Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers

ملخص تقني: التنبؤ بمقاومة الأنسولين من خلال الأجهزة القابلة للارتداء والمؤشرات الحيوية الدموية الروتينية

بيان المشكلة
تعد مقاومة الأنسولين (IR) مقدمة رئيسية لمرض السكري من النوع الثاني (T2D) ومكوناً أساسياً لمتلازمة التمثيل الغذائي، ومع ذلك، فإن الطرق الحالية للكشف عنها غالباً ما تكون غير متاحة، أو مكلفة، أو لا يتم تطبيقها بشكل روتيني. وتعتبر الطريقة المعيارية الذهبية، وهي "الكلب المثبط للأنسولين مع الحفاظ على مستوى الجلوكوز في الدم" (hyperinsulinemic euglycemic clamp)، غير عملية للفحص واسع النطاق. وبينما يعد "نموذج التقييم المنزلي لمقاومة الأنسولين" (HOMA-IR) بديلاً أكثر سهولة في الوصول إليه، إلا أنه يتطلب زيارة للمختبر السريري وسحب عينات دم صائمة، مما يؤدي غالباً إلى تفويت حالات مقاومة الأنسولين في مراحلها المبكرة لدى الأفراد الذين لديهم مستويات طبيعية من جلوكوز الصيام وHbA1c. وبناءً على ذلك، تضيع فرص التدخل في نمط الحياة في مراحل مبكرة. هناك حاجة لطرق قابلة للتوسع والعمل عن بُعد لتحديد الأفراد المعرضين لخطر مقاومة الأنسولين باستخدام بيانات تتوفر بشكل متزايد من خلال التكنولوجيا الاستهلاكية والفحوصات الصحية الروتينية.

المنهجية
اعتمدت الدراسة تصميماً رصدياً استشرافياً لتجنيد مجموعة متنوعة من 1,165 مشاركاً من الولايات المتحدة عبر منصة Google Health Studies (GHS). ودمجت مجموعة البيانات ثلاثة أنماط رئيسية:

1. بيانات الأجهزة القابلة للارتداء: بيانات زمنية من أجهزة Fitbit وGoogle Pixel Watch، تشمل معدل ضربات القلب أثناء الراحة (RHR)، وتغير معدل ضربات القلب (HRV)، وعدد الخطوات اليومية، ومدة النوم.
2. البيانات الديموغرافية: العمر، الجنس، العرق، ومؤشر كتلة الجسم (BMI).
3. المؤشرات الحيوية الدموية: القياسات السريرية الروتينية بما في ذلك جلوكوز الصيام، HbA1c، لوحات الدهون (HDL، LDL، الدهون الثلاثية)، واللوحات الأيضية.

تم تحديد "الحقيقة الأرضية" لمقاومة الأنسولين باستخدام HOMA-IR، المحسوب من الأنسولين وجلوكوز الصيام. وتم تقسيم المشاركين إلى ثلاث فئات: حساسية الأنسولين (IS، HOMA-IR < 1.5)، ضعف حساسية الأنسولين (1.5 ≤ HOMA-IR ≤ 2.9)، ومقاومة الأنسولين (IR، HOMA-IR > 2.9).

تضمن مسار النمذجة نهجين رئيسيين:

• الانحدار المباشر: استخدام XGBoost مع متعلمين خطيين (L1-L2) وغير خطيين (Tree) للتنبؤ بقيم HOMA-IR المستمرة مباشرة من الميزات المدخلة.
• تعلم التمثيل: استخدام المشفرات التلقائية المقنعة (Masked Autoencoders - MAE) لتعلم التمثيلات الكامنة لبيانات المدخلات (الأجهزة القابلة للارتداء، الديموغرافيا، المؤشرات الحيوية) قبل تغذية هذه التضمينات في نموذج XGBoost للانحدار.

أجرت الدراسة دراسة استئصال واسعة النطاق عبر 25 مزيجاً من الميزات وست نوافذ زمنية (من 7 إلى 120 يوماً) لتحديد المدخلات المثلى. وتم تقييم أداء النموذج باستخدام التحقق المتقاطع خماسي الطيات (5-fold cross-validation) ومجموعة تحقق خارجية مستقلة (N=72). بالإضافة إلى ذلك، طور المؤلفون "وكيل معرفة وفهم مقاومة الأنسولين"، وهو نموذج لغوي كبير (LLM) يعتمد على إطار عمل ReAct، يستخدم نماذج تعلم الآلة المدربة لتفسير قيم HOMA-IR وتقديم رؤى صحية مخصصة ومستندة إلى الحقائق.

