অস্বাভাবিক পরীক্ষার ফলাফল আসার আগেই ডায়াবেটিসের ঝুঁকি শনাক্ত করে নতুন এআই মডেল

লক্ষ লক্ষ মানুষ হয়তো তাদের প্রাথমিক ডায়াবেটিসের ঝুঁকি সম্পর্কে অবগত নন। AI মডেলগুলি দেখায় যে কেন আপনার রক্তে শর্করার মাত্রা বৃদ্ধি আপনার পরীক্ষার ফলাফলের চেয়ে বেশি গুরুত্বপূর্ণ হতে পারে।

নেচার মেডিসিন জার্নালে প্রকাশিত একটি সাম্প্রতিক গবেষণাপত্রে, গবেষকরা গ্লুকোজ স্পাইকের ধরণ সনাক্ত করতে এবং ব্যক্তিগতকৃত গ্লাইসেমিক ঝুঁকি প্রোফাইল তৈরি করতে দুটি দল জুড়ে ২,৪০০ জনেরও বেশি লোকের তথ্য বিশ্লেষণ করেছেন।

তারা টাইপ 2 ডায়াবেটিস (T2D) এবং প্রি-ডায়াবেটিস বা নরমোগ্লাইসেমিয়া আক্রান্ত ব্যক্তিদের মধ্যে গ্লুকোজ স্পাইক প্যাটার্নের মধ্যে উল্লেখযোগ্য পার্থক্য খুঁজে পেয়েছেন। তাদের মাল্টিমোডাল ঝুঁকি মডেল ডাক্তারদের T2D হওয়ার ঝুঁকিতে থাকা প্রি-ডায়াবেটিস রোগীদের সনাক্ত করতে সাহায্য করতে পারে।

T2DM আক্রান্ত ব্যক্তিরা আরও তীব্র নিশাচর হাইপোগ্লাইসেমিয়া অনুভব করেছিলেন এবং স্পাইকের পরে বেসলাইন গ্লুকোজ স্তরে ফিরে আসতে গড়ে 20 মিনিটেরও বেশি সময় নিয়েছিলেন - যা মূল শারীরবৃত্তীয় পার্থক্য নির্দেশ করে।

ডায়াবেটিস এবং প্রিডায়াবেটিস মার্কিন প্রাপ্তবয়স্ক জনসংখ্যার একটি উল্লেখযোগ্য অংশকে প্রভাবিত করে, তবুও গ্লাইকেটেড হিমোগ্লোবিন (HbA1c) এবং ফাস্টিং গ্লুকোজের মতো স্ট্যান্ডার্ড ডায়াগনস্টিক পরীক্ষাগুলি গ্লুকোজ নিয়ন্ত্রণের সম্পূর্ণ জটিলতা ক্যাপচার করে না।

অনেক কারণ - মানসিক চাপ, মাইক্রোবায়োম গঠন, ঘুম, শারীরিক কার্যকলাপ, জেনেটিক্স, খাদ্যাভ্যাস এবং বয়স - রক্তে গ্লুকোজের পরিবর্তনকে প্রভাবিত করতে পারে, বিশেষ করে খাবার পরের স্পাইক (৯০ মিনিটের মধ্যে কমপক্ষে ৩০ মিলিগ্রাম/ডেসিলিটার বৃদ্ধি হিসাবে সংজ্ঞায়িত), যা আপাতদৃষ্টিতে সুস্থ ব্যক্তিদের মধ্যেও ঘটে।

পূর্বে, এই বৈচিত্রগুলি ক্রমাগত গ্লুকোজ পর্যবেক্ষণ (CGM) ব্যবহার করে অধ্যয়ন করা হয়েছে, কিন্তু তাদের কভারেজ প্রায়শই প্রি-ডায়াবেটিস এবং নরমোগ্লাইসেমিক ব্যক্তিদের মধ্যে সীমাবদ্ধ ছিল এবং গবেষণায় প্রায়শই জৈব চিকিৎসা গবেষণায় ঐতিহাসিকভাবে কম প্রতিনিধিত্বকারী গোষ্ঠীর প্রতিনিধিত্বের অভাব দেখা গেছে।

