Predicția rezistenței la insulină folosind dispozitive portabile și biomarkeri de sânge
Conform nature.com, rezistența la insulină (IR) este un precursor principal pentru diabetul de tip 2 și se caracterizează printr-o acțiune insuficientă a insulinei în țesuturi. Totuși, metodele de diagnostic rămân costisitoare și inaccesibile, ceea ce împiedică intervențiile timpurii.
👉 Prezentarea studiului WEAR-ME
Aici prezentăm studiul WEAR-ME, un studiu mare realizat de la distanță privind IR (n = 1.165 de participanți; indicele median de masă corporală (IMC) = 28 kg/m2, vârstă mediană = 45 ani, hemoglobină A1c mediană (HbA1c) = 5.4%), care utilizează date de tip time-series de la dispozitive portabile și biomarkeri de sânge de rutină pentru a antrena rețele neuronale profunde pe baza unei măsurători de referință a IR (evaluarea modelului homeostatic pentru IR; HOMA-IR).
Folosind un prag HOMA-IR de 2.9, modelul nostru multimodal a obținut o performanță robustă (aria sub curba caracteristicilor de operare (AUROC) = 0.80, sensibilitate = 76%, specificitate = 84%) cu date de la dispozitivele portabile, împreună cu date demografice și biomarkeri de sânge de rutină.
👉 Îmbunătățiri ale performanței modelelor prin integrare de date
Pentru a îmbunătăți utilizarea datelor de tip time-series de la dispozitivele portabile, am ajustat un model de bază portabil (WFM) preantrenat pe 40 de milioane de ore de date de senzor. Într-un cohort de validare independent (n = 72), un model care integrează reprezentări derivate din WFM cu date demografice a depășit un model de bază bazat doar pe demografice (AUROC = 0.75 versus 0.66).
Mai mult, adăugarea reprezentărilor derivate din WFM la un model care include demografice, glucoză pe nemâncate și un panel de lipide a îmbunătățit semnificativ performanța, comparativ cu un model identic fără date de la dispozitive portabile (AUROC = 0.88 versus 0.76).
Integrăm predicția IR într-un model de limbaj mare pentru a contextualiza rezultatele și a facilita recomandările personalizate. Acest lucru stabilește un cadru scalabil și accesibil pentru detectarea timpurie a riscurilor metabolice, ceea ce ar putea permite intervenții timpurii în stilul de viață pentru a preveni progresia către diabetul de tip 2.
