《Frontiers in Endocrinology》:Distinct insulin sensitivity profiles revealed by clustering based on continuous glucose monitoring data in people living with type 1 diabetes
编辑推荐:
:
背景: 持续葡萄糖监测(CGM)改善了1型糖尿病(T1DM)的血糖管理。然而,CGM数据的解读仍具挑战性。CGM数据聚类可能支持个体化管理并识别胰岛素抵抗。
目的: 本研究旨在基于间质葡萄糖水平(2.2–27.8 mmol/L)和血糖变异性对CGM数据进行
:
背景: 持续葡萄糖监测(CGM)改善了1型糖尿病(T1DM)的血糖管理。然而,CGM数据的解读仍具挑战性。CGM数据聚类可能支持个体化管理并识别胰岛素抵抗。
目的: 本研究旨在基于间质葡萄糖水平(2.2–27.8 mmol/L)和血糖变异性对CGM数据进行聚类,并将所识别的聚类与胰岛素敏感性的生化和人体测量标志物进行比较。
方法: 研究人员分析了75例T1DM患者和20名非糖尿病受试者的CGM数据,采用均匀流形逼近与投影(UMAP)进行降维,随后进行K-means聚类。计算估计葡萄糖处置率(eGDR)以评估胰岛素敏感性。
结果: 研究识别出七种临床不同的CGM表型:糖尿病中血糖正常(N)、非糖尿病中血糖正常(No)、轻度高血糖(MiH)、中度高血糖(ModH)、重度高血糖(SeH)、低血糖相关血糖正常(HAN)和低血糖相关高血糖(HAH)。SeH聚类表现出最高的中位平均葡萄糖水平(13.83 [13.07;14.12] mmol/L),而HAH表现出最高的中位变异系数(50 [44;52]%)。最低的中位平均葡萄糖水平见于HAN(6.14 [5.95;6.17] mmol/L)。SeH与No之间的ALT水平差异呈边缘显著(p=0.07)。eGDR在SeH/HAN(p=0.001)、ModH/HAN(p=0.019)和MiH/HAN(p=0.043)之间存在显著差异,HAN/HAH之间呈边缘显著差异(p=0.063)。甘油三酯在HAN/SeH(p=0.029)和HAN/MiH(p=0.024)之间存在显著差异。
结论: 这种基于CGM的探索性聚类方法识别出具有不同胰岛素敏感性谱的表型不同的T1DM亚组。这些初步发现需要在更大的独立队列中进行验证。若经证实,此类表型分析可能支持个体化糖尿病管理和胰岛素抵抗的识别。
论文解读文章:
一、研究背景与问题
1型糖尿病(T1DM)的管理已因持续葡萄糖监测(CGM)技术的应用而发生深刻变革,传统以糖化血红蛋白(HbA1c)为核心的评估指标正逐步被目标范围内时间(TIR,3.9–10.0 mmol/L)等更精细的指标所补充。尽管技术不断进步,仍有相当比例的T1DM患者未能达到推荐的血糖控制目标。与此同时,胰岛素治疗的改善、久坐生活方式和不健康饮食等因素使T1DM人群中胰岛素抵抗和代谢综合征的患病率上升,增加了视网膜病变、肾病和心血管疾病的风险。据估计,2021年全球有840万T1DM患者,预计到2040年将增至1740万,许多患者难以实现个体化治疗目标,凸显了改进管理策略的必要性。
传统的T1DM分型仅基于血糖水平和HbA1c,难以充分反映患者之间的异质性。近期研究开始探索机器学习在基于CGM数据的患者分层中的作用。Kovatchev等人提出了基于每日CGM谱的临床相似聚类(CSCs)概念,建立了适用于不同糖尿病类型和治疗方式的有限血糖模式分类体系。然而,既往CGM聚类研究尚未将胰岛素敏感性评估整合其中。本研究旨在通过无监督机器学习对CGM数据进行聚类分析,识别T1DM患者中具有不同胰岛素敏感性特征的血糖表型,为个体化管理提供依据。
二、研究设计与方法
