تُعد مقاومة الأنسولين (IR)، التي لا تستجيب فيها خلايا الجسم بشكل صحيح للأنسولين، وهو هرمون حيوي لتنظيم سكر الدم، مقدمة رئيسية لمرض السكري من النوع 2. يؤثر هذا المرض على مئات الملايين من الأشخاص حول العالم، ويزداد انتشاره. يكتسب التشخيص المبكر لمقاومة الأنسولين أهمية قصوى، حيث يمكن لتغييرات نمط الحياة أن تعكس مسارها غالبًا وتمنع أو تؤخر ظهور مرض السكري من النوع 2. ومع ذلك، فإن الطرق الحالية للقياس الدقيق لمقاومة الأنسولين، مثل مشبك الأنسولين السكري (Euglycemic clamp) أو مؤشر HOMA-IR، غالبًا ما تكون جراحية أو مكلفة أو ليست متاحة بسهولة في الفحوصات الروتينية. هذه العوائق تجعل التشخيص والتدخل المبكر صعبًا، خاصة للأشخاص المعرضين للخطر دون علمهم.
في مقال “التنبؤ بمقاومة الأنسولين من الأجهزة القابلة للارتداء والمؤشرات الحيوية الروتينية في الدم”، نستكشف مجموعة من نماذج التعلم الآلي التي لديها القدرة على التنبؤ بمقاومة الأنسولين باستخدام البيانات المتاحة للعديد من الأفراد، بما في ذلك بيانات الأجهزة القابلة للارتداء (مثل معدل ضربات القلب أثناء الراحة، وعدد الخطوات، وأنماط النوم) وتحاليل الدم الروتينية (مثل جلوكوز الصيام، لوحة الدهون). يُظهر هذا النهج أداءً قويًا في العينة المدروسة (N=1,165) ومجموعة تحقق مستقلة (N=72)، لا سيما في الأفراد ذوي الخطورة العالية مثل الأشخاص الذين يعانون من السمنة أو نمط حياة خامل.
بالإضافة إلى ذلك، نقدم وكيل محو الأمية والفهم لمقاومة الأنسولين (وهو وكيل ذو نموذج أولي لمقاومة الأنسولين) مبني على نماذج لغوية كبيرة متطورة (LLMs) من Gemini. يساعد هذا الوكيل في فهم مقاومة الأنسولين، وتسهيل التفسير، وتقديم توصيات شخصية وآمنة. يُوفر هذا العمل إمكانية الكشف المبكر عن الأفراد المعرضين لخطر الإصابة بالسكري من النوع 2، وبالتالي يسهل التنفيذ المبكر لاستراتيجيات الوقاية. تجدر الإشارة إلى أن النماذج والتنبؤات ووكيل محو الأمية والفهم لمقاومة الأنسولين مخصصة لأغراض معلوماتية وبحثية فقط.
التنبؤ بمقاومة الأنسولين باستخدام المؤشرات الحيوية الرقمية واختبارات الدم الروتينية
صممنا دراسة بعنوان WEAR-ME لاستكشاف إمكانية التنبؤ بمقاومة الأنسولين (من خلال التنبؤ بـ HOMA-IR) باستخدام بيانات سهلة الوصول. لتبسيط عملية جمع البيانات للمؤشرات الحيوية الروتينية في الدم، تعاونا مع Quest Diagnostics. تمت الموافقة على الدراسة من قبل مجلس المراجعة المؤسسية (IRB)، وقدم جميع المشاركين البالغ عددهم 1,165 مشاركًا من جميع أنحاء الولايات المتحدة، من خلال برنامج Google Health Studies، موافقة إلكترونية مستنيرة وتصريح HIPAA قبل التسجيل.
