Диабет диагностируют слишком поздно: как ИИ и носимые датчики меняют подход

Каждый пятый диабетик в мире не знает о своём диагнозе. По данным ВОЗ, в 2022 году диабетом страдали 14% взрослых на планете — вдвое больше, чем в 1990-м. В США более 11 миллионов человек живут с неустановленным диагнозом, а 80% из 115 миллионов американцев с преддиабетом понятия не имеют о своём состоянии. Исследователи убеждены: проблема не только в масштабах эпидемии, но и в устаревших инструментах диагностики.

Почему стандартный тест на сахар больше не работает

Основной инструмент диагностики сегодня — анализ HbA1c, который отражает среднее содержание глюкозы в крови за последние несколько месяцев. Тест широко распространён и в целом надёжен, но у него есть принципиальные ограничения. Он не учитывает индивидуальные физиологические особенности и ряд сопутствующих заболеваний, способных искажать показатели.

Отдельную тревогу вызывают данные о том, что у части темнокожих пациентов и людей южноазиатского происхождения HbA1c систематически занижает реальный уровень сахара. Это означает, что болезнь у них диагностируют позже — когда осложнения уже начали развиваться. Именно такое неравенство подталкивает науку к поиску более точных и персонализированных методов.

Майкл Снайдер, профессор генетики Стэнфордского университета, формулирует проблему жёстко:

««Мы говорим об эпидемии, которая в моём понимании куда серьёзнее пандемии Covid. Нам нужны принципиально новые подходы».»

Снайдер знает об этом не только как учёный: сам он заболел диабетом второго типа, хотя не имел типичных факторов риска — избыточного веса или наследственной предрасположенности. Этот личный опыт во многом определил направление его исследований.

Носимые датчики и ИИ: диагностика до появления симптомов

Команда Снайдера сосредоточилась на непрерывных мониторах глюкозы (CGM) — носимых сенсорах, которые отслеживают уровень сахара в режиме реального времени. До недавнего времени такие устройства использовались почти исключительно людьми с уже установленным диагнозом. Исследователи задались вопросом: а что если анализировать их данные у здоровых людей, чтобы выявить скрытые метаболические нарушения?

Результатом стал ИИ-алгоритм, который распознаёт характерные паттерны в потоке данных CGM и классифицирует различные формы диабета второго типа. В ходе испытаний система определяла эти паттерны с точностью около 90%. Это принципиально важно: диабет второго типа составляет примерно 95% всех случаев заболевания, и долгое время считалось, что он однороден по своей природе.

Снайдер объясняет, почему единый диагностический порог — упрощение:

««Регуляция глюкозы задействует множество органов: печень, мышцы, кишечник, поджелудочную железу и даже мозг. Существует масса биохимических путей, и логично предположить, что нарушение этой регуляции — не одна болезнь, а целый спектр».»

Алгоритм позволяет выявлять людей с уже формирующимися метаболическими проблемами задолго до того, как стандартный тест покажет отклонение. По словам Снайдера, это инструмент профилактики: если данные сигнализируют о преддиабете, человек может скорректировать питание и режим физической активности — и предотвратить развитие болезни.

Что это значит для рынка и для пациентов

CGM-устройства стремительно дешевеют. В США многие из них уже продаются без рецепта. Снайдер считает, что в перспективе они могут войти в стандарт профилактической медицины — примерно как ежегодный осмотр у врача.

«В идеальном мире люди носили бы такой датчик раз в год, — говорит он. — Наша цель — сохранять здоровье людей, а не чинить их, когда уже поздно».

Для белорусского контекста это направление актуально по нескольким причинам. Во-первых, диабет входит в число приоритетных неинфекционных заболеваний в национальных программах здравоохранения. Во-вторых, разработка медицинских ИИ-решений — одна из точек роста для резидентов ПВТ: несколько белорусских команд уже работают в сегменте digital health, хотя преимущественно ориентированы на западные рынки. Удешевление CGM и появление открытых датасетов могут снизить порог входа для стартапов, которые захотят адаптировать подобные алгоритмы под локальную медицинскую инфраструктуру.

Пока исследование Стэнфорда не прошло полный цикл клинической валидации, и до внедрения в реальную практику ещё далеко. Но вектор очевиден: диагностика хронических заболеваний смещается от разовых пороговых тестов к непрерывному мониторингу с машинным анализом данных. Для IT-индустрии это означает растущий спрос на специалистов, способных работать на стыке биомедицины и разработки алгоритмов.

— По материалам Wired: оригинальная статья. Перевод и адаптация — редакция Digital Business.