本研究为LatDiane纵向研究的二次分析,该研究隶属于InterDiane联盟。研究纳入75例T1DM患者和20名非糖尿病对照者。T1DM患者纳入标准为40岁前确诊、诊断后一年内启动胰岛素治疗、C肽水平低于0.3 nmol/L、病程至少8年。对照组为糖代谢正常的健康个体。排除标准包括妊娠、炎症性肠病、乳糜泻、近期急性肠道感染、急性炎症体征和发热、除糖尿病肾病外的慢性肾脏病等。
研究人员使用FreeStyle Libre Pro iQ传感器进行14天CGM监测,采用既定指标解读数据:TIR(3.9–10.0 mmol/L)、高于目标范围时间(TAR,>10.0 mmol/L)和低于目标范围时间(TBR,<3.9 mmol/L)。变异系数(CV)≥36%被归类为高血糖变异性(GV)。
聚类分析采用无监督机器学习方法。CGM葡萄糖值按1 mmol/L间隔分为六个TIR水平、两个TBR水平和三个TAR水平,这些葡萄糖分布特征作为均匀流形逼近与投影(UMAP)的输入进行降维,将高维葡萄糖分布空间投影至二维表示。聚类数通过轮廓系数分析和肘部法评估,最终基于肘部准则和临床可解释性选择K=6。UMAP使用多个随机种子初始化以评估稳健性,确认一致性后固定随机种子以确保可重复性。
统计分析采用非参数检验,包括Mann-Whitney U检验、Kruskal-Wallis H检验和事后Dunn检验,多重比较时应用Bonferroni校正。效应量(η2)及95%置信区间(CI)用于量化组间差异。估计葡萄糖处置率(eGDR)按公式计算:eGDR = 24.4 ? 12.97 × 腰臀比 ? 3.39 × 高血压(0或1)? 0.6 × HbA1c(%)。低血糖事件定义为传感器葡萄糖<3.9 mmol/L持续至少15分钟。
三、研究结果
3.1 研究参与者特征
研究纳入75例T1DM患者(44例女性,58.7%),中位年龄44(34;53)岁,中位BMI为24.5(22.95;28.3)kg/m2。41例(54.7%)为非吸烟者。高血压见于44例(58.7%),14例(18.7%)患有心血管疾病(CVD)。糖尿病中位病程为25(16.5;33)年,中位HbA1c为8.2(7.3;9.55)%。39例(52.0%)有视网膜病变,22例(29.3%)有自身免疫性甲状腺疾病。大量白蛋白尿(白蛋白水平>30 mg/mmol)见于12例(16%)。对照组20名参与者中14例(70.0%)为女性,中位年龄37.0(34.25;41.0)岁,中位BMI为23.65(21.53;24.95)kg/m2,中位HbA1c为5.15%(4.88;5.33)。
3.2 CGM衍生表型的特征
聚类分析获得6个T1DM患者的CGM衍生表型和1个对照组表型。血糖正常相关表型包括糖尿病中血糖正常(N)和非糖尿病中血糖正常(No)。N表型患者75%以上时间血糖低于10 mmol/L(中位平均葡萄糖7.42 mmol/L);No表型作为健康参考组(中位平均葡萄糖5.70 mmol/L)。高血糖相关表型包括轻度高血糖(MiH,中位平均葡萄糖8.91 mmol/L)、中度高血糖(ModH,10.67 mmol/L)和重度高血糖(SeH,13.83 mmol/L)。SeH表型75%时间血糖高于10 mmol/L。低血糖相关表型包括低血糖相关高血糖(HAH),其特征为显著血糖变异性,中位CV在所有聚类中最高(50 [44;52]%),中位平均葡萄糖8.87 mmol/L;以及低血糖相关血糖正常(HAN),中位平均葡萄糖为所有T1DM聚类中最低(6.14 [5.95;6.17] mmol/L)。
3.2.1 各聚类的低血糖事件
六个糖尿病聚类的低血糖事件持续时间存在显著差异(Kruskal-Wallis,p=0.0141)。HAH表型中位低血糖事件持续时间最长,为87(45.00;118.33)分钟;SeH表型中超过75%的患者无低血糖事件。事后Dunn检验确认SeH与HAH之间存在显著差异(p=0.0255)。MiH与HAH之间呈边缘显著差异(p=0.0704)。HAN表型中位持续时间为66分钟(60.00;85.90)。HAH和HAN聚类中均无无低血糖事件的患者。