كانت مجموعة المشاركين متنوعة من حيث العمر والجنس والجغرافيا ومؤشر كتلة الجسم (BMI)؛ حيث بلغ متوسط مؤشر كتلة الجسم 28 كجم/متر مربع، ومتوسط العمر 45 عامًا، ومتوسط HbA1c 5.4٪. وافق المشاركون على مشاركة بيانات الأجهزة القابلة للارتداء من أجهزة Fitbit أو Google Pixel Watch (مثل معدل ضربات القلب أثناء الراحة، وعدد الخطوات، وأنماط النوم)، ونتائج المؤشرات الحيوية الروتينية في الدم (مثل جلوكوز الصيام والأنسولين، ولوحة الدهون)، والمعلومات الديموغرافية والاستبيانات. تم جمع هذه البيانات بشكل مجهول للحفاظ على الخصوصية.
باستخدام مجموعة البيانات الغنية والمتعددة الأوجه هذه، والتي أطلقنا عليها اسم “بيانات WEAR-ME”، قمنا بتطوير وتدريب نماذج شبكات عصبية عميقة للتنبؤ بقيم HOMA-IR. كان هدفنا هو استكشاف مدى دقة تقدير هذا المؤشر الرئيسي لمقاومة الأنسولين باستخدام مجموعات مختلفة من البيانات المتاحة. يتيح لنا هذا النهج البحث عن طرق جديدة للتشخيص المبكر لمقاومة الأنسولين، مما قد يؤدي إلى تدخلات نمط حياة في الوقت المناسب لمنع أو تأخير ظهور مرض السكري من النوع 2.
الأنماط الفرعية الأيضية لمرض السكري من النوع 2. مقاومة الأنسولين المزمنة هي مقدمة لما يقرب من 70% من حالات السكري من النوع 2 وتنشأ من مزيج من السمنة ونمط الحياة الخامل والعوامل الوراثية.
رسم توضيحي لخط أنابيب النمذجة المقترح لدينا للتنبؤ بـ HOMA-IR، وتفسير النتائج باستخدام وكيل محو الأمية والفهم لمقاومة الأنسولين.
تنبؤات قوية من مصادر البيانات المدمجة
تشير نتائجنا، باستخدام مقياس مساحة تحت منحنى خصائص التشغيل المستقبل (auROC)، إلى أن دمج تدفقات البيانات أدى إلى تحسين دقة التنبؤ بشكل كبير مقارنة باستخدام كل مصدر بمفرده. تؤكد هذه النتيجة على أهمية النظرة الشاملة للصحة، حيث يمكن لبيانات مختلفة من مصادر متنوعة أن تكمل بعضها البعض وتقدم صورة أكثر دقة للحالة الأيضية للفرد.
على وجه الخصوص، أظهر دمج بيانات الأجهزة القابلة للارتداء والمعلومات الديموغرافية قوة تنبؤ مقبولة لتصنيف مقاومة الأنسولين (auROC = 0.70). أضافت إضافة نتائج جلوكوز الصيام إلى هذا الدمج قيمة كبيرة للنموذج وزادت من الأداء بشكل ملحوظ (auROC = 0.78). جلوكوز الصيام هو اختبار دم روتيني وغير مكلف نسبيًا يوفر معلومات مهمة حول تنظيم سكر الدم.
في النهاية، حقق دمج بيانات الأجهزة القابلة للارتداء والمعلومات الديموغرافية ونتائج فحوصات الدم الروتينية الكاملة (بما في ذلك الدهون والمؤشرات الأخرى) أفضل النتائج. تنبأ هذا النموذج بدقة عالية بقيم HOMA-IR (R² = 0.50) وصنف الأفراد المصابين بمقاومة الأنسولين بفعالية (auROC = 0.80، الحساسية = 76%، النوعية = 84%، حيث اعتبرت قيمة HOMA-IR 2.9 أو أعلى عتبة لمقاومة الأنسولين). تُظهر هذه النتائج الإمكانات العالية لهذا النهج المدمج لتوفير أداة فحص قوية وغير جراحية لمقاومة الأنسولين.
