Προειδοποίηση για διαβήτη: Μοντέλο AI εντοπίζει τον κίνδυνο προδιαβήτη με υψηλή ακρίβεια
Μια πρόσφατη μελέτη που δημοσιεύθηκε στο περιοδικό Scientific Reports αποκαλύπτει πώς οι ερευνητές ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης που συνδυάζει τη βιολογία του οξειδωτικού στρες με προηγμένες μεθόδους μηχανικής μάθησης. Το αποτέλεσμα είναι μια απλή μέτρηση αντιοξειδωτικών στο αίμα που μπορεί να βελτιώσει σημαντικά την πρόβλεψη του κινδύνου προδιαβήτη, υποστηρίζοντας έτσι πιο στοχευμένες στρατηγικές πρόληψης.
Αναβάθμιση στην πρόβλεψη του προδιαβήτη
Το μοντέλο Pattern Neural Network (PNN), που αναπτύχθηκε από τους ερευνητές, συνδυάζει μια νέα μέτρηση της συνολικής αντιοξειδωτικής κατάστασης με παραδοσιακούς δείκτες, βελτιώνοντας έτσι τις προβλέψεις για ενήλικες στην Ινδία. Το PNN πέτυχε ακρίβεια 98,3%, ξεπερνώντας άλλες μεθόδους όπως οι υποστηρικτικές μηχανές διανυσμάτων και η λογιστική παλινδρόμηση, σύμφωνα με τα αποτελέσματα που προήλθαν από τη σημασία των χαρακτηριστικών του μοντέλου.
Η περιφέρεια της μέσης και η κατάσταση των αντιοξειδωτικών αποδείχθηκαν οι πιο ισχυροί προγνωστικοί παράγοντες, ενώ ο δείκτης μάζας σώματος (BMI) συνέβαλε επίσης σημαντικά στην απόδοση της κατηγοριοποίησης.
Η σημασία της πρώιμης ανίχνευσης
Ο προδιαβήτης αποτελεί μια κρίσιμη πρώιμη φάση, όπου τα επίπεδα σακχάρου στο αίμα είναι αυξημένα αλλά δεν έχουν φτάσει ακόμα στο στάδιο του διαβήτη. Κάθε χρόνο, περίπου το 5-10% των ατόμων με προδιαβήτη εξελίσσονται σε διαβήτη, ενώ ένα αντίστοιχο ποσοστό επιστρέφει σε φυσιολογικά επίπεδα γλυκόζης. Δεδομένου ότι η εξέλιξη δεν είναι αναπόφευκτη, η πρώιμη ανίχνευση είναι ζωτικής σημασίας για την πρόληψη του τύπου 2 διαβήτη και των μακροχρόνιων επιπλοκών του.
Οι παραδοσιακές διαγνωστικές προσεγγίσεις βασίζονται σε εξετάσεις αίματος και κλινικές αξιολογήσεις, οι οποίες μπορεί να είναι χρονοβόρες και δαπανηρές. Ωστόσο, με την πρόοδο των εργαλείων που βασίζονται σε δεδομένα, η τεχνητή νοημοσύνη προσφέρει μια υποσχόμενη εναλλακτική για την πρώιμη ανίχνευση ασθενειών.
Μια νέα προσέγγιση για την πρόβλεψη του προδιαβήτη
Οι ερευνητές ανέπτυξαν το μοντέλο AI ειδικά προσαρμοσμένο για την πρόβλεψη του προδιαβήτη χρησιμοποιώντας πραγματικά κλινικά δεδομένα από ενήλικες στην Ινδία. Σε αντίθεση με προηγούμενες μελέτες, στόχος ήταν όχι μόνο η δημιουργία του πιο ακριβούς μοντέλου, αλλά και ενός που να ευθυγραμμίζεται στενά με κλινικά σημαντικούς βιοδείκτες, συμπεριλαμβανομένων των δεικτών οξειδωτικού στρες.
Η πιλοτική μελέτη περιλάμβανε 199 ενήλικες ηλικίας 18 έως 60 ετών, οι οποίοι κατηγοριοποιήθηκαν είτε ως προδιαβητικοί είτε ως υγιείς βάσει των επιπέδων γλυκοζυλιωμένης αιμοσφαιρίνης (HbA1c). Μετά από μια νύχτα νηστείας, ελήφθησαν δείγματα αίματος και πραγματοποιήθηκαν βιοχημικές εξετάσεις, συμπεριλαμβανομένων των HbA1c, της γλυκόζης νηστείας και του προφίλ λιπιδίων.
Η προσθήκη της μέτρησης της συνολικής αντιοξειδωτικής κατάστασης, εκφρασμένης ως ποσοστό σκαφών, ήταν καθοριστική για τα αποτελέσματα. Οι υγιείς συνήθως εμφανίζουν 20-60% της συνολικής αντιοξειδωτικής ικανότητας.
Συνολικά, 14 χαρακτηριστικά, συμπεριλαμβανομένων δημογραφικών, κλινικών και βιοχημικών δεικτών, χρησιμοποιήθηκαν για την εκπαίδευση του Pattern Neural Network. Η απόδοση του μοντέλου συγκρίθηκε με άλλες μεθόδους AI και λογιστικής παλινδρόμησης, με την Pearson συσχέτιση να χρησιμοποιείται για την αξιολόγηση των σχέσεων μεταξύ των μεταβλητών.