النتائج الرئيسية

• الأداء التنبئي: حقق النموذج الأمثل، الذي يجمع بين بيانات الأجهزة القابلة للارتداء، والبيانات الديموغرافية، والمؤشرات الحيوية الدموية الروتينية (لوحات الدهون والأيض)، معامل تحديد ($R^2$) قدره 0.50 لانحدار HOMA-IR. وبالنسبة للتصنيف الثنائي لمقاومة الأنسولين (عتبة > 2.9)، حقق النموذج مساحة تحت المنحنى (AUROC) قدرها 0.80، وحساسية بنسبة 76%، ونوعية بنسبة 84%.
• أهمية الميزات: برز جلوكوز الصيام كأكثر المسببات التنبؤية أهمية، يليه مؤشر كتلة الجسم (BMI). وعند استبعاد الجلوكوز، ظل مؤشر كتلة الجسم هو المهيمن، وحل معدل ضربات القلب أثناء الراحة (RHR) في المرتبة الثانية. ساهمت ميزات الأجهزة القابلة للارتداء (الخطوات، النوم، HRV) باستمرار في تعزيز أداء النموذج، لا سيما في تحديد الأفراد قليل الحركة.
• أداء المجموعات الفرعية: أظهر النموذج أداءً فائقاً في المجموعات الفرعية عالية المخاطر؛ فبالنسبة للمشاركين الذين يعانون من السمنة وقلة الحركة، حقق النموذج حساسية بنسبة 93% ونوعية معدلة بنسبة 95% (مع التركيز على تقليل الإيجابيات الكاذبة لدى الأشخاص الذين يتمتعون بحساسية أنسولين حقيقية).
• المتانة والقدرة على التعميم: تحسن استقرار التنبؤ مع إدراج المؤشرات الحيوية الدموية، مما قلل من معامل الاختلاف عبر النوافذ الزمنية المختلفة. حافظ النموذج على أدائه في مجموعة تحقق مستقلة (N=72)، مما أظهر قدرة على التعميم عبر مختلف الأعراق، رغم تباين الأداء لبعض المجموعات غير الممثلة (مثل الأمريكيين من أصل أفريقي والهن من أصل هندي) بسبب محدودية تمثيلها في بيانات التدريب.
• تقييم وكيل النموذج اللغوي الكبير (LLM Agent): وجد تقييم أجراه خمسة أطباء متخصصين في الغدد الصماء أن "وكيل مقاومة الأنسولين"، الذي دمج حالة مقاومة الأنسولين المتوقعة، حصل على تقييم أعلى بكثير من النموذج اللغوي الأساسي من حيث الشمولية (تفضيل بنسبة 80%)، والموثوقية (تفضيل بنسبة 92%)، والتخصيص (تفضيل بنسبة 73.3%). كما أظهر الوكيل دقة في الحقائق بنسبة (79%) ومستوى سلامة بنسبة (96%).

الأهمية والادعاءات
يدعي المؤلفون أن هذا العمل يقدم أول نموذج قابل للتطبيق من البداية إلى النهاية للتنبؤ بمقاومة الأنسولين باستخدام المؤشرات الرقمية المتاحة بسهولة والاختبارات الدموية الروتينية دون الحاجة إلى فحوصات أنسولين متخصصة. وتسلط الدراسة الضوء على ما يلي:

1. الكشف المبكر: يمكن لهذا النهج تحديد الأفراد الذين يعانون من مقاومة الأنسلة الذين لديهم مستويات طبيعية من HbA1c وجلوكوز الصيام، وهي فئة غالباً ما يتم إغفالها في الفحص القياسي ولكنها معرضة لخطر كبير للإصابة بالسكري من النوع الثاني.
2. القابلية للتوسع: من خلال الاستفادة من انتشار الأجهزة القابلة للارتداء والفحوصات الدموية الروتينية، يوفر هذا الأسلوب حلاً قابلاً للتوسع للفحص على مستوى السكان، مما قد يساهم في تحديد الأولوية للأفراد لإجراء اختبارات سريرية تأكيدية.
3. رؤى قابلة للتنفيذ: يوضح دمج النماذج التنبؤية مع وكيل يعتمد على النماذج اللغوية الكبيرة مساراً لترجمة البيانات الأيضية المعقدة إلى توصيات صحية مفهومة وآمنة ومخصصة، مما يسهل تدخلات نمط الحياة المبكرة التي يمكن أن تعكس مقاومة الأنسولين.
4. القيود: يقر المؤلفون بأن قدرة النموذج على التعميم لمجموعات عرقية معينة تتطلب مجموعات بيانات تدريب أكبر وأكثر تنوعاً، وأن HOMA-IR، رغم كونه مؤشراً موثوقاً، إلا أنه ينطوي على تباين متأصل مقارنة بالمعيار الذهبي (الكلب). كما يشيرون إلى أن عينة الدراسة قد تمثل بشكل مفرط الأفراد ذوي الوعي الصحي نظراً لمتطلبات سحب الدم واستخدام الأجهزة القابلة للارتداء.

يضع هذا العمل البيانات الصحية الرقمية كعنصر مكمل حيوي للمقاييس السريرية التقليدية للتعرف المبكر على الخلل الأيضي، بهدف تحويل النموذج من إدارة السكري برد الفعل إلى الوقاية الاستباقية.