشكل ملحوظ. هذا يدل على إمكانية الجمع بين النماذج التنبؤية الصحية ونماذج اللغة الكبيرة (LLMs) لتمكين الأفراد بفهم أفضل للصحة. هذه الخطوة تخلق جسرًا بين البيانات المعقدة والمعلومات المفهومة لعامة الناس، وتشركهم في مسار إدارة صحتهم.
صورة: نظرة عامة على وكيل محو الأمية والفهم لمقاومة الأنسولين (IR Agent). رسم تخطيطي لعامل مقاومة الأنسولين المقترح (يسار)، بالإضافة إلى النتائج (معدل الفوز) لعامل مقاومة الأنسولين الخاص بنا مقابل النموذج الأساسي الذي تم تقييمه من قبل أطباء الغدد الصماء (يمين).
الخلاصة والأعمال المستقبلية
تُظهر أبحاثنا أن نماذج التعلم الآلي، من خلال دمج بيانات الأجهزة القابلة للارتداء والمؤشرات الحيوية الروتينية في الدم، تتمتع بإمكانات عالية في التنبؤ الفعال بمقاومة الأنسولين، وهي عامل رئيسي ممهد لمرض السكري من النوع الثاني. يقدم هذا النهج العديد من المزايا:
- سهولة الوصول: يستخدم البيانات التي يمتلكها العديد من الأفراد بالفعل أو يمكن الحصول عليها بسهولة.
- التشخيص المبكر: يحدد الخطر حتى قبل أن تصبح مستويات السكر في الدم غير طبيعية؛ على سبيل المثال، وجدنا العديد من المشاركين الذين لديهم مستويات سكر دم طبيعية (مع HbA1c < 5.7) في دراستنا لديهم مقاومة للأنسولين بالفعل.
- قابلية التوسع: يقدم طريقة فحص محتملة أكثر قابلية للتوسع من اختبارات مقاومة الأنسولين المتخصصة.
- التخصيص: يُظهر أداءً قويًا في المجموعات الفرعية عالية الخطورة وإمكانية الدمج في أدوات الصحة الشخصية.
يفتح هذا العمل الطريق أمام فحص مبكر وأكثر سهولة لخطر الإصابة بداء السكري من النوع الثاني، ويوفر إمكانية التدخلات في نمط الحياة في الوقت المناسب والتي يمكن أن تمنع المرض أو تؤخره، خاصة لأولئك الذين يتجهون نحوه دون علمهم. يمكن أن تساعد هذه التطورات في تحسين الصحة العامة على نطاق واسع.
تشمل الأعمال المستقبلية التحقق طوليًا من هذه النماذج (متابعة الأفراد بمرور الوقت)، ودراسة تأثير التدخلات، وإدراج البيانات الوراثية والميكروبية، بالإضافة إلى تحسين النماذج للمجموعات السكانية المحددة لضمان الأداء العادل عبر المجموعات المتنوعة. نعتقد أن هذا الخط البحثي يبشر بإدارة نشطة ومخصصة للصحة الأيضية ويمكن أن يحدث ثورة في الوقاية من داء السكري من النوع الثاني.
إخلاء مسؤولية:
على الرغم من أن نهجنا المقترح، بما في ذلك عامل مقاومة الأنسولين، يبشر بتطبيقات مختلفة في مجال الصحة، فإن هذا البحث يتناول على وجه التحديد الحاجة الحيوية للتشخيص المبكر لمقاومة الأنسولين ولا يقدم النماذج التي تمت مناقشتها هنا على أنها أجهزة أو حلول طبية معتمدة. النماذج وعامل مقاومة الأنسولين ليسا أجهزة طبية. لم يتم اعتمادها أو الموافقة عليها أو مراجعتها من قبل إدارة الغذاء والدواء الأمريكية (FDA) أو أي هيئة تنظيمية وطنية أو دولية أخرى. لا يقصد من هذا العمل، ولا ينبغي استخدامه كبديل للمشورة الطبية المهنية أو التشخيص أو العلاج. يتطلب النشر الفعلي لمثل هذه التقنيات اختبارًا دقيقًا وتحققًا من الصحة وموافقات تنظيمية.
شكر وتقدير:
البحث الموصوف هنا هو عمل مشترك بين Google Research والفرق المتعاونة. ساهم الباحثون التاليون في هذا العمل: أحمد أ. متولي، أ. علي حيدري، دانيال ماكدوف، ألكسندرو سولو، زينب إسماعيل بور، أنتوني ز. فارانش، منغليان زو، ديفيد بي. سافاج، كونور هينغان، شويتاك باتيل، كاثي سبيد، وخافيير إل. بريتو. تعاونت جوجل مع Quest Diagnostics، المزود الرائد للمعلومات التشخيصية في العالم، لتمكين المشاركين المؤهلين من مشاركة بيانات مؤشراتهم الحيوية التي تلقوها كجزء من فحص دم مجاني، بما في ذلك لوحة التمثيل الغذائي الشاملة وقياس مستويات الكوليسترول، والدهون الثلاثية، ومستويات الأنسولين.