এই ব্যবধান পূরণের জন্য, PROGRESS গবেষণায় একটি দেশব্যাপী, দূরবর্তী ক্লিনিকাল ট্রায়াল পরিচালনা করা হয়েছিল যেখানে 1,137 জন বৈচিত্র্যময় অংশগ্রহণকারী (বায়োমেডিক্যাল গবেষণায় ঐতিহাসিকভাবে কম প্রতিনিধিত্বকারী গোষ্ঠীর 48.1%) CGM-এর 10 দিনের মধ্যে নরমোগ্লাইসেমিয়া এবং T2D আক্রান্ত ব্যক্তিদের তালিকাভুক্ত করা হয়েছিল, একই সাথে মাইক্রোবায়োম গঠন, জিনোমিক্স, হৃদস্পন্দন, ঘুম, খাদ্যাভ্যাস এবং কার্যকলাপের তথ্য সংগ্রহ করা হয়েছিল।

এই মাল্টিমোডাল পদ্ধতির ফলে গ্লুকোজ নিয়ন্ত্রণ এবং গ্লুকোজ ভ্রমণে আন্তঃব্যক্তিক পরিবর্তনশীলতা সম্পর্কে আরও সূক্ষ্ম ধারণা তৈরি হয়েছিল।

এই গবেষণার লক্ষ্য ছিল ব্যাপক গ্লাইসেমিক ঝুঁকি প্রোফাইল তৈরি করা যা ডায়াবেটিসের অগ্রগতির ঝুঁকিতে থাকা প্রি-ডায়াবেটিস রোগীদের প্রাথমিক সনাক্তকরণ এবং হস্তক্ষেপ উন্নত করতে পারে, যা HbA1c এর মতো ঐতিহ্যবাহী রোগ নির্ণয়ের ব্যবস্থার একটি ব্যক্তিগতকৃত বিকল্প প্রদান করে।

গবেষকরা দুটি গ্রুপের তথ্য ব্যবহার করেছেন: PROGRESS (মার্কিন যুক্তরাষ্ট্রে একটি ডিজিটাল ক্লিনিকাল ট্রায়াল) এবং HPP (ইসরায়েলে একটি পর্যবেক্ষণমূলক গবেষণা)। PROGRESS T2D সহ এবং ছাড়া প্রাপ্তবয়স্কদের তালিকাভুক্ত করেছে যারা একই সাথে অন্ত্রের মাইক্রোবায়োম, জিনোমিক্স, হৃদস্পন্দন, ঘুম, খাদ্যাভ্যাস এবং কার্যকলাপের তথ্য সংগ্রহ করার সময় 10 দিনের CGM করেছিলেন।

অন্ত্রের মাইক্রোবায়োম বৈচিত্র্য (শ্যানন সূচক) গড় গ্লুকোজ মাত্রার সাথে সরাসরি নেতিবাচক সম্পর্ক দেখিয়েছে: মাইক্রোবায়োটা যত কম বৈচিত্র্যময় হবে, সমস্ত গ্রুপে গ্লুকোজ নিয়ন্ত্রণ তত খারাপ হবে।

অংশগ্রহণকারীরা বাড়িতে মল, রক্ত এবং লালার নমুনা সংগ্রহ করেছিলেন এবং তাদের ইলেকট্রনিক মেডিকেল রেকর্ড শেয়ার করেছিলেন। বাদ দেওয়ার মানদণ্ডের মধ্যে সাম্প্রতিক অ্যান্টিবায়োটিক ব্যবহার, গর্ভাবস্থা, টাইপ 1 ডায়াবেটিস এবং অন্যান্য কারণ অন্তর্ভুক্ত ছিল যা CGM বা বিপাকীয় ডেটা বিভ্রান্ত করতে পারে। অংশগ্রহণকারীদের নিয়োগ সম্পূর্ণরূপে সামাজিক যোগাযোগ মাধ্যম এবং ইলেকট্রনিক মেডিকেল রেকর্ডের উপর ভিত্তি করে আমন্ত্রণের মাধ্যমে দূরবর্তীভাবে পরিচালিত হয়েছিল।

সিজিএম ডেটা মিনিটের ব্যবধানে প্রক্রিয়া করা হয়েছিল, এবং গ্লুকোজ স্পাইকগুলি পূর্বনির্ধারিত থ্রেশহোল্ড ব্যবহার করে সংজ্ঞায়িত করা হয়েছিল। গড় গ্লুকোজ, হাইপারগ্লাইসেমিয়ার সময় এবং স্পাইকের সময়কাল সহ ছয়টি মূল গ্লাইসেমিক মেট্রিক্স গণনা করা হয়েছিল।