اليسار: تقييم أداء التنبؤ بمقاومة الأنسولين (التصنيف). اليمين: تصور لمنحنى الدقة-الاستدعاء لمجموعات الميزات المختارة. القيم المتوسطة ممثلة بالألوان، مع مناطق رمادية حول كل خط تشير إلى الانحراف المعياري عبر خمسة أضعاف.
أهم العوامل المؤثرة على دقة التنبؤ
تُظهر نتائجنا أن الميزات المستخرجة من البيانات القابلة للارتداء، مثل معدل ضربات القلب أثناء الراحة، كانت باستمرار من بين أهم العوامل التنبؤية، إلى جانب مؤشر كتلة الجسم (BMI) وجلوكوز الصيام. تُؤكد هذه النتيجة على الأهمية الكبيرة لإشارات نمط الحياة التي تسجلها الأجهزة القابلة للارتداء.
يلعب مؤشر كتلة الجسم (BMI)، وهو مقياس بسيط لكنه قوي للسمنة، دورًا حيويًا في التنبؤ بمقاومة الأنسولين، حيث إن السمنة هي أحد أقوى عوامل الخطر لمقاومة الأنسولين والسكري من النوع 2. يشير هذا إلى أنه حتى بدون قياسات معقدة، يمكن لمعلومات الجسم الأساسية أن توفر رؤى قيمة.
يرتبط جلوكوز الصيام، كمؤشر حيوي تقليدي في الدم، ارتباطًا وثيقًا بمقاومة الأنسولين. تبدو هذه العوامل الثلاثة – بيانات الأجهزة القابلة للارتداء، ومؤشر كتلة الجسم، وجلوكوز الصيام – وكأنها تشكل مزيجًا قويًا لبناء نماذج تنبؤية دقيقة. لا تساعدنا هذه الرؤى في بناء نماذج أفضل فحسب، بل تشير أيضًا إلى مسارات للتدخلات الأكثر استهدافًا للأفراد المعرضين لخطر مقاومة الأنسولين.
مخطط سانكي يوضح الأهمية النسبية للميزة (قيم SHAP) لكل نموذج من نماذج الانحدار المباشر غير الخطي المقترحة لـ XGBoost.
أداء محسن في المجموعات عالية الخطورة
نظرًا لأن الأفراد الذين يعانون من السمنة وأنماط الحياة الخاملة معرضون بشكل خاص لخطر الإصابة بالسكري من النوع 2، فقد قمنا بتقييم أداء نموذجنا بشكل خاص في هذه الفئات الفرعية. كان الهدف هو فهم ما إذا كان نموذجنا يمكنه تحديد هذه الفئات المعرضة للخطر بشكل أكثر فعالية، حيث يمكن أن يكون للتشخيص المبكر أكبر تأثير.
بين المشاركين الذين يعانون من السمنة، أظهر النموذج دقة أعلى مقارنة بالعدد الكلي للسكان (حساسية = 86% مقابل 76%). بالنسبة للمشاركين الخاملين، كانت الدقة أعلى من الفئة الفرعية المصابة بالسمنة (حساسية = 88%). تؤكد هذه النتيجة على أهمية البيانات القابلة للارتداء في اكتشاف خطر مقاومة الأنسولين لدى الأفراد الذين قد يكونون عرضة لهذه الحالة بسبب قلة النشاط البدني.
من الجدير بالذكر أنه في المجموعة التي كانت تعاني من السمنة والخمول، أظهر النموذج أداءً ممتازًا (حساسية = 93%، نوعية معدلة = 95%). تُشير هذه النتائج إلى أن نهجنا يمكن أن يكون فعالًا بشكل خاص في تحديد أولئك الذين سيستفيدون أكثر من تدخلات نمط الحياة المبكرة.
نتائج أداء التصنيف للطبقات المختلفة لنمط الحياة.
