DOI: https://doi.org/10.3389/fendo.2026.1686082
PMID: https://pubmed.ncbi.nlm.nih.gov/41685231
تاريخ النشر: 2026-01-28
المؤلف: Changshun Yan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تتناول هذه الدراسة التحدي الكبير الذي تمثله السكري (DM) للصحة العامة وتركز على ما قبل السكري كنقطة تدخل حاسمة. كان الهدف هو تطوير والتحقق من صحة نموذج توقع قائم على التعلم الآلي لعكس مستوى السكر في الدم بين الأفراد الصينيين الذين يعانون من ما قبل السكري. باستخدام بيانات من قاعدة بيانات Dryad، استخدم الباحثون الانحدار LASSO لاختيار المتغيرات وبنوا نماذج توقعية باستخدام خوارزميات تعلم آلي متنوعة، بما في ذلك آلة الدعم الشعاعي (SVM)، التي أظهرت أفضل أداء مع منطقة تحت المنحنى المعتمدة على الزمن (t-AUC) تبلغ 0.711 ومؤشر C يبلغ 0.709.
كشفت النتائج أنه من بين 1,792 مشاركًا، حقق 52.6% مستوى سكر طبيعي خلال متابعة لمدة خمس سنوات. كانت المتغيرات الرئيسية التي تؤثر على عكس مستوى السكر تشمل العمر، مستوى الجلوكوز في البلازما الصائم (FPG)، مؤشر كتلة الجسم (BMI)، ضغط الدم الانقباضي (SBP)، ضغط الدم الانبساطي (DBP)، والدهون الثلاثية، مع كون العمر هو المحدد الأكثر أهمية. تؤكد الدراسة أنه بينما يتمتع الأفراد الأصغر سنًا بفرصة أكبر لتحقيق عكس مستوى السكر، يمكن للبالغين الأكبر سنًا أيضًا الاستفادة من التعديلات في نمط الحياة مثل الحميات المتوازنة والنشاط البدني. توفر هذه الرؤى أهدافًا قيمة للتدخل المبكر في ما قبل السكري وتعزز الاستراتيجيات السريرية للوقاية والسيطرة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على القلق العالمي المتزايد حول داء السكري من النوع 2 (T2DM)، الذي شهد زيادة كبيرة في الانتشار من 1990 إلى 2019. يؤثر ما قبل السكري، وهو مقدمة حاسمة لـ T2DM، على حوالي 352 مليون فرد حول العالم، مع توقعات تشير إلى أن هذا العدد قد يرتفع إلى 587 مليون بحلول عام 2045. يتميز ما قبل السكري بمقاومة خفيفة للأنسولين وخلل جزئي في خلايا البنكرياس β، ويرتبط بزيادة المخاطر لمجموعة متنوعة من الحالات الصحية الخطيرة. من الجدير بالذكر أن حوالي 25% من الأفراد الذين يعانون من ما قبل السكري يتقدمون إلى T2DM خلال 3-5 سنوات، مما يبرز أهمية التدخل المبكر. تشير الأدلة إلى أن التعديلات في نمط الحياة يمكن أن تعكس ما قبل السكري في نسبة كبيرة من الحالات.
تناقش الورقة أيضًا تطبيق خوارزميات التعلم الآلي في توقع ما قبل السكري وتقدمه. استخدمت الدراسات السابقة نماذج متنوعة، بما في ذلك نموذج المخاطر النسبية لكوك، وتقنيات التعلم الآلي مثل الشبكات العصبية الاصطناعية وآلات الدعم الشعاعي، لتحديد عوامل الخطر وتوقع حدوث ما قبل السكري. ومع ذلك، غالبًا ما كانت هذه الدراسات تفتقر إلى المتابعة طويلة الأمد أو تفشل في استكشاف عكس مستوى السكر بشكل خاص بين السكان الصينيين. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال تطوير نموذج توقع لعكس مستوى السكر في الأفراد الذين يعانون من ما قبل السكري باستخدام بيانات من دراسة مجموعة لمدة خمس سنوات في الصين، مما يدمج التعلم الآلي مع الطرق الإحصائية التقليدية. الهدف هو تحديد العوامل الرئيسية التي تؤثر على ديناميات سكر الدم، مما يسهل التدخلات المستهدفة التي يمكن أن تحسن النتائج الصحية وتقلل من عبء T2DM.
الطرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان إمكانية التكرار. قد يصف القسم أيضًا الطرق الإحصائية المطبقة لتحليل البيانات، بما في ذلك أي برامج مستخدمة ومعايير اختبار الدلالة.
بالإضافة إلى ذلك، من المحتمل أن يتناول القسم الضوابط التجريبية المنفذة للتحقق من صحة النتائج، مما يضمن أن النتائج تعود إلى المتغيرات قيد التحقيق. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على المنهجيات المستخدمة، مما يسمح بالتقييم النقدي وإعادة إنتاج الدراسة من قبل باحثين آخرين في هذا المجال.
