Prediabetul este o etapă critică, caracterizată prin valori crescute ale glicemiei care nu au evoluat încă spre diabet. În fiecare an, aproximativ 5–10% dintre persoanele cu prediabet dezvoltă diabet, în timp ce un procent similar revine la valori normale. Pentru că evoluția nu este inevitabilă, depistarea timpurie este esențială pentru prevenirea diabetului de tip 2 și a complicațiilor asociate.
Metodele tradiționale de diagnostic se bazează pe teste de sânge și evaluare clinică, însă pot fi costisitoare, lente și uneori insuficiente pentru a prezice riscul individual. Odată cu dezvoltarea instrumentelor digitale, inteligența artificială (IA) oferă posibilitatea integrării datelor din mai multe surse și a devenit un instrument promițător pentru detectarea precoce a bolii, conform news-medical.
Modelele AI pot crește acuratețea diagnostică, permit profiluri individuale de risc și pot facilita intervenții timpurii, reducând costurile sistemului medical.
Integrarea markerilor de stres oxidativ în modelul AI
Cercetătorii au dezvoltat un model AI optimizat pentru predicția prediabetului, folosind date clinice reale de la adulți din India. O noutate a studiului o reprezintă includerea unor biomarkeri relevanți clinic, precum markerii stresului oxidativ, care pot reflecta mecanismele biologice implicate.
Studiul pilot a inclus 199 de adulți (100 prediabetici și 99 sănătoși), clasificați pe baza HbA1c. Au fost efectuate teste biochimice standard și s-a măsurat și capacitatea antioxidantă totală – exprimată ca procent de activitate antioxidantă.
Au fost selectate 14 variabile demografice, clinice și biochimice pentru antrenarea unei Pattern Neural Network (PNN). Datele au fost împărțite în seturi de antrenament, validare și testare, fiind aplicate proceduri de normalizare și filtrare. Performanța PNN a fost comparată cu alte modele AI și cu regresia logistică.
Principalii biomarkeri care diferențiază prediabetul
Șase variabile au prezentat diferențe semnificative între grupuri: vârsta, IMC, circumferința taliei, activitatea antioxidantă, răspunsul la OGTT și nivelurile HbA1c. Persoanele cu prediabet aveau o capacitate antioxidantă mai scăzută și valori metabolice mai mari, sugerând stres oxidativ ridicat și risc metabolic crescut.
Analizele grafice și corelațiile au evidențiat relații moderate între IMC, circumferința taliei și glicemie, fiecare captând aspecte complementare ale riscului metabolic.
Modelul PNN oferă acuratețe superioară
Modelul PNN a obținut o acuratețe de 97,9% în antrenare și 95,2% în validare și testare, cu o acuratețe generală de 98,3%. Performanța sa a depășit alte modele, cu valori superioare ale AUC și o rată redusă a erorilor.
Implicații pentru stratificarea timpurie a riscului
Studiul arată că integrarea markerilor de stres oxidativ într-un model AI poate îmbunătăți predicția prediabetului, evidențiind stresul oxidativ ca un indicator important și adesea ignorat. Talia, IMC-ul, markerii glicemici și capacitatea antioxidantă au fost cei mai buni predictori.
PNN s-a dovedit un instrument rapid și eficient pentru screening, deși limitările includ dimensiunea redusă a eșantionului, studiul monocentric și designul transversal.
În ansamblu, modelul PNN oferă un cadru promițător pentru depistarea precoce a prediabetului. Cercetările viitoare ar trebui să îl valideze în eșantioane mai mari și să integreze date longitudinale pentru aplicare clinico-epidemiologică reală.
Comentează