25 سپتامبر 2024- تحقیقات اخیر یافته‌های امیدوارکننده‌ای را در پیش‌بینی دیابت بارداری (GDM) با تجزیه و تحلیل نشانگرهای زیستی متعدد در اوایل بارداری ارائه داده است.

یک مطالعه ی منتشر شده در BMC Pregnancy and Childbirth نشان داد که ترکیبی از گلوکز پلاسما ناشتا (FPG) و پروتئین-2 متصل شونده به فاکتور رشد شبه انسولینی(IGFBP-2)  که بین هفته های 11 تا 14 بارداری اندازه گیری می شود، می تواند به طور موثر زنان در معرض خطر ابتلا به دیابت بارداری را که در اواخر بارداری خود به این بیماری مبتلا می شوند، شناسایی کند.

دیابت بارداری که با سطح بالای قند خون در دوران بارداری مشخص می شود، خطرات سلامتی قابل توجهی را هم برای مادران و هم برای نوزادان آنها به همراه دارد. شناسایی زودهنگام زنان در معرض خطر برای اجرای اقدامات پیشگیرانه و بهبود نتایج مادر و جنین، بسیار مهم است.

هنوز مشخص نیست که کدام یک از نشانگرهای زیستی شناسایی شده در اوایل بارداری می توانند به طور موثر شروع بعدی دیابت بارداری را پیش بینی کنند. بنابراین، دکتر Meng-Nan Yang، و همکارانش از بیمارستان  Xinhua، موسسه بهداشت اولیه زندگی، و دانشکده پزشکی دانشگاه شانگهای Jiao-Tong، بر روی شناسایی ترکیب بهینه ی نشانگرهای زیستی اولیه بارداری در پیش بینی GDM با کمک مدل های یادگیری ماشینی (ML) کار کردند.

برای این منظور، محققان یک مطالعه مورد-شاهدی تودرتو شامل 100 جفت حاملگی - زنان مبتلا بهGDM  و زنانی با قند خون طبیعی - در گروه Early Life Plan در شانگهای چین انجام دادند. آنها بیومارکرهای مختلف سرم را در هفته های 11 تا 14 بارداری اندازه گیری کردند، از جمله غلظت های پروتئین واکنشی C با حساسیت بالا، گلوبولین متصل به هورمون جنسی، فاکتور رشد شبه انسولین I، پروتئین 2 متصل شونده به فاکتور رشد شبه انسولین(IGFBP-2)، آدیپونکتین کل و آدیپونکتین با وزن مولکولی بالا و فیبرونکتین گلیکوزیله. علاوه بر این، آزمایش‌های معمول خون در سه ماهه اول، گلوکز پلاسما ناشتا(FPG)، لیپیدهای سرم و هورمون‌های تیروئید را ارزیابی کردند.

برای پیش‌بینی دیابت بارداری، محققان از پنج مدل یادگیری ماشینی استفاده کردند: رگرسیون لجستیک گام به گام، لاسو یا کاهش مطلق مینیموم و انتخاب ویژگی (LASSO)، جنگل تصادفی، ماشین بردار پشتیبانی، و آلگوریتم k-نزدیک‌ترین همسایه. افراد مورد مطالعه به طور تصادفی به دو گروه تقسیم شدند: یک مجموعه ی تمرینی شامل 70 جفت زن مبتلا به دیابت بارداری و کنترل؛ و یک مجموعه تست با 30 جفت زن مبتلا به GDM و کنترل. عملکرد مدل با استفاده از سطح زیر منحنی (AUC) در تجزیه و تحلیل ویژگی های عملیاتی گیرنده ارزیابی شد.

یافته های کلیدی این مطالعه به شرح زیر بود:

•  شاخص های FPG و IGFBP-2 به طور مداوم به عنوان پیش بینی کننده های GDM در تمام مدل های ML انتخاب شدند.

•  مدل جنگل تصادفی شامل FPG و IGFBP-2 بهترین عملکرد را ارائه کرد(AUC = 0.80، دقت 0.72، حساسیت 0.87، ویژگی 0.57).

•  افزودن پیش بینی کننده های بیشتر قدرت تمایز را بهبود نبخشید.

محققان چندین محدودیت را در مطالعه خود، که در یک گروه بزرگ بارداری انجام شد، تأیید کردند. اگرچه آنها یک مدل پیش‌بینی یادگیری ماشینی را تنها با استفاده از دو پیش‌بینی‌کننده توسعه دادند - جایی که ویژگی‌های بالینی اضافی یا نشانگرهای زیستی پیش‌بینی‌ها را بهبود نبخشید- مهم است که توجه داشته باشیم که همه ی شرکت کنندگان از چین بودند. این امر مستلزم تحقیقات بیشتر شامل گروه های قومی مختلف برای ارزیابی تعمیم پذیری یافته ها است.

در نتیجه بر اساس این مطالعه، ترکیب گلوکز پلاسمای ناشتا و IGFBP-2 در اوایل بارداری نویدبخش پیش‌بینی پیشرفت بعدی به دیابت بارداری (GDM) با دقت متوسط ​​است.

محققان نوشتند: «با این حال، مطالعات اعتبارسنجی بیشتری برای ارزیابی اثربخشی این مدل ساده در سایر گروه‌های مستقل مورد نیاز است، زیرا می‌تواند به عنوان یک ابزار بالینی ارزشمند برای پایش خطر ابتلا به دیابت بارداری عمل کند».

منبع:

https://medicaldialogues.in/obstetrics-gynaecology/news/new-biomarkers-promising-for-early-prediction-of-gestational-diabetes-study-reveals-135284