التحقق وقابلية التعميم في العالم الحقيقي
للتأكد من أن نتائجنا ليست مقتصرة على مجموعة بياناتنا الأولية، قمنا باختبار نموذجنا الأفضل أداءً (المدرب على بيانات WEAR-ME) على مجموعة تحقق مستقلة تمامًا (N=72). تم تجنيد هذه المجموعة من خلال دراسة منفصلة وبموافقة IRB، وقد شارك المشاركون بيانات الأجهزة القابلة للارتداء والمؤشرات الحيوية في الدم.
تُظهر نتائجنا في هذه المجموعة التحقق أن النماذج المدربة لدينا حافظت على أداء تنبؤي قوي (حساسية = 84%، نوعية = 81%)، مما يثبت إمكانية تعميمها. هذا يعني أن النموذج يمكن أن يعمل بفعالية عبر مجموعات سكانية مختلفة وباستخدام بيانات تم جمعها بطرق متنوعة. يعزز هذا التحقق الخارجي الثقة في قدرات النموذج ويمهد الطريق لمزيد من الأبحاث، وفي نهاية المطاف، التطبيق السريري.
ومع ذلك، يجب ملاحظة أن هذا لا يزال نموذجًا أوليًا بحثيًا، ولم يتم إثبات سلامته وفعاليته لأي غرض يتعلق بالصحة بعد. نحن ملتزمون بمواصلة البحث والتطوير لهذه النماذج لضمان دقتها وسلامتها وفعاليتها على نطاق واسع، مع إدراك أن أي تقنية مرتبطة بالصحة تتطلب اختبارات صارمة وموافقات تنظيمية.
نظرة عامة على دراسة مجموعة التحقق المستقلة. نقارن دقة النماذج من مجموعة التدريب والاختبار الأولية بمجموعة التحقق الخارجية، مما يوضح إمكانية تعميمها.
ما وراء التنبؤ: نحو الفهم والإجراءات الوقائية
التنبؤ بخطر مقاومة الأنسولين أمر ذو قيمة، ولكن كيف يمكننا جعل هذه المعلومات مفهومة وقابلة للتطبيق للأفراد؟ لقد استكشفنا كيفية دمج نماذج التنبؤ لدينا مع نماذج اللغات الكبيرة (LLMs) لتمكين المستخدمين من فهم أفضل لصحتهم الأيضية. لقد طورنا وكيل محو الأمية والفهم لمقاومة الأنسولين (وهو وكيل ذو نموذج أولي لمقاومة الأنسولين) مبني على نماذج LLMs المتقدمة من Gemini.
عندما يُسأل عن الصحة الأيضية، يقدم وكيل مقاومة الأنسولين (IR) استجابات شخصية وسياقية لأغراض تعليمية، بناءً على بيانات دراسة الفرد وحالة مقاومة الأنسولين المتوقعة لديه. بموافقة المستخدم، يتمتع هذا الوكيل بالقدرة على الوصول إلى نقاط بيانات محددة، والبحث عن معلومات محدثة، وإجراء حسابات. تحول هذه القدرة التفاعلية الوكيل إلى أداة قوية لتعليم وتمكين الأفراد.
طلبنا من خمسة أخصائيين في الغدد الصماء معتمدين من البورد تقييم استجابات وكيل مقاومة الأنسولين (IR) مقارنة بنموذج أساسي. وقد فضلوا بشدة استجابات وكيل مقاومة الأنسولين ووجدوا أنها أكثر شمولًا وموثوقية وتخصيصًا بشكل ملحوظ. يُشير هذا إلى إمكانية دمج نماذج التنبؤ بالصحة مع نماذج اللغات الكبيرة لتمكين الأفراد بفهم أفضل للصحة. تجدر الإشارة إلى أن التفاعل مع هذه النماذج أو وكيل مقاومة الأنسولين هو لأغراض معلوماتية وتعليمية فقط وليس له جانب طبي.
