Algoritme kan afsløre risikoen for type 2-diabetes op til 12 år før diagnosen

Kroppen afslører ofte, at noget er galt, længe før vi selv mærker det. Ét af de tydeligste spor gemmer sig i blodsukkerets små udsving i løbet af dagen.

Ud fra disse mønstre kan modellen meget præcist identificere, om en person er på vej mod type 2-diabetes, hjertekarsygdom eller andre alvorlige helbredsproblemer – også selv om traditionelle blodsukkermålinger giver indtryk af, at personen er metabolisk rask.

Hvor man tidligere først kunne reagere, når sygdommen allerede var klinisk synlig, peger modellen på risici, der opbygges i stilhed over mange år.

Forskningen åbner dermed for nye muligheder for at få indsigt i helbredet – både i forskningssammenhæng, i en sygdomskontekst og på et mere personligt niveau.

“Selvom man ud fra blodsukkermålinger umiddelbart vil sige, at en person er sund og rask, kan vores model identificere, at det måske ikke er tilfældet,” forklarer lektor Jordi Merino fra Novo Nordisk Foundation Center for Basic Metabolic Research ved Københavns Universitet.

“Vores model er bedre end konventionelle risikomodeller, fordi vi kan forudsige udviklingen af sygdom op til 12 år, før den viser sig klinisk.”

Forskningen er gennemført i et internationalt konsortium støttet af European Innovation Council (EIC) og offentliggjort i Nature. Forskningsprojektet hedder GLUCOTYPES.

Når blodsukkerets udsving tæller mere end tallet

Kontinuerlige blodsukkermålere bliver brugt i stigende omfang. De blev oprindeligt udviklet til personer med type 1-diabetes, så de kunne overvåge deres blodsukker – især om natten – og undgå farligt lave eller høje værdier.

Senere er teknologien også blevet taget i brug af personer med type 2-diabetes, og i dag findes der blodsukkermålere til mennesker uden diabetes, som ønsker mere detaljeret indsigt i deres helbred.

Erfaringerne har vist, at blodsukkerets betydning ikke kun handler om niveauet, men i høj grad om, hvordan blodsukkeret fluktuerer i løbet af dagen. To personer kan have samme gennemsnitlige blodsukker – men meget forskellige mønstre, afhængigt af hvor voldsomt og hvor ofte blodsukkeret svinger.

“Det er netop udsvingene i blodsukkeret over tid, der rummer information om, hvordan sygdom udvikler sig,” forklarer Jordi Merino.

Formålet var at udnytte disse fluktuationer til at sige noget mere præcist om helbred og risiko for sygdom.

For at afgøre, om disse mønstre faktisk varsler sygdom, krævede det et datagrundlag i en helt anden skala end traditionelle blodsukkermålinger. Men mønstre er én ting. Spørgsmålet er, om de også kan forudsige, hvem der faktisk bliver syg.

Mønstre kræver data i stor skala

I udviklingen af algoritmen benyttede forskerne mere end 10 mio. blodsukkermålinger fra 10.812 personer, hovedsageligt uden diabetes.

Algoritmen fungerer på samme princip som ChatGPT: Den lærer gennem store datamængder at forudsige, hvad der sker som det næste. Hvor ChatGPT forudsiger det næste ord i en tekst, forudsiger denne model den næste blodsukkermåling på baggrund af tidligere målinger og mønstre i data.

Ved systematisk at sammenligne de forudsagte og de faktiske målinger lærer modellen gradvist, hvilke mønstre der kendetegner en sund udvikling – og hvilke der tidligt peger mod sygdom.

“Modellen lærer de mønstre, man ikke kan se i enkeltmålinger, men som først bliver tydelige, når man følger blodsukkeret kontinuerligt,” siger Merino.

Modellen identificerer højrisikogrupper længe før sygdom

Efter træning på datasættet kunne modellen med høj præcision identificere personer på vej mod type 1-diabetes, type 2-diabetes, graviditetsdiabetes, prædiabetes eller svær overvægt – og desuden forudsige risikoen for andre sygdomme og dødsfald.

Modellen, GluFormer, kunne blandt andet forudsige, hvem der i en gruppe på 580 personer ville udvikle type 2-diabetes eller dø af kardiovaskulær sygdom inden for op til 11 år – selv om deltagerne kun havde brugt en kontinuerlig glukosemåler i kort tid.

66 pct. af alle tilfælde af type 2-diabetes opstod i den fjerdedel af deltagerne, som modellen vurderede til at have den højeste risiko, mens blot syv pct. i den laveste risikogruppe udviklede sygdommen.

Tilsvarende fandt 69 pct. af de kardiovaskulære dødsfald sted i højrisikogruppen, mens ingen forekom i lavrisikogruppen.

“Diabetes eller hjertekarsygdom opstår ikke fra den ene dag til den anden, men udvikler sig langsomt over tid. De første tegn kan man ikke finde ved traditionelle blodsukkermålinger – men det kan vi med denne model,” siger Merino.

Samme mad – vidt forskellige blodsukkerresponser

Forskerne videreudviklede modellen ved også at inddrage data om indtag af mad. Det gjorde det muligt at forudsige, hvordan den enkelte persons blodsukker reagerer på bestemte fødevarer og dermed identificere, hvilke madvalg der for den enkelte er forbundet med de mest usunde blodsukkermønstre.

“Vi kan se, at den samme fødevare kan give meget forskellige blodsukkerresponser fra person til person,” forklarer Jordi Merino.

I forskningssammenhæng kan algoritmen give ny indsigt i, hvordan tidlige, usunde mønstre i blodsukkeret over tid leder til sygdom – og hvordan man eventuelt kan gribe ind, før sygdommen udvikler sig.

“Det giver os mulighed for at forstå, hvordan sygdom udvikler sig længe før, den kan diagnosticeres klinisk,” siger han.

Samtidig kan algoritmen få en rolle i markedet for personlig monitorering af helbred, hvor mange allerede følger blodtryk, puls, søvn og fysisk aktivitet. Her kan blodsukker blive endnu en vigtig brik.

Det vil dog kræve nye målemetoder, som kan registrere blodsukker uden en nål under huden – for eksempel ved hjælp af lys eller laser.

“Verden bevæger sig mod stadig bedre målinger af helbred. Med denne algoritme har vi fået et værktøj, der kan lytte til kroppens signaler, længe før sygdommen viser sig,” slutter Jordi Merino.