10 دسامبر 2025- پیش دیابت مرحله ای میانی بین سلامت متابولیک و دیابت نوع ۲ است؛ وضعیتی که در آن قند خون بالاتر از حد طبیعی است اما هنوز به آستانه تشخیص دیابت نرسیده است. با توجه به اینکه سالانه ۵ تا ۱۰ درصد افراد مبتلا به پیش دیابت وارد فاز دیابت می شوند و درصد مشابهی نیز به وضعیت طبیعی بازمی گردند، تشخیص زودهنگام و دقیق اهمیت حیاتی دارد. روش های سنتی مانند HbA1c، گلوکز ناشتا و OGTT اگرچه ضروری هستند، اما در پیش بینی خطر فردی محدودیت دارند. در این زمینه، هوش مصنوعی به عنوان ابزاری نوظهور می تواند با ترکیب داده های بالینی و زیستی، دقت تشخیص را به طور چشمگیری افزایش دهد.
در مطالعه ای که در نشریه یScientific Reports منتشر شد، پژوهشگران یک شبکه عصبی الگویابی (PNN) طراحی کردند که برای نخستین بار وضعیت کل آنتی اکسیدانی خون را در کنار شاخص های متداول متابولیک وارد مدلی نمودند که خطر ابتلا به پیش دیابت را پیش بینی می کند. این شاخص آنتی اکسیدانی که به صورت درصد توان پاکسازی رادیکال های آزاد اندازه گیری می شود، بازتابی از استرس اکسیداتیو است؛ عاملی که نقش مهمی در پاتوفیزیولوژی دیابت دارد اما در غربالگری های معمول نادیده گرفته می شود. افراد سالم معمولاً ۲۰ تا ۶۰ درصد ظرفیت آنتی اکسیدانی دارند، در حالی که افراد مبتلا به پیش دیابت در این مطالعه به طور معناداری ظرفیت پایین تری نشان دادند.
این پژوهش روی ۱۹۹فرد ۱۸ تا ۶۰ ساله انجام شد که بر اساس HbA1c به دو گروه پیش دیابت و کنترل سالم تقسیم شده بودند. علاوه بر شاخص های کلاسیک مانند BMI، دور کمر، گلوکز ناشتا، OGTT و پروفایل چربی، وضعیت آنتی اکسیدانی نیز اندازه گیری شد. در مجموع ۱۴ویژگی بالینی، بیوشیمیایی و انسانسنجی برای آموزش مدل PNN استفاده شد. داده ها پس از نرمال سازی، حذف داده های پرت و مدیریت مقادیر گمشده، به مجموعه های آموزش، آزمون و اعتبارسنجی تقسیم شدند.
نتایج نشان داد که شش متغیر بیشترین تفاوت را بین دو گروه ایجاد می کنند: سن، BMI، دور کمر، فعالیت آنتیاکسیدانی،OGTT و HbA1c.افراد مبتلا به پیش دیابت علاوه بر استرس اکسیداتیو بالاتر، مقادیر بالاتری ازHbA1c و پاسخ های گلوکز داشتند. تحلیل های آماری نیز ارتباط متوسطی بینBMI و دور کمر و ارتباط خفیفی بین شاخص های انسان سنجی و گلوکز ناشتا نشان دادند؛ مجموعه ای از عوامل که ابعاد مختلف خطر متابولیک را پوشش می دهند.
مدلPNN عملکردی چشمگیر داشت: ۹۷.۹ درصد دقت در آموزش و ۹۵.۲ درصد در آزمون و اعتبارسنجی. دقت کلی مدل ۹۸.۳ درصد گزارش شد و معیارهای Precision،Recall وF1 Score همگی در سطح بسیار بالا قرار داشتند. این مدل در مقایسه با روش های رایج مانند ماشین بردار پشتیبان، k-نزدیک ترین همسایه ها و رگرسیون لجستیک، بهترین AUC و کمترین خطا را به دست آورد. این نتایج نشان می دهد که ترکیب نشانگرهای استرس اکسیداتیو با داده های بالینی می تواند قدرت پیشبینی را به طور قابل توجهی افزایش دهد.
اهمیت این مطالعه در آن است که استرس اکسیداتیو را از یک شاخص صرفاً همراه، به یک نشانگر خطر بالقوه مکانیکی در مسیر پیشرفت پیش دیابت تبدیل می کند. همچنین تأیید می کند که دور کمر، BMI، نشانگرهای گلوکز و ظرفیت آنتی اکسیدانی از مهم ترین پیش بینی کننده های خطر هستند؛ یافته ای که با مطالعات سایر جمعیت ها نیز هم خوانی دارد. مدلPNN با توجه به سرعت، دقت بالا و نیاز به داده های ساده آزمایشگاهی، می تواند به یک ابزار غربالگری کم هزینه و قابل دسترس تبدیل شود.
البته محدودیت هایی مانند حجم نمونه کوچک، طراحی تک مرکزی و ماهیت مقطعی مطالعه وجود دارد که تعمیم پذیری نتایج را محدود می کند. پژوهشگران پیشنهاد کردند که این مدل در نمونه های بزرگ تر و چند مرکزی اعتبارسنجی شود و در آینده با داده های طولی ترکیب گردد تا بتواند در محیط های بالینی و برنامههای سلامت عمومی به طور عملی مورد استفاده قرار گیرد.
در مجموع، این مطالعه نشان می دهد که ادغام نشانگرهای زیستی نوین با هوش مصنوعی می تواند مسیر تشخیص زودهنگام پیش دیابت را متحول کند و زمینه ساز مداخلات هدفمندتر و مؤثرتر برای پیشگیری از دیابت نوع ۲ باشد.
منبع:
https://www.news-medical.net/news/20251210/Early-warning-for-diabetes-AI-model-identifies-prediabetes-risk-with-high-accuracy.aspx