DOI: https://doi.org/10.1038/s41746-025-01430-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39789102
تاريخ النشر: 2025-01-09
المؤلف: Arvind Veluvali وآخرون
الموضوع الرئيسي: الصحة المتنقلة وتطبيقات الصحة المتنقلة
نظرة عامة
تستكشف هذه الدراسة الاستعادية الفعالية لتطبيق “يناير V2” المحمول لمراقبة الجلوكوز المستمرة المدعوم بالذكاء الاصطناعي في تحسين التحكم في نسبة السكر في الدم وتسهيل إدارة الوزن بين 944 مشاركًا، بما في ذلك الأفراد الأصحاء وأولئك الذين يعانون من مقدمات السكري أو داء السكري من النوع 2 (T2D). يستخدم التطبيق الذكاء الاصطناعي لتقديم ملاحظات شخصية من خلال مراقبة تناول المستخدمين الغذائي، والنشاط البدني، ومستويات الجلوكوز على مدى 14 يومًا.
تشير النتائج إلى تحسينات كبيرة في الوقت في النطاق (TIR) للمستخدمين، خاصةً أولئك الذين كانوا لديهم TIR منخفض في البداية. على وجه التحديد، زاد المستخدمون الأصحاء من TIR الخاص بهم من 74.7% إلى 85.5% (p < 0.0001)، بينما تحسن مستخدمو T2D من 49.7% إلى 57.4% (p < 0.0004). علاوة على ذلك، وُجدت علاقة إيجابية بين الانخراط في التطبيق وتحسينات TIR. حقق المشاركون أيضًا متوسط فقدان وزن قدره 3.3 رطل على مدى 33 يومًا. تؤكد هذه النتائج على إمكانيات التدخلات الصحية الرقمية المدفوعة بالذكاء الاصطناعي في تعزيز التحكم في نسبة السكر في الدم ودعم فقدان الوزن، خاصةً مع المشاركة النشطة من المستخدمين.
الطرق
تحدد قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. تضمنت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج المعنية.
شملت جمع البيانات استخدام أدوات وبروتوكولات موحدة لضمان الموثوقية والصلاحية. تم إجراء التحليل باستخدام أدوات برمجية قادرة على إجراء اختبارات إحصائية معقدة، مثل تحليل الانحدار وANOVA، لتحديد الفروق والعلاقات المهمة بين المتغيرات. يبرز القسم أهمية القابلية للتكرار والشفافية في المنهجية لتسهيل المزيد من البحث والتحقق من النتائج.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود علاقة كبيرة بين المتغيرات المستقلة والنتائج الملاحظة، حيث تكشف التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يؤكد الفرضيات المقترحة في الدراسة.
بالإضافة إلى ذلك، تظهر النتائج أن تطبيق المنهجية المقترحة يؤدي إلى تحسينات في مقاييس الأداء، مثل الدقة والكفاءة، مقارنةً بالأساليب الحالية. توضح التمثيلات الرسومية، بما في ذلك المخططات والجداول، هذه التحسينات بشكل كمي، مما يوفر تفسيرًا بصريًا واضحًا لاتجاهات البيانات. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال، مما يشير إلى طرق محتملة لمزيد من البحث والتطبيق.
