新しいAIモデルは、異常な検査結果が現れる前に糖尿病リスクを特定します

何百万人もの人が、早期の糖尿病リスクに気づいていない可能性があります。AIモデルは、血糖値の急上昇が検査結果よりも重要である理由を明らかにします。

ネイチャー・メディシン誌に最近発表された論文によると、研究者らは2つのコホートにわたる2,400人以上のデータを分析し、血糖値の急上昇のパターンを特定し、個人別の血糖リスク・プロファイルを作成した。

研究チームは、2型糖尿病（T2D）患者と前糖尿病または正常血糖の患者の間で、血糖値の急上昇パターンに有意な差があることを発見しました。このマルチモーダルリスクモデルは、医師がT2D発症リスクの高い前糖尿病患者を特定するのに役立つ可能性があります。

2型糖尿病患者は夜間低血糖がより重度で、血糖値が急上昇した後にベースラインに戻るまでに平均20分以上かかり、重要な生理学的差異を示唆しています。

糖尿病および糖尿病前症は米国の成人人口のかなりの割合に影響を及ぼしていますが、グリコヘモグロビン (HbA1c) や空腹時血糖値などの標準的な診断検査では、血糖調節の複雑さを完全に把握することはできません。

ストレス、マイクロバイオームの構成、睡眠、身体活動、遺伝、食事、年齢など、多くの要因が血糖値の変動、特に食後急上昇（90 分以内に 30 mg/dL 以上増加することと定義）に影響を及ぼす可能性があり、これは一見健康に見える人でも発生します。

これまで、これらの変動は持続血糖モニタリング（CGM）を使用して研究されてきましたが、その対象は糖尿病前症および正常血糖の個人に限定されることが多く、研究では生物医学研究において歴史的に過小評価されてきたグループの代表が欠けていることがよくありました。

このギャップを埋めるために、PROGRESS 研究では全国規模の遠隔臨床試験を実施し、正常血糖および 2 型糖尿病の多様な参加者 1,137 人 (48.1% がこれまで生物医学研究で過小評価されてきたグループ) を 10 日間の CGM で登録し、マイクロバイオームの構成、ゲノミクス、心拍数、睡眠、食事、活動に関するデータを収集しました。

このマルチモーダルアプローチにより、血糖コントロールと血糖変動の個人差をより詳細に理解できるようになりました。

この研究の目的は、糖尿病に進行するリスクがある前糖尿病患者の早期発見と介入を改善できる包括的な血糖リスクプロファイルを作成し、HbA1cなどの従来の診断基準に代わる個別化された方法を提供することです。

研究者らは、PROGRESS（米国におけるデジタル臨床試験）とHPP（イスラエルにおける観察研究）という2つのコホートのデータを使用しました。PROGRESSでは、2型糖尿病患者と非2型糖尿病患者の成人を登録し、10日間のCGM（持続血糖測定）を実施しました。同時に、腸内細菌叢、ゲノミクス、心拍数、睡眠、食事、活動に関するデータを収集しました。

腸内微生物叢の多様性（シャノン指数）は、平均血糖値と直接的な負の相関関係を示しました。つまり、微生物叢の多様性が低いほど、すべてのグループにおいて血糖コントロールが悪くなったのです。

参加者は自宅で便、血液、唾液のサンプルを採取し、電子カルテを共有しました。除外基準には、最近の抗生物質の使用、妊娠、1型糖尿病、およびCGMまたは代謝データに影響を及ぼす可能性のあるその他の要因が含まれていました。参加者の募集は、ソーシャルメディアと電子カルテに基づく招待を通じて、完全にリモートで行われました。

CGMデータは1分間隔で処理され、設定された閾値を用いて血糖値の急上昇が定義されました。平均血糖値、高血糖時間、急上昇持続時間など、6つの主要な血糖指標が算出されました。

ライフスタイルデータは、食事日記アプリとウェアラブルトラッカーを用いて収集されました。ゲノムデータとマイクロバイオームデータは標準的な手法を用いて分析され、多遺伝子リスクスコアやマイクロバイオーム多様性指数などの複合指標が算出されました。

マルチモーダルデータ（人口統計、人体計測、CGM、食事、マイクロバイオーム）を用いた2型糖尿病リスク評価モデルを機械学習を用いて構築し、PROGRESSコホートとHPPコホートでその性能を検証しました。統計解析では、共分散分析、スピアマン相関、ブートストラッピングを用いて有意差検定を行い、モデルを評価しました。

対象となった 1137 人の参加者のうち、最終分析には 347 人が含まれ、その内訳は正常血糖が 174 人、糖尿病前症が 79 人、2 型糖尿病が 94 人でした。

研究者らは、夜間低血糖、血糖スパイク解消時間、平均血糖値、高血糖時間といった血糖スパイク指標において、各病態間で有意な差があることを発見した。最も大きな差は2型糖尿病群と他の群の間で見られ、血糖スパイク頻度や強度といった主要な指標において、前糖尿病群は2型糖尿病群よりも統計的に正常血糖に近いことが示された。

マイクロバイオームの多様性は、ほとんどの血糖値急上昇指標と負の相関関係にあり、健康なマイクロバイオームはより良好な血糖コントロールにつながることを示唆しています。

安静時の心拍数、BMI、HbA1c値の上昇は血糖値の悪化と関連していたのに対し、身体活動は血糖値のパターン改善と関連していました。興味深いことに、炭水化物摂取量の増加は血糖値のピーク解消の迅速化と関連していましたが、同時に血糖値の急上昇の頻度と強度も増加していました。

研究チームは、マルチモーダルデータに基づく二値分類モデルを開発し、正常血糖と2型糖尿病を高精度に識別しました。このモデルは外部コホート（HPP）に適用したところ、高い性能を維持し、HbA1c値が類似する前糖尿病患者におけるリスクレベルの有意な変動を特定することに成功しました。

これらの結果は、マルチモーダル血糖プロファイリングにより、特に糖尿病前症の場合、標準的な診断方法と比較してリスク予測と個々のモニタリングが改善される可能性があることを示唆しています。

この研究は、HbA1cなどの従来の糖尿病診断では、ブドウ糖代謝の個々の特徴を反映していないことを強調しています。

研究者らは、CGM をマルチモーダル データ (ゲノミクス、ライフスタイル、マイクロバイオーム) と組み合わせて使用することで、正常血糖、前糖尿病、および 2 型糖尿病の間の血糖変動に大きな違いがあることを発見しました。また、前糖尿病は、いくつかの重要な指標において、2 型糖尿病よりも正常血糖との類似性が高いことが示されました。

開発された機械学習ベースのリスクモデルは外部コホートで検証され、同様のHbA1c値を持つ前糖尿病患者の間でもリスクに大きなばらつきがあることが明らかになり、従来の方法に比べてその付加価値が確認されました。

本研究の強みは、PROGRESSコホートが分散化され、多様性に富んでいること（過小評価されているグループが48.1%を占める）と「リアルワールド」データの収集にある。しかし、限界としては、デバイスの違いによる潜在的なバイアス、自己申告の不正確さ、食事日記の維持の難しさ、低血糖薬の使用などが挙げられます。

予後上の利益と臨床的意義を確認するには、より大規模な検証と長期的研究が必要です。

最終的に、この研究は、遠隔マルチモーダルデータ収集が早期発見、糖尿病前症リスクの層別化、および個別化された2型糖尿病予防を改善する可能性を示し、糖尿病リスクのある患者に対するより正確で包括的なケアへの道を開きます。