খাদ্য ডায়েরি অ্যাপ এবং পরিধেয় ট্র্যাকার ব্যবহার করে জীবনযাত্রার তথ্য সংগ্রহ করা হয়েছিল। জিনোমিক এবং মাইক্রোবায়োম ডেটা স্ট্যান্ডার্ড পদ্ধতি ব্যবহার করে বিশ্লেষণ করা হয়েছিল এবং পলিজেনিক ঝুঁকি স্কোর এবং মাইক্রোবায়োম বৈচিত্র্য সূচকের মতো যৌগিক মেট্রিক্স গণনা করা হয়েছিল।

মাল্টিমোডাল ডেটা (ডেমোগ্রাফিক্স, অ্যানথ্রোপোমেট্রি, সিজিএম, ডায়েট এবং মাইক্রোবায়োম) ব্যবহার করে টি২ডিএম ঝুঁকি মূল্যায়নের জন্য একটি মডেল তৈরি করা হয়েছিল এবং এর কার্যকারিতা প্রগ্রেস এবং এইচপিপি কোহর্টগুলিতে পরীক্ষা করা হয়েছিল। পরিসংখ্যানগত বিশ্লেষণে মডেলটির তাৎপর্য পরীক্ষা এবং মূল্যায়নের জন্য কোভেরিয়েন্স, স্পিয়ারম্যান পারস্পরিক সম্পর্ক এবং বুটস্ট্র্যাপিংয়ের বিশ্লেষণ ব্যবহার করা হয়েছিল।

১১৩৭ জন অংশগ্রহণকারীর মধ্যে, ৩৪৭ জনকে চূড়ান্ত বিশ্লেষণে অন্তর্ভুক্ত করা হয়েছিল: ১৭৪ জনের নরমোগ্লাইসেমিয়া ছিল, ৭৯ জনের প্রি-ডায়াবেটিস ছিল এবং ৯৪ জনের T2DM ছিল।

গবেষকরা বিভিন্ন অবস্থার মধ্যে গ্লুকোজ স্পাইক মেট্রিক্সের উল্লেখযোগ্য পার্থক্য খুঁজে পেয়েছেন: নিশাচর হাইপোগ্লাইসেমিয়া, স্পাইক রেজোলিউশন সময়, গড় গ্লুকোজ এবং হাইপারগ্লাইসেমিয়ার সময়। সবচেয়ে বড় পার্থক্য ছিল T2DM এবং অন্যান্য গ্রুপের মধ্যে, স্পাইক ফ্রিকোয়েন্সি এবং তীব্রতার মতো গুরুত্বপূর্ণ মেট্রিক্সের ক্ষেত্রে প্রিডায়াবেটিস রোগীদের পরিসংখ্যানগতভাবে T2DM এর তুলনায় নরমোগ্লাইসেমিয়ার কাছাকাছি।

মাইক্রোবায়োমের বৈচিত্র্য বেশিরভাগ গ্লুকোজ স্পাইক মেট্রিক্সের সাথে নেতিবাচকভাবে সম্পর্কিত ছিল, যা ইঙ্গিত দেয় যে একটি সুস্থ মাইক্রোবায়োম আরও ভাল গ্লুকোজ নিয়ন্ত্রণের সাথে যুক্ত।

উচ্চ বিশ্রামের হৃদস্পন্দন, বডি মাস ইনডেক্স এবং HbA1c খারাপ গ্লাইসেমিক ফলাফলের সাথে যুক্ত ছিল, যেখানে শারীরিক কার্যকলাপ আরও অনুকূল গ্লুকোজ প্যাটার্নের সাথে যুক্ত ছিল। মজার বিষয় হল, উচ্চ কার্বোহাইড্রেট গ্রহণ দ্রুত সর্বোচ্চ রেজোলিউশনের সাথে যুক্ত ছিল, তবে আরও ঘন ঘন এবং তীব্র স্পাইকের সাথেও।