النتائج
في هذه الدراسة، تم تحليل 1,792 مشاركًا يعانون من ما قبل السكري، مما كشف عن متوسط عمر يبلغ 46.80 ± 11.73 عامًا، مع هيمنة للذكور (73.5%). من الجدير بالذكر أن 52.6% من المشاركين حققوا عكس مستوى السكر بعد فترة متابعة مدتها 5 سنوات، مما يبرز الإمكانية للتحسين في هذه الفئة. أظهر مجموعة السكر الطبيعي نسبة أعلى بشكل ملحوظ من الذكور (71.4%) ومستويات أقل من مؤشرات الصحة المختلفة، بما في ذلك العمر، مؤشر كتلة الجسم (BMI)، ضغط الدم الانقباضي (SBP)، ضغط الدم الانبساطي (DBP)، مستوى الجلوكوز في البلازما الصائم (FPG)، الكوليسترول، الدهون الثلاثية، البروتين الدهني منخفض الكثافة (LDL)، الألانين أمينوترانسفيراز (ALT)، الأسبارتات أمينوترانسفيراز (AST)، ونيتروجين اليوريا في الدم (BUN) مقارنة بمجموعة ما قبل السكري، مع كون جميع الفروقات ذات دلالة إحصائية (P < 0.05). لتحسين النمذجة التنبؤية لعكس مستوى السكر، تم تقسيم المشاركين عشوائيًا إلى مجموعة تدريب (1,256 مشاركًا) ومجموعة تحقق (536 مشاركًا) بنسبة 7:3. أكدت التحليلات عدم وجود اختلافات كبيرة في الخصائص الأساسية أو التاريخ الطبي بين المجموعتين (جميع P > 0.05)، مما يشير إلى عشوائية فعالة. أكدت الفحوصات الإضافية لمجموعة التدريب أن مؤشرات الصحة وتاريخ التدخين كانت أقل بشكل ملحوظ في مجموعة السكر الطبيعي مقارنة بمجموعة ما قبل السكري (P < 0.05)، مما يحقق صحة المتغيرات التنبؤية المحددة في المجموعة العامة.
المناقشة
في هذه الدراسة، تم تطوير نموذج تنبؤي لعكس مستوى السكر في الأفراد الذين يعانون من ما قبل السكري باستخدام بيانات من قاعدة بيانات Dryad، التي تضمنت سجلات طبية من فحوصات صحية عبر عدة مدن في الصين. ركز التحليل على مجموعة من 1,792 مشاركًا يعانون من ما قبل السكري، المحدد بمستويات الجلوكوز في البلازما الصائم (FPG) بين 5.6 و 6.9 مليمول/لتر. أظهرت النتائج الرئيسية أن العمر، FPG، الكوليسترول، البروتين الدهني منخفض الكثافة (LDL)، الألانين أمينوترانسفيراز (ALT)، وتاريخ التدخين كانت عوامل خطر هامة تعيق عكس مستوى السكر. استخدمت الدراسة ستة خوارزميات تعلم آلي، حيث أظهرت آلة الدعم الشعاعي (SVM) أداءً تنبؤيًا متفوقًا مقارنةً بالآخرين، بما في ذلك نموذج المخاطر النسبية لكوك.
حدد نموذج SVM المتغيرات الحاسمة التي تؤثر على عكس مستوى السكر، مثل العمر، FPG، مؤشر كتلة الجسم (BMI)، ضغط الدم الانقباضي (SBP)، ضغط الدم الانبساطي (DBP)، والدهون الثلاثية. أبرز التحليل أن العمر الأصغر، ومستويات FPG الأقل، ومستويات BMI وضغط الدم المواتية كانت مرتبطة بفرص أعلى لعكس مستوى السكر. تؤكد هذه النتائج على أهمية التدخلات المستهدفة في نمط الحياة للأفراد الذين يعانون من ما قبل السكري لاستعادة مستويات الجلوكوز الطبيعية وتقليل خطر التقدم إلى داء السكري من النوع 2 (T2DM) والمضاعفات المرتبطة به. تؤكد الدراسة على فائدة أساليب التعلم الآلي في تعزيز الدقة التنبؤية وتسهيل اتخاذ القرارات السريرية في إدارة ما قبل السكري.
DOI: https://doi.org/10.3389/fendo.2026.1686082
PMID: https://pubmed.ncbi.nlm.nih.gov/41685231
Publication Date: 2026-01-28
Author(s): Changshun Yan et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study addresses the significant public health challenge posed by diabetes mellitus (DM) and focuses on prediabetes as a critical intervention point. The objective was to develop and validate a machine learning-based prediction model for glycemic reversal among Chinese individuals with prediabetes. Utilizing data from the Dryad database, the researchers employed LASSO regression for variable selection and constructed predictive models using various machine learning algorithms, including support vector machine (SVM), which demonstrated the best performance with a time-dependent area under the curve (t-AUC) of 0.711 and a C-index of 0.709.
