HyperAIHyperAI

Command Palette

Search for a command to run...

il y a 16 jours

Utilisation de la surveillance continue de la glycémie associée à l'apprentissage automatique pour identifier des sous-phénotypes métaboliques et guider des modifications du mode de vie personnalisées

Ahmed A. Metwally Heyjun Park Yue Wu Tracey McLaughlin Michael P. Snyder

Utilisation de la surveillance continue de la glycémie associée à l'apprentissage automatique pour identifier des sous-phénotypes métaboliques et guider des modifications du mode de vie personnalisées

Résumé

La classification du diabète et de l’hyperglycémie modérée fondée sur des seuils statiques de glucose masque l’hétérogénéité pathophysiologique de la dysglycémie, principalement sous-tendue par la résistance à l’insuline (RI), la dysfonction des cellules bêta et le déficit en incretines. Cette revue montre que la surveillance continue du glucose (CGM, continuous glucose monitoring) et les technologies portables permettent une mutation paradigmatique vers une phénotypisation métabolique dynamique et non invasive. Nous présentons des preuves selon lesquelles les modèles d’apprentissage automatique peuvent exploiter des données haute résolution du glucose issues de tests d’intolérance au glucose oraux réalisés à domicile grâce à la CGM afin de prédire avec précision les mesures de référence de la résistance insulino-musculaire et de la fonction des cellules bêta. Cette caractérisation personnalisée s’étend à la nutrition réelle du quotidien, où la réponse glycémique postprandiale (PPGR, postprandial glucose response) propre à chaque individu à des repas standardisés — par exemple, l’amplitude relative de la montée glycémique après consommation de pommes de terre par rapport à des raisins — pourrait servir de biomarqueur pour identifier son sous-type métabolique. En outre, l’intégration des données issues des dispositifs portables révèle que les habitudes alimentaires, le sommeil et les activités physiques, en particulier leur horaire, sont spécifiquement associées à des dysfonctionnements métaboliques précis, permettant ainsi d’orienter des interventions de mode de vie personnalisées. L’efficacité des stratégies nutritionnelles visant à atténuer la PPGR s’avère également dépendante du phénotype. Collectivement, ces résultats démontrent que la CGM permet de décomposer la complexité de la dysglycémie précoce en sous- phénotypes distincts et exploitables. Cette approche va au-delà du simple contrôle glycémique, ouvrant la voie à des stratégies ciblées — nutritionnelles, comportementales et pharmacologiques — adaptées aux défauts métaboliques fondamentaux de chaque individu, et ainsi préparant l’ère nouvelle de la prévention personnalisée du diabète.

Construire l'IA avec l'IA

De l'idée au lancement — accélérez votre développement IA avec du co-codage IA gratuit, un environnement prêt à l'emploi et les meilleurs prix GPU.

Co-codage IA
GPU prêts à utiliser
Meilleurs prix
Commencer

Hyper Newsletters

Abonnez-vous à nos dernières mises à jour
Nous vous enverrons les dernières mises à jour de la semaine dans votre boîte de réception à neuf heures chaque lundi matin
Propulsé par MailChimp
Utilisation de la surveillance continue de la glycémie associée à l'apprentissage automatique pour identifier des sous-phénotypes métaboliques et guider des modifications du mode de vie personnalisées | Articles de recherche | HyperAI