1765409965
2025-12-10 23:07:00
酸化ストレス生物学と高度な機械学習を組み合わせることで、研究者らは、シンプルな血液ベースの抗酸化測定がどのようにして糖尿病前症のリスク予測を大幅に正確にし、より早期の、より的を絞った予防戦略をサポートできるかを示しています。
勉強： 糖尿病前症を予測するツールとしての人工知能モデル。画像クレジット: CI Photos / Shutterstock
雑誌に掲載された最近の研究では 科学レポート研究者らは、インドの成人の前糖尿病の予測を改善するために、総抗酸化状態の新しい測定値と従来の指標を組み合わせたパターン ニューラル ネットワーク (PNN) モデルを開発しました。 PNN は、サポート ベクター マシン、k 最近傍モデル、および同じデータセットでトレーニングされたロジスティック回帰モデルを上回り、98.3% の精度を達成しました。モデル由来の特徴重要度によると、腹囲と抗酸化状態が最も強い予測力を示し、BMI も分類パフォーマンスに大きく寄与しました。
糖尿病前症を正確に検出するニーズの高まり
前糖尿病は、まだ糖尿病に進行していない血糖値の上昇を特徴とする重要な初期段階です。毎年、前糖尿病患者の約 5 ～ 10% が糖尿病を発症しますが、同程度の割合は正常な血糖値に戻ります。進行は避けられないため、2 型糖尿病とそれに関連する長期合併症を予防するには早期発見が不可欠です。
従来の診断アプローチは血液ベースの検査と臨床評価に依存していますが、これらの方法は時間と費用がかかり、場合によっては個人のリスクを予測する能力が制限されることがあります。データ駆動型ツールが進歩するにつれて、AI により研究者は複数のソースからのデータを組み合わせることができ、病気の早期発見のための有望な代替手段として浮上しています。
AI ベースの予測モデルには、より高い診断精度、個別のリスク プロファイル、早期介入など、複数の利点があります。これらの進歩により、病気の進行が防止され、医療費が大幅に削減される可能性があります。
酸化ストレス マーカーを AI モデルに統合
研究者らは、インド成人の実世界の臨床データを使用して、糖尿病前症の予測に特化して最適化された AI モデルを開発しました。以前の研究とは異なり、研究者らは最も正確なモデルを特定するだけでなく、根底にある病態生理学を反映している可能性のある酸化ストレス指標など、臨床的に関連するバイオマーカーと密接に一致するモデルを特定することを目指した。
このパイロット研究には、糖化ヘモグロビン (HbA1c) レベルに基づいて前糖尿病患者 (n = 100) または健康対照者 (n = 99) に分類された 18 ～ 60 歳の成人 199 名が参加しました。一晩絶食した後、6 mL の末梢血を採取しました。生化学検査には、標準化された酵素アッセイを使用した HbA1c、空腹時血糖、脂質プロファイルの測定が含まれます。高密度リポタンパク質 (HDL)、低密度リポタンパク質 (LDL)、および超低密度リポタンパク質 (VLDL) の値が計算されました。
このデータセットへの重要な追加点は、抗酸化活性を消去能のパーセンテージとして表す、総抗酸化状態の測定でした。健康な人は通常、全体の 20 ～ 60% を示します。
人口統計学的、臨床的、生化学的、酸化ストレス マーカーを含む合計 14 個の特徴を使用して、14 個の入力ノード、10 個の隠れノード、1 個の出力ノードを持つパターン ニューラル ネットワークをトレーニングしました。データはトレーニング、検証、テスト セットにランダムに分割され、その後、正規化、外れ値の除去、欠損値の処理などの前処理ステップが行われました。モデルのパフォーマンスを他の AI モデルおよびロジスティック回帰と比較しました。ピアソン相関と記述統計を使用して、モデルのトレーニング前に変数間の関係を調べ、特徴の関連性を評価しました。
前糖尿病プロフィールを区別する主要なバイオマーカー
測定された 14 の変数のうち、年齢、BMI、胴囲、抗酸化活性、経口ブドウ糖負荷試験 (OGTT)、および HbA1c レベルの 6 つの変数で、前糖尿病の人とそうでない人の間で有意な差が示されました。前糖尿病の人は抗酸化能力が著しく低く、酸化ストレスが高いことを示しており、HbA1c やグルコース反応などの重要な代謝指標の値が高かった。
箱ひげ図分析では、HbA1c、OGTT、および脂質マーカーの明確な分布が明らかになり、グループ比較が統計的有意性に達していないにもかかわらず、空腹時血糖でいくつかの分布の違いが示されることで、これらのグループの違いが強化されました。一部のパラメーターはプラスに歪んだ分布を示し、前糖尿病グループにおける異常値のクラスター化を示唆しました。相関関係検査では、BMIと腹囲の間の中程度の関連性、および身体測定値と空腹時血糖の間の中程度の関連性が強調され、これらは共に代謝リスクの重複しているが重複しない側面を捉えています。
PNN モデルは優れた予測精度を実証
これらの変数でトレーニングされた PNN モデルは、非常に正確な分類を実証しました。トレーニング セットでは 97.9%、テスト セットと検証セットの両方では 95.2% の精度を達成しました。すべてのデータセットにわたる全体的な精度は 98.3% で、完璧な精度、強力な再現率、および F1 スコアを備えていました。他のモデルと比較して、PNN は一貫して代替モデルを上回り、最高の曲線下面積 (AUC) と最強の誤差最小化を達成しました。
早期リスク層別化の意味
この研究では、総抗酸化状態をインドの人口を対象とした AI ベースの前糖尿病予測モデルに統合することに成功し、酸化ストレスが、単なる相関関係の特徴ではなく疾患発症との潜在的なメカニズムの関連性を持つ、重要でありながら見落とされがちなリスク マーカーであることが強調されました。
この調査結果は、腹囲、BMI、グルコースマーカー、抗酸化能力が最も有益な予測因子の一つであることを裏付けており、他の集団からの証拠と一致しています。 PNN は、従来の機械学習モデルと比較して優れた精度を実現し、独立したコホートでの外部検証が保留中の迅速かつ低コストのスクリーニング ツールとしての強力な可能性を実証しました。
強みには、生化学的および臨床的特徴の包括的なセットと、リスク評価に生物学的深みを加える酸化ストレス測定の導入が含まれます。ただし、単一中心の設計、適度なサンプルサイズ、および断面の性質により、一般化可能性と経時的な変化を追跡する能力が制限されます。
全体として、PNN は前糖尿病の早期発見とリスク層別化のための堅牢なフレームワークを提供します。今後の研究では、より大規模な複数施設コホートでモデルを検証し、現実世界の実現可能性とパフォーマンスの安定性を正式に評価しながら、将来の臨床および公衆衛生への応用に向けた長期的な臨床データとの統合を探求する必要があります。
参考雑誌:
- ジーザス、A.、ダス、R.、バラニ、G.、シャイクメラン、M.、サラシー、R. (2025)。糖尿病前症を予測するためのツールとしての人工知能モデル。 Scientific Reports 15: 43421.土井: 10.1038/s41598-025-23227-0、
#AIモデルが糖尿病前症リスクを高精度に特定