رسم توضيحي للبنية المقترحة للوكيل الذي يستخدم نموذج التنبؤ بـ HOMA-IR لتقييم خطر مقاومة الأنسولين لتعليم المستخدمين.
نظرة عامة على وكيل محو الأمية والفهم لمقاومة الأنسولين (IR Agent). رسم توضيحي لوكيل مقاومة الأنسولين المقترح (يسار)، إلى جانب النتائج (معدل الفوز) لوكيل مقاومة الأنسولين الخاص بنا مقابل النموذج الأساسي الذي تم تقييمه من قبل أخصائيي الغدد الصماء (يمين).
الخاتمة والأعمال المستقبلية
تُشير أبحاثنا إلى أن نماذج التعلم الآلي التي تجمع بين بيانات الأجهزة القابلة للارتداء سهلة الوصول والمؤشرات الحيوية الروتينية في الدم لديها القدرة على التنبؤ الفعال بمقاومة الأنسولين. يقدم هذا النهج مزايا مهمة تشمل سهولة الوصول العالية، والتشخيص المبكر (حتى في الأفراد الذين لديهم مستويات طبيعية من جلوكوز الدم)، وقابلية التوسع العالية للفحص. كما يُظهر أداءً قويًا في المجموعات الفرعية عالية الخطورة وإمكانية الدمج في أدوات الصحة الشخصية.
يمهد هذا العمل الطريق لفحص مبكر وأكثر سهولة لخطر الإصابة بالسكري من النوع 2، ويفعل بشكل محتمل تدخلات نمط الحياة في الوقت المناسب التي يمكن أن تمنع أو تؤخر ظهور هذا المرض، خاصة لأولئك الذين يتجهون إليه دون علم.
تشمل الأعمال المستقبلية التحقق الطولي من هذه النماذج، ودراسة تأثير التدخلات، وإدراج البيانات الوراثية والميكروبيوم، بالإضافة إلى تحسين النماذج بشكل أكبر لمجموعات سكانية محددة لضمان الأداء العادل عبر مجموعات متنوعة. نعتقد أن هذا الخط البحثي يحمل وعدًا كبيرًا لإدارة الصحة الأيضية بشكل استباقي وشخصي.
إخلاء المسؤولية: بينما يُظهر نهجنا المقترح، بما في ذلك وكيل مقاومة الأنسولين (IR)، واعدًا لتطبيقات صحية متنوعة، يتناول هذا البحث بشكل خاص الحاجة الملحة للتشخيص المبكر لمقاومة الأنسولين ولا يقدم النماذج المذكورة هنا كأجهزة أو حلول طبية معتمدة. النماذج ووكيل مقاومة الأنسولين ليسا جهازين طبيين ولم يتم اعتمادهما أو الموافقة عليهما أو مراجعتهما من قبل إدارة الغذاء والدواء الأمريكية (FDA) أو أي هيئة تنظيمية أخرى. لا يُقصد بهذا العمل أن يكون بديلاً عن المشورة الطبية المهنية أو التشخيص أو العلاج، ولا ينبغي استخدامه لهذا الغرض. سيتطلب النشر الفعلي لمثل هذه التقنيات اختبارات صارمة وتحققًا وموافقات تنظيمية.
شكر وتقدير: البحث الموضح هنا هو عمل تعاوني بين Google Research والفرق المتعاونة. ساهم الباحثون التاليون في هذا العمل: أحمد متولي، علي حيدري، دانيال ماكدافي، أليكساندرو سوليت، زينب إسماعيل بور، أنتوني فارانش، مينغليان زو، ديفيد بي. سافاج، كونور هاناهان، شوتك باتل، كاتي سبيد، و خافيير إل. برييتو. تعاونت جوجل مع Quest Diagnostics لتمكين المشاركين المؤهلين من مشاركة بياناتهم البيولوجية التي تلقوها كجزء من فحص دم مجاني.