দলটি মাল্টিমোডাল ডেটার উপর ভিত্তি করে একটি বাইনারি শ্রেণীবিভাগ মডেল তৈরি করেছে যা উচ্চ নির্ভুলতার সাথে নরমোগ্লাইসেমিয়া এবং T2DM এর মধ্যে পার্থক্য করে। একটি বহিরাগত কোহোর্ট (HPP) তে প্রয়োগ করা হলে, মডেলটি উচ্চ কর্মক্ষমতা বজায় রেখেছে এবং একই রকম HbA1c মান সহ প্রিডায়াবেটিক রোগীদের মধ্যে ঝুঁকির মাত্রায় উল্লেখযোগ্য পরিবর্তনশীলতা সফলভাবে সনাক্ত করেছে।

এই ফলাফলগুলি ইঙ্গিত দেয় যে মাল্টিমোডাল গ্লাইসেমিক প্রোফাইলিং স্ট্যান্ডার্ড ডায়াগনস্টিক পদ্ধতির তুলনায় ঝুঁকি পূর্বাভাস এবং ব্যক্তিগত পর্যবেক্ষণ উন্নত করতে পারে, বিশেষ করে প্রিডায়াবেটিসের ক্ষেত্রে।

গবেষণায় উল্লেখ করা হয়েছে যে HbA1c-এর মতো ঐতিহ্যবাহী ডায়াবেটিস ডায়াগনস্টিক পদ্ধতি গ্লুকোজ বিপাকের স্বতন্ত্র বৈশিষ্ট্য প্রতিফলিত করে না।

মাল্টিমোডাল ডেটার (জিনোমিক্স, লাইফস্টাইল, মাইক্রোবায়োম) সাথে CGM ব্যবহার করে, গবেষকরা নরমোগ্লাইসেমিয়া, প্রিডায়াবেটিস এবং T2DM-এর মধ্যে গ্লুকোজ ভ্রমণের ক্ষেত্রে উল্লেখযোগ্য পার্থক্য খুঁজে পেয়েছেন, যেখানে বেশ কয়েকটি গুরুত্বপূর্ণ পরিমাপে প্রিডায়াবেটিস T2DM-এর তুলনায় নরমোগ্লাইসেমিয়ার সাথে বেশি মিল দেখায়।

উন্নত মেশিন লার্নিং-ভিত্তিক ঝুঁকি মডেল, যা একটি বহিরাগত দলে যাচাই করা হয়েছে, একই রকম HbA1c মান সহ প্রিডায়াবেটিক রোগীদের মধ্যে ঝুঁকির একটি বিস্তৃত তারতম্য প্রকাশ করেছে, যা ঐতিহ্যবাহী পদ্ধতির তুলনায় এর অতিরিক্ত মান নিশ্চিত করে।

গবেষণার শক্তির মধ্যে রয়েছে বিকেন্দ্রীভূত, বৈচিত্র্যময় অগ্রগতি দল (অপ্রকাশিত গোষ্ঠী থেকে ৪৮.১%) এবং "বাস্তব-বিশ্বের" তথ্য সংগ্রহ। তবে, সীমাবদ্ধতার মধ্যে রয়েছে ডিভাইসের পার্থক্যের কারণে সম্ভাব্য পক্ষপাত, স্ব-প্রতিবেদনে ভুল, খাদ্য ডায়েরি বজায় রাখতে অসুবিধা এবং হাইপোগ্লাইসেমিক ওষুধের ব্যবহার।

ভবিষ্যদ্বাণীমূলক সুবিধা এবং ক্লিনিকাল তাৎপর্য নিশ্চিত করার জন্য বৃহত্তর বৈধতা এবং অনুদৈর্ঘ্য গবেষণা প্রয়োজন।

পরিশেষে, এই গবেষণাটি দূরবর্তী মাল্টিমোডাল ডেটা সংগ্রহের সম্ভাবনা প্রদর্শন করে যা প্রাথমিক সনাক্তকরণ, প্রি-ডায়াবেটিস ঝুঁকি স্তরবিন্যাস এবং ব্যক্তিগতকৃত T2D প্রতিরোধ উন্নত করে, যা ডায়াবেটিসের ঝুঁকিতে থাকা রোগীদের জন্য আরও সুনির্দিষ্ট এবং অন্তর্ভুক্তিমূলক যত্নের পথ প্রশস্ত করে।