The findings revealed that out of 1,792 participants, 52.6% achieved normoglycemia over a five-year follow-up. Key variables influencing glycemic reversal included age, fasting plasma glucose (FPG), body mass index (BMI), systolic blood pressure (SBP), diastolic blood pressure (DBP), and triglycerides, with age being the most significant determinant. The study emphasizes that while younger individuals have a higher likelihood of achieving glycemic reversal, older adults can also benefit from lifestyle modifications such as balanced diets and physical activity. These insights provide valuable targets for early intervention in prediabetes and enhance clinical strategies for prevention and control.
Introduction
The introduction of this research paper highlights the growing global concern surrounding Type 2 diabetes mellitus (T2DM), which has seen a significant increase in prevalence from 1990 to 2019. Prediabetes, a critical precursor to T2DM, affects approximately 352 million individuals worldwide, with projections indicating this number could rise to 587 million by 2045. Characterized by mild insulin resistance and partial pancreatic β-cell dysfunction, prediabetes is associated with heightened risks for various serious health conditions. Notably, about 25% of prediabetic individuals progress to T2DM within 3-5 years, underscoring the importance of early intervention. Evidence suggests that lifestyle modifications can reverse prediabetes in a substantial proportion of cases.
The paper also discusses the application of machine learning algorithms in predicting prediabetes and its progression. Previous studies have utilized various models, including Cox proportional hazards and machine learning techniques like artificial neural networks and support vector machines, to identify risk factors and predict incident prediabetes. However, these studies often lacked long-term follow-up or failed to explore glycemic reversal specifically among Chinese populations. This research aims to address this gap by developing a predictive model for glycemic reversal in prediabetic individuals using data from a five-year cohort study in China, integrating machine learning with traditional statistical methods. The goal is to identify key factors influencing blood glucose dynamics, thereby facilitating targeted interventions that could improve health outcomes and reduce the burden of T2DM.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility. The section may also describe the statistical methods applied for data analysis, including any software utilized and the criteria for significance testing.
Additionally, the section likely addresses the experimental controls implemented to validate the findings, ensuring that the results are attributable to the variables under investigation. Overall, this section serves to provide a comprehensive overview of the methodologies employed, allowing for critical evaluation and replication of the study by other researchers in the field.
Results
In this study, 1,792 participants with prediabetes were analyzed, revealing a mean age of 46.80 ± 11.73 years, with a predominance of males (73.5%). Notably, 52.6% of participants achieved glycemic reversal after a follow-up period of 5 years, underscoring the potential for improvement in this population. The normoglycemic group exhibited a significantly higher proportion of males (71.4%) and lower levels of various health indicators, including age, body mass index (BMI), systolic blood pressure (SBP), diastolic blood pressure (DBP), fasting plasma glucose (FPG), cholesterol, triglycerides, low-density lipoprotein (LDL), alanine aminotransferase (ALT), aspartate aminotransferase (AST), and blood urea nitrogen (BUN) compared to the prediabetic group, with all differences being statistically significant (P < 0.05). To enhance the predictive modeling for glycemic reversal, participants were randomly divided into a training set (1,256 participants) and a validation set (536 participants) at a 7:3 ratio. Analysis confirmed no significant differences in baseline characteristics or medical history between the two sets (all P > 0.05), indicating effective randomization. Further examination of the training set corroborated that the health indicators and smoking history were significantly lower in the normoglycemic group compared to the prediabetic group (P < 0.05), validating the predictive variables identified in the overall cohort.
Discussion
In this study, a predictive model for glycemic reversal in individuals with prediabetes was developed using data from the Dryad database, which included medical records from health examinations across multiple cities in China. The analysis focused on a cohort of 1,792 participants with prediabetes, defined by fasting plasma glucose (FPG) levels between 5.6 and 6.9 mmol/L. Key findings indicated that age, FPG, cholesterol, low-density lipoprotein (LDL), alanine aminotransferase (ALT), and smoking history were significant risk factors inhibiting glycemic reversal. The study employed six machine learning algorithms, with the Support Vector Machine (SVM) demonstrating superior predictive performance compared to others, including the Cox proportional hazards model.
The SVM model identified critical variables influencing glycemic reversal, such as age, FPG, body mass index (BMI), systolic blood pressure (SBP), diastolic blood pressure (DBP), and triglycerides. The analysis highlighted that younger age, lower FPG, and favorable BMI and blood pressure levels were associated with higher probabilities of glycemic reversal. These findings underscore the importance of targeted lifestyle interventions for individuals with prediabetes to restore normal glucose levels and mitigate the risk of progression to type 2 diabetes mellitus (T2DM) and associated complications. The study emphasizes the utility of machine learning approaches in enhancing predictive accuracy and facilitating clinical decision-making in managing prediabetes.