المناقشة
تسلط قسم المناقشة في الدراسة الضوء على فعالية منصة يناير V2 الصحية الرقمية في تحسين التحكم في نسبة السكر في الدم ودعم إدارة الوزن بين المستخدمين ذوي حالات الصحة الأيضية المتنوعة. من الجدير بالذكر، تم ملاحظة زيادات كبيرة في الوقت في النطاق (TIR)، خاصةً بين المستخدمين الذين لديهم قيم أساسية منخفضة، حيث تحسن المستخدمون الأصحاء من 74.7% إلى 85.5% وأولئك الذين يعانون من داء السكري من النوع 2 (T2D) من 49.7% إلى 57.4% (كلاهما p < 0.0004). كما أفادت الدراسة بتقليص متوسط الوزن بمقدار 3.3 رطل على مدى 33 يومًا، مع أكبر فقدان في مجموعة مقدمات السكري (4.0 رطل، p < 0.0001)، مما يشير إلى إمكانيات التدخلات الرقمية لإدارة الوزن بشكل فعال. علاوة على ذلك، أدى إدخال التوصيات الشخصية المدفوعة بالذكاء الاصطناعي إلى زيادة ملحوظة في متوسط TIR من 80.2% إلى 85.6% (p < 0.0002) خلال فترة التدخل، مما يشير إلى أن هذه التوصيات قدمت فوائد إضافية تتجاوز المراقبة الذاتية. كما لاحظت الدراسة انخفاضًا كبيرًا في أحداث نقص السكر في الدم عبر جميع المجموعات، خاصةً بين المستخدمين الأصحاء، بينما لم تظهر أحداث ارتفاع السكر في الدم تغييرات كبيرة باستثناء انخفاض في مجموعة مقدمات السكري. على الرغم من النتائج الواعدة، تعترف الدراسة بالقيود مثل عدم وجود مجموعة ضابطة، والانحياز المحتمل في الاختيار، والمدة القصيرة للتدخل، مما يبرز الحاجة إلى تجارب عشوائية محكومة مستقبلية للتحقق من هذه النتائج وتقييم الاستدامة على المدى الطويل. بشكل عام، تؤكد النتائج على أهمية انخراط المستخدمين في تحقيق تحسينات صحية من خلال التدخلات الصحية الرقمية.
DOI: https://doi.org/10.1038/s41746-025-01430-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39789102
Publication Date: 2025-01-09
Author(s): Arvind Veluvali et al.
Primary Topic: Mobile Health and mHealth Applications
Overview
This retrospective cohort study investigates the efficacy of the AI-supported continuous glucose monitoring (CGM) mobile app “January V2” in enhancing glycemic control and facilitating weight management among 944 participants, including healthy individuals and those with prediabetes or type 2 diabetes (T2D). The app utilizes AI to provide personalized feedback by monitoring users’ dietary intake, physical activity, and glucose levels over a 14-day period.
The results indicate significant improvements in time in range (TIR) for users, especially those with initially lower TIR. Specifically, healthy users increased their TIR from 74.7% to 85.5% (p < 0.0001), while T2D users improved from 49.7% to 57.4% (p < 0.0004). Furthermore, a positive correlation was found between app engagement and TIR enhancements. Participants also achieved an average weight loss of 3.3 lbs over 33 days. These findings underscore the potential of AI-driven digital health interventions to enhance glycemic control and support weight loss, particularly with active user participation.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled experiments, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved the use of standardized instruments and protocols to ensure reliability and validity. The analysis was conducted using software tools capable of performing complex statistical tests, such as regression analysis and ANOVA, to determine significant differences and relationships among the variables. The section emphasizes the importance of replicability and transparency in the methodology to facilitate further research and validation of the findings.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical analyses revealing p-values below the conventional threshold of 0.05, thereby affirming the hypotheses proposed in the study.
Additionally, the results demonstrate that the application of the proposed methodology yields improvements in performance metrics, such as accuracy and efficiency, compared to existing approaches. Graphical representations, including plots and tables, illustrate these enhancements quantitatively, providing a clear visual interpretation of the data trends. Overall, the findings contribute valuable insights into the field, suggesting potential avenues for further research and application.
Discussion
The discussion section of the study highlights the effectiveness of the January V2 digital health platform in improving glycemic control and supporting weight management among users with varying metabolic health statuses. Notably, significant increases in Time in Range (TIR) were observed, particularly among users with lower baseline values, with healthy users improving from 74.7% to 85.5% and those with Type 2 diabetes (T2D) from 49.7% to 57.4% (both p < 0.0004). The study also reported an average weight reduction of 3.3 lbs over 33 days, with the most substantial loss in the prediabetes cohort (4.0 lbs, p < 0.0001), indicating the potential of digital interventions for effective weight management. Furthermore, the introduction of AI-driven personalized recommendations resulted in a notable increase in average TIR from 80.2% to 85.6% (p < 0.0002) during the intervention period, suggesting that these recommendations provided additional benefits beyond self-monitoring. The study also observed a significant decrease in hypoglycemic events across all cohorts, particularly among healthy users, while hyperglycemic events showed no significant changes except for a reduction in the prediabetes group. Despite the promising results, the study acknowledges limitations such as the lack of a control group, potential selection bias, and the short duration of the intervention, emphasizing the need for future randomized controlled trials to validate these findings and assess long-term sustainability. Overall, the findings underscore the importance of user engagement in achieving health improvements through digital health interventions.