Najnowsze badania pokazały, że technologia uczenia maszynowego może pomóc w lepszej kontroli glikemii u pacjentów z cukrzycą typu 2 dzięki przewidywaniu słabszych wyników leczenia.
Cukrzyca typu 2 (ang. type 2 diabetes, T2D) jest chorobą o złożonym charakterze, której głównym objawem jest zbyt wysoki poziom glukozy we krwi. Na całym świecie zmaga się z nią ponad 500 milionów osób. Według danych statystycznych powikłania będące następstwem tego schorzenia w 2021 roku kosztowały światową gospodarkę około 900 miliardów euro, przy czym prognozy na przyszłość nie są optymistyczne – wyliczono, że kwota ta jeszcze bardziej wzrośnie z uwagi na starzenie się populacji, a także dodatkowe czynniki takie jak otyłość, niezdrowe nawyki żywieniowe i brak aktywności fizycznej.
Z punktu widzenia systemu opieki zdrowotnej głównym problemem jest duże zróżnicowanie pacjentów z T2D, gdyż w zależności od przypadku chorobie tej towarzyszy inny stopień insulinooporności i upośledzenia wydzielania insuliny, co oznacza, że podejście do każdego pacjenta musi być indywidualne. Z tego względu pilnie potrzebna jest optymalizacja metod leczenia i świadczenie usług opieki zdrowotnej w oparciu o zindywidualizowane modele predykcyjne uwzględniające indywidualne cechy i stan pacjenta.
Wyniki najnowszego badania mogą pomóc w opracowaniu lepszego podejścia do pacjentów z T2D, uwzględniającego brak jednorodności tej grupy chorych. Badanie przeprowadzono przy wsparciu finansowanego ze środków UE projektu HTx, koncentrując się na możliwościach wykorzystania technologii uczenia maszynowego do identyfikacji pacjentów ze słabą kontrolą glikemii.
„Możliwość identyfikacji trudniejszych przypadków pacjentów z T2D, objętych systemem opieki zdrowotnej, stanowi narzędzie, które może wesprzeć klinicystów w planowaniu dalszego leczenia, co z kolei umożliwi bardziej optymalne wykorzystanie zasobów opieki zdrowotnej. Dzięki temu intensywniejszą opieką można by objąć pacjentów, u których bilans dotychczasowego leczenia wskazuje na większe nieprawidłowości, podczas gdy osoby z odpowiednimi, optymalnymi wartościami hemoglobiny glikowanej mogłyby rzadziej badać poziom HbA1c”, zauważają autorzy badania.
Prace w projekcie polegały na analizie danych dotyczących kontroli stężenia glukozy we krwi w okresie sześciu lat. Zgromadzone informacje pochodziły od ponad 9 600 pacjentów leczących się na T2D w fińskim regionie Karelii Północnej. Utrzymanie prawidłowej glikemii u pacjentów było oceniane na podstawie długoterminowego średniego stężenia glukozy we krwi, oznaczanego za pomocą hemoglobiny glikowanej HbA1c.Na podstawie danych zespół zidentyfikował trzy różne tendencje w zakresie HbA1c, jakie zaobserwowano w okresie sześciu lat. W 86,5 % przypadków kontrola poziomu glukozy okazała się stabilna i odpowiednia, u 7,3 % pacjentów poprawiała się, ale nadal była nieodpowiednia, z kolei w 6,2 % przypadków była nieodpowiednia i znacząco się wahała. Posługując się metodami uczenia maszynowego, określono też związek między jakością kontroli glikemii a charakterystyką początkową pacjentów, czynnikami klinicznymi i związanymi z metodą leczenia oraz ich statusem społeczno-ekonomicznym. W analizie w roli zmiennych uwzględniono ponad 200 cech wyjściowych.
Badanie dowiodło, że wykorzystanie danych dotyczących czasu trwania T2D, wcześniejszych poziomów HbA1c, stężenia glukozy we krwi na czczo oraz stosowania leków przeciwcukrzycowych umożliwia określenie w sposób wiarygodny, u których pacjentów występuje trwałe ryzyko hiperglikemii w dowolnym punkcie choroby. Oznacza to, że nieprawidłową kontrolę glikemii można z całą pewnością przewidzieć na podstawie informacji, które są rutynowo gromadzone w bazach danych w ramach standardowego monitorowania i leczenia cukrzycy.
Autorzy badania przeprowadzonego w projekcie HTx (Next Generation Health Technology Assessment to support patient-centred, societally oriented, real-time decision-making on access and reimbursement for health technologies throughout Europe) tak podsumowują swoje ustalenia: „Nasze wyniki sugerują, że różnice długoterminowych efektów leczenia można przewidzieć na podstawie indywidualnych czynników ryzyka charakterystycznych dla poszczególnych pacjentów. To z kolei może być niezwykle użytecznym narzędziem wspierającym planowanie leczenia w przyszłości. Jednak potrzebne są dalsze badania, które umożliwią tworzenie jeszcze dokładniejszych i bardziej spersonalizowanych prognoz”.
Więcej informacji:
poleca:
