Τα smartwatches είναι γνωστά σε όλους! Όμως, πόσοι γνωρίζετε ότι τα δεδομένα που συλλέγει το smartwatch σας θα μπορούσαν να βοηθήσουν στην πρώιμη ανίχνευση του διαβήτη τύπου 2;
Ερευνητές, σύμφωνα με σχετική δημοσίευση στο Nature, επισημαίνουν ότι μικρές ενδείξεις οι οποίες σχετίζονται με τον καρδιακό ρυθμό, τις συνήθειες ύπνου και την καθημερινή δραστηριότητα και καταγράφονται από τα smartwatches όταν συνδυαστούν με δεδομένα υγείας και αναλυθούν με τη βοήθεια της τεχνητής νοημοσύνης, θα μπορούσαν να αποκαλύψουν την αντίσταση στην ινσουλίνη.
Περίπου το 20% έως 40% των ενηλίκων στις ΗΠΑ εκτιμάται ότι αντιμετωπίζουν αντίσταση στην ινσουλίνη, η οποία εμφανίζεται όταν τα κύτταρα του σώματος σταματούν να ανταποκρίνονται σωστά στην ορμόνη ινσουλίνη που μεταβολίζει το σάκχαρο - ένα βασικό πρώιμο σημάδι στην εξέλιξη του διαβήτη τύπου 2.
Τα περισσότερα άτομα συνήθως δεν γνωρίζουν την κατάστασή τους, επειδή η διάγνωση απαιτεί εξειδικευμένες εξετάσεις. Αυτό σημαίνει ότι οι γιατροί συνήθως ανιχνεύουν το πρόβλημα μόνο αφού τα επίπεδα σακχάρου στο αίμα έχουν ήδη αρχίσει να αυξάνονται, οπότε η μεταβολική βλάβη μπορεί ήδη να βρίσκεται σε εξέλιξη.
Η έγκαιρη διάγνωση θα μπορούσε να ανοίξει το δρόμο σε «έγκαιρες παρεμβάσεις στον τρόπο ζωής», λέει ο David Klonoff, ενδοκρινολόγος στο Ιατρικό Κέντρο Mills-Peninsula στο San Mateo της Καλιφόρνια. Αυτές περιλαμβάνουν διατροφικές αλλαγές, αυξημένη άσκηση και απώλεια βάρους, μεταξύ άλλων μέσω της χρήσης φαρμάκων GLP-1, τα οποία έχουν αποδειχθεί ότι βοηθούν στην επιβράδυνση ή ακόμα και στην αντιστροφή της μεταβολικής ολίσθησης προς την ασθένεια.
«Εάν μπορούμε να εντοπίσουμε τα άτομα που έχουν αντίσταση στην ινσουλίνη, μπορούμε να αλλάξουμε ολόκληρη την πορεία του διαβήτη», λέει ο Ahmed Metwally, βιοϊατρικός μηχανικός στην Google Research στο Mountain View της Καλιφόρνια. Ορισμένοι ερευνητές έχουν προτείνει τη χρήση αισθητήρων που φοριούνται στο χέρι για να το κάνουν αυτό. Ωστόσο, αυτές οι συσκευές κοστίζουν εκατοντάδες δολάρια το μήνα και χρησιμοποιούνται κυρίως από άτομα που έχουν ήδη διαβήτη, περιορίζοντας τη χρησιμότητά τους για μεγάλης κλίμακας έλεγχο.
Ωστόσο, οι προσεγγίσεις που βασίζονται σε smartwatches, αφορούν συσκευές, τις οποίες εκατομμύρια άνθρωποι φορούν ήδη, λέει ο Klonoff. «Αυτή η μελέτη καθιερώνει μια κλιμακούμενη μέθοδο... για την έγκαιρη ανίχνευση του μεταβολικού κινδύνου», προσθέτει.
Το νέο σύστημα, που αναπτύχθηκε από τον Metwally και τους συναδέλφους του, βασίζεται σε δεδομένα από smartwatches που συλλέχθηκαν σε διάστημα πολλών ωρών από 1.165 άτομα που φορούσαν είτε συσκευές Fitbit είτε ρολόγια Pixel, τα οποία πωλούνται και τα δύο από την Google ή τις θυγατρικές της.
Αλγόριθμοι μηχανικής μάθησης εξέτασαν αυτά τα δεδομένα, μαζί με συνήθεις εργαστηριακές μετρήσεις, όπως εξετάσεις χοληστερόλης και δημογραφικούς παράγοντες όπως η ηλικία, για να ανιχνεύσουν μοτίβα που συνδέονται με την αντίσταση στην ινσουλίνη.
Οι πιο προγνωστικοί παράγοντες προήλθαν από τα κλινικά και δημογραφικά δεδομένα, παρά από ενδείξεις από το ίδιο το smartwatch. Χρησιμοποιώντας μόνο μετρήσεις που προέρχονται από συνήθεις εργαστηριακές εξετάσεις και βασικά δεδομένα υγείας - όπως επίπεδα γλυκόζης νηστείας, δείκτης μάζας σώματος και αριθμό λιπιδίων στο αίμα - το μοντέλο της Google μπορούσε να διακρίνει άτομα με αντίσταση στην ινσουλίνη από εκείνα χωρίς αυτήν περίπου στο 76% των περιπτώσεων.
Ωστόσο, η απόδοση αυξήθηκε σε περίπου 88% με την προσθήκη δεδομένων από smartwatches. Τέτοιες μετρήσεις δεν είναι απόλυτα αξιόπιστες αλλά ακόμη και αυτά τα σημάδια που ανιχνεύτηκαν πρόσθεσαν χρήσιμες πληροφορίες στο μοντέλο. Ο καρδιακός ρυθμός ηρεμίας αποδείχθηκε ιδιαίτερα κατατοπιστικός, αν και τα καθημερινά βήματα και η διάρκεια του ύπνου συνέβαλαν επίσης στην προγνωστική ισχύ.
