Un modèle d'IA détecte le risque de diabète caché grâce aux pics de glucose avant l'apparition des symptômes

Un modèle d’intelligence artificielle utilise des pics de glucose pour détecter un risque caché de diabète avant l’apparition des symptômes. Pour diagnostiquer le diabète de type 2 ou le prédiabète, les médecins s’appuient habituellement sur une mesure de laboratoire appelée HbA1c. Ce test reflète la moyenne des taux de glucose sanguin au cours des deux à trois derniers mois. Cependant, l’HbA1c ne permet pas de prédire avec précision qui est le plus à risque de passer d’un état sain à un état de prédiabète, ou de ce dernier à un diabète complet. Des chercheurs ont maintenant développé un modèle d’intelligence artificielle capable d’analyser des données de glycémie à court terme, notamment les pics soudains de glucose après les repas, pour identifier des signes précurseurs invisibles aux tests classiques. Contrairement à l’HbA1c, qui donne une moyenne, ces pics révèlent une instabilité métabolique plus fine, souvent associée à une résistance à l’insuline avant que les niveaux moyens ne s’élèvent. En exploitant des données de surveillance continue de la glycémie — souvent recueillies par des capteurs cutanés — le modèle peut repérer des motifs anormaux, comme des augmentations rapides et prolongées du glucose après les repas, même chez des personnes dont l’HbA1c reste dans des plages normales. Ces anomalies, passées inaperçues jusqu’ici, sont des indicateurs précoces d’un dysfonctionnement du métabolisme du glucose. Cette approche permet de cibler les individus à risque élevé bien avant que les symptômes ou les valeurs de laboratoire ne deviennent anormales. Elle ouvre la voie à des interventions préventives plus précoces : modifications alimentaires, exercice physique, ou suivi médical ciblé, pouvant ralentir ou même empêcher le développement du diabète. En combinant l’intelligence artificielle avec des données réelles du quotidien, cette méthode représente une avancée majeure dans la prévention du diabète. Elle transforme la détection du risque en un processus dynamique, sensible aux variations subtiles du métabolisme, plutôt que basé sur une moyenne lissée. Ainsi, la médecine devient plus proactive, capable d’agir avant que la maladie ne s’installe.