3.3 基于人体测量和生化数据的聚类特征
3.3.1 肝酶(ALT)
ALT水平在七个聚类间呈边缘显著差异(Kruskal-Wallis,p=0.064),效应量中等,解释6.7%(95% CI:1%,28%)的方差。事后Dunn检验发现SeH与No之间呈边缘显著差异(p=0.07)。在仅限T1DM患者的分析中未检测到显著差异(p=0.12)。补充的未校正配对比较发现SeH与N(未校正p=0.011)和SeH与MiH(未校正p=0.012)之间的名义显著差异。
3.3.2 甘油三酯
甘油三酯水平在探索性聚类间存在显著差异(Kruskal-Wallis,p=0.043),效应量中等(η2=0.079;95% CI:0.01,0.29)。事后Dunn检验发现SeH与HAN(p=0.029)和MiH与HAN(p=0.024)之间存在显著差异。未校正配对比较中,HAN表型相对于所有其他探索性聚类均显示较低甘油三酯水平。
3.3.3 估计葡萄糖处置率(eGDR)
eGDR在探索性聚类间存在高度显著差异(H(6)=44.7,p<0.001),效应量大,解释44.0%(95% CI:32%,61%)的方差。大多数T1DM聚类的eGDR水平低于非糖尿病对照组。SeH、ModH、HAH和MiH表型与对照组差异显著,N表型呈边缘显著差异(p=0.099),HAN表型与对照组无显著差异。在T1DM聚类内部,HAN的eGDR显著高于SeH(p=0.001)、ModH(p=0.019)和MiH(p=0.043),与HAH之间呈边缘显著差异(p=0.063)。
3.3.4 每公斤基础胰岛素与eGDR
体重调整的基础胰岛素剂量(胰岛素/kg)在六个T1DM探索性聚类间无显著差异。但以eGDR调整基础胰岛素剂量(基础胰岛素/kg/eGDR)后出现显著差异(H(5)=17.6,p=0.003)。事后Dunn检验显示SeH与HAN(p=0.001)和ModH与HAN(p=0.027)之间存在显著差异。
四、讨论与结论
本研究通过数据驱动的聚类分析,基于间质CGM数据和血糖变异性识别出6种T1DM的CGM衍生表型及非糖尿病对照组。研究发现,以高血糖为特征的表型聚类与较低的eGDR(即较高的胰岛素抵抗)相关,而HAN表型在T1DM谱系中可能代表代谢更为有利的谱型,表现为低甘油三酯水平和高eGDR值。HAH表型以高血糖变异性和低eGDR为特征,可能需要更密切的临床关注,并可作为未来干预研究的潜在靶点。研究还发现高血糖相关聚类与肝酶水平升高存在关联趋势,与慢性高血糖和肝脏代谢功能障碍之间关系的既往发现一致。
研究存在若干局限性:样本量较小(75例T1DM和20名健康对照),为单中心研究,聚类未经过独立外部验证;UMAP的随机性意味着结果可能对参数设置敏感;聚类仅基于CGM衍生指标,未纳入饮食、体力活动、胰岛素方案类型等临床变量;横断面设计无法评估表型随时间的变化或推断因果关系。eGDR作为胰岛素敏感性的替代指标,其计算包含HbA1c、高血压状态和腰臀比,观察到的聚类与eGDR之间的关联可能部分归因于这些构成变量的结构性差异。
结论:本探索性研究证明,将无监督机器学习应用于CGM数据可在T1DM队列中识别出6种CGM衍生血糖表型。所识别的探索性血糖聚类在血糖变异性和低血糖负担方面存在差异,并在部分T1DM与对照组聚类之间显示出eGDR和甘油三酯水平的初步差异证据。肝酶差异未达到统计学显著性,应视为产生假说的观察结果。这些发现为CGM-based表型分层提供了概念验证,支持进一步研究数据驱动方法表征T1DM的血糖异质性。但所识别的聚类不应被解释为经过验证的生物学或临床T1DM亚型,其临床相关性、可重复性和随时间稳定性仍不确定,需在更大规模、独立且人口学多样化的队列中进行验证,并评估聚类成员身份是否与治疗反应或临床有意义的结果相关。该方案在未经进一步严格验证前不应视为可直接用于临床实施。