1765409222
2025-12-10 23:07:00
Объединив биологию окислительного стресса с передовым машинным обучением, исследователи показывают, как простая антиоксидантная мера на основе крови может значительно улучшить прогнозирование риска предиабета и поддержать более ранние, более целенаправленные стратегии профилактики.
Изучать: Модель искусственного интеллекта как инструмент прогнозирования предиабета. Изображение предоставлено: CI Photos / Shutterstock
В недавнем исследовании, опубликованном в журнале Научные отчетыИсследователи разработали модель нейронной сети (PNN), которая объединила новый показатель общего антиоксидантного статуса с традиционными индикаторами для улучшения прогнозов предиабета у взрослых индийцев. PNN превзошла машины опорных векторов, модели k-ближайших соседей и модели логистической регрессии, обученные на том же наборе данных, достигнув точности 98,3%. Окружность талии и антиоксидантный статус показали наибольшую прогностическую силу в соответствии с важностью признаков, полученных с помощью модели, при этом ИМТ также внес значительный вклад в эффективность классификации.
Растущая потребность в точном выявлении предиабета
Преддиабет — это критическая ранняя стадия, характеризующаяся повышенным уровнем сахара в крови, который еще не перешел в диабет. Каждый год примерно у 5–10% людей с преддиабетом развивается диабет, в то время как сопоставимая часть возвращается к нормальному уровню глюкозы. Поскольку прогрессирование не является неизбежным, раннее выявление имеет важное значение для предотвращения диабета 2 типа и связанных с ним долгосрочных осложнений.
Традиционные диагностические подходы основаны на анализах крови и клинической оценке, но эти методы могут быть трудоемкими, дорогостоящими и иногда ограниченными в своей способности прогнозировать индивидуальный риск. По мере развития инструментов, основанных на данных, ИИ позволяет исследователям объединять данные из нескольких источников и стал многообещающей альтернативой для раннего выявления заболеваний.
Модели прогнозирования на основе искусственного интеллекта предлагают множество преимуществ, включая более высокую точность диагностики, индивидуальные профили риска и более раннее вмешательство. Эти достижения могут значительно снизить затраты на здравоохранение, предотвращая прогрессирование заболевания.
Интеграция маркеров окислительного стресса в модели искусственного интеллекта
Исследователи разработали модель искусственного интеллекта, специально оптимизированную для прогнозирования предиабета, используя реальные клинические данные взрослых индийцев. В отличие от более ранних исследований, исследователи стремились определить не только наиболее точную модель, но и ту, которая тесно связана с клинически значимыми биомаркерами, включая показатели окислительного стресса, которые могут отражать основную патофизиологию.
В это пилотное исследование были включены 199 взрослых в возрасте от 18 до 60 лет, классифицированных как предиабетические (n = 100) или здоровые (n = 99) в зависимости от уровня гликированного гемоглобина (HbA1c). После ночного голодания было взято 6 мл периферической крови. Биохимические тесты включали измерение уровня HbA1c, уровня глюкозы натощак и липидного профиля с использованием стандартизированных ферментативных анализов. Были рассчитаны значения липопротеинов высокой плотности (ЛПВП), липопротеинов низкой плотности (ЛПНП) и липопротеинов очень низкой плотности (ЛПОНП).
Ключевым дополнением к этому набору данных было измерение общего антиоксидантного статуса, при этом антиоксидантная активность выражалась в виде процентного потенциала очистки. У здоровых людей обычно наблюдается 20–60% от общего числа.
В общей сложности 14 признаков, включая демографические, клинические, биохимические и окислительные маркеры стресса, были использованы для обучения шаблонной нейронной сети с 14 входными узлами, 10 скрытыми узлами и одним выходным узлом. Данные были случайным образом разделены на наборы для обучения, проверки и тестирования, после чего следовали этапы предварительной обработки, такие как нормализация, удаление выбросов и обработка пропущенных значений. Производительность модели сравнивалась с другими моделями ИИ и логистической регрессией. Корреляция Пирсона и описательная статистика использовались для изучения взаимосвязей между переменными и оценки релевантности признаков перед обучением модели.
Ключевые биомаркеры, отличающие профили предиабета
Из 14 измеряемых переменных шесть показали значительные различия между людьми с предиабетом и без него: возраст, индекс массы тела (ИМТ), окружность талии, антиоксидантная активность, пероральный тест на толерантность к глюкозе (OGTT) и уровни HbA1c. Лица с предиабетом имели заметно более низкую антиоксидантную способность, что указывает на более высокий окислительный стресс, и демонстрировали более высокие значения ключевых метаболических показателей, таких как HbA1c и реакции на глюкозу.
Анализ коробчатых диаграмм подтвердил эти групповые различия, выявив различные распределения HbA1c, OGTT и липидных маркеров, при этом уровень глюкозы натощак показал некоторые различия в распределении, несмотря на то, что сравнение групп не достигло статистической значимости. Распределение некоторых параметров было положительно асимметричным, что указывает на кластеризацию аномальных значений в группе предиабета. Корреляционное тестирование выявило умеренную связь между ИМТ и окружностью талии, а также умеренную связь между антропометрическими показателями и уровнем глюкозы натощак, которые вместе отражают перекрывающиеся, но не избыточные аспекты метаболического риска.
Модель PNN демонстрирует превосходную точность прогнозирования
Модель PNN, обученная на этих переменных, продемонстрировала очень точную классификацию. Он достиг точности 97,9% на обучающем наборе и 95,2% как на тестовом, так и на проверочном наборе. Общая точность по всем наборам данных составила 98,3%, с идеальной точностью, хорошей полнотой и оценками F1. По сравнению с другими моделями PNN неизменно превосходила альтернативы, достигая самой высокой площади под кривой (AUC) и максимальной минимизации ошибок.
Последствия для ранней стратификации рисков
Это исследование успешно интегрировало общий антиоксидантный статус в модель прогнозирования преддиабета на основе искусственного интеллекта для индийского населения, подчеркнув окислительный стресс как важный и часто упускаемый из виду маркер риска, имеющий потенциальное механистическое значение для развития заболевания, а не просто корреляционный признак.
Результаты подтверждают, что окружность талии, ИМТ, маркеры глюкозы и антиоксидантная способность являются одними из наиболее информативных предикторов, что согласуется с данными других групп населения. PNN обеспечила превосходную точность по сравнению с традиционными моделями машинного обучения и продемонстрировала большой потенциал в качестве быстрого и недорогого инструмента скрининга, ожидающего внешней проверки в независимых когортах.
Сильные стороны включают в себя полный набор биохимических и клинических особенностей, а также введение мер окислительного стресса, которые добавляют биологическую глубину оценке риска. Однако одноцентровый дизайн, скромный размер выборки и перекрестный характер ограничивают возможность обобщения и возможность отслеживать изменения с течением времени.
В целом, PNN предлагает надежную основу для раннего выявления и стратификации риска предиабета. Будущие исследования должны подтвердить модель на более крупных когортах из нескольких центров и изучить интеграцию с продольными клиническими данными для перспективных клинических приложений и применений в общественном здравоохранении, одновременно формально оценивая реальную осуществимость и стабильность работы.
Ссылка на журнал:
- Иисус, А., Дас, Р., Бхарани, Г., Шайкмеран, М., Сараси, Р. (2025). Модель искусственного интеллекта как инструмент прогнозирования предиабета. Scientific Reports 15: 43421. Doi: 10.1038/s41598-025-23227-0,
#Модель #искусственного #интеллекта #высокой #точностью #определяет #риск #предиабета
Читайте также
