Predicția rezistenței la insulină folosind dispozitive purtabile și biomarkeri sanguini obișnuiți

Rezistența la insulină (IR), un precursor principal al diabetului de tip 2, este caracterizată prin acțiunea afectată a insulinei în țesuturi, conform nature.com. Totuși, metodele de diagnostic rămân costisitoare și inaccesibile, ceea ce împiedică intervenția timpurie.

👉 Studiul WEAR-ME utilizează date din dispozitive purtabile și biomarkeri pentru antrenarea modelelor

Aici prezentăm studiul WEAR-ME, un studiu mare, realizat la distanță, despre IR (n = 1.165 de participanți; indicele de masă corporală (IMC) mediu = 28 kg m−2, vârsta medie = 45 ani, hemoglobina A1c (HbA1c) medie = 5.4%) care folosește datele din serii temporale provenite de la dispozitive purtabile și biomarkerii sanguini de rutină pentru a antrena rețele neuronale profunde pe baza unei măsuri de adevăr (evaluarea modelului homeostatic al IR; HOMA-IR). Folosind o limită HOMA-IR de 2.9, modelul nostru multimodal a realizat o performanță robustă (aria sub curba caracteristicilor operaționale ale receptorului (AUROC) = 0.80, sensibilitate = 76%, specificitate = 84%) cu date din dispozitive purtabile, împreună cu date demografice și biomarkeri sanguini obișnuiți.

Pentru a îmbunătăți utilizarea datelor din seriile temporale provenite de la dispozitive purtabile, am ajustat un model de bază purtabil (WFM) pre-antrenat pe 40 de milioane de ore de date senzor. Într-o cohortă de validare independentă (n = 72), un model care integrează reprezentări derivate din WFM cu date demografice a depășit o bază de referință bazată doar pe demografie (AUROC = 0.75 față de 0.66). În plus, adăugarea reprezentărilor derivate din WFM la un model cu date demografice, glucoză pe nemâncate și un panel lipidic a îmbunătățit semnificativ performanța, comparativ cu un model identic fără date din dispozitive purtabile (AUROC = 0.88 față de 0.76).

👉 Integrarea predicției rezistenței la insulină într-un model lingvistic pentru recomandări personalizate

Integrăm predicția IR într-un model lingvistic mare pentru a contextualiza rezultatele și a facilita recomandări personalizate. Această lucrare 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.