Système de diagnostic précoce et de traitement individualisé du diabète gestationnel (DG) basé sur la nouvelle technologie de surveillance continue du glucose (MCG)

La Chine compte une population diabétique de 233 millions de personnes, ce qui représente un énorme fardeau sociétal. Une reconnaissance et une intervention précoces du diabète sont urgemment nécessaires. Ces dernières années, des preuves croissantes ont mis en lumière le rôle crucial de l'environnement développemental précoce dans la pathogenèse du diabète. Dès 1986, le professeur Barker a proposé la théorie des Origines Développementales de la Santé et des Maladies (DOHaD). Notre équipe de recherche a précédemment validé pour la première fois cette théorie dans la population chinoise grâce à des études de cohorte, démontrant que des environnements intra-utérins défavorables entraînent un métabolisme glucidique anormal chez la descendance et que des interventions précoces peuvent efficacement prévenir le diabète de l'adulte.

Selon l'Atlas du Diabète de la Fédération Internationale du Diabète (11e édition), l'incidence mondiale de l'hyperglycémie pendant la grossesse est de 16,7 %, le diabète gestationnel (DG) représentant jusqu'à 80 % des cas. Cela signifie qu'une naissance vivante sur cinq est exposée à un environnement intra-utérin défavorable dès le début de la vie, augmentant son risque de troubles métaboliques tels que le surpoids, l'obésité et le diabète à l'âge adulte. Le DG augmente significativement le risque d'issues défavorables de la grossesse et menace gravement la santé métabolique des mères et de leur descendance. Un diagnostic et une prévention précoces et efficaces du DG sont donc cruciaux pour améliorer la santé métabolique des mères et des enfants.

Le diagnostic actuel du DG repose sur des tests de tolérance au glucose par voie orale (HGPO) réalisés entre 24 et 28 semaines de gestation, qui présentent des limites telles qu'une mesure statique et à un seul moment, une complexité opérationnelle, un diagnostic retardé et un temps limité pour une intervention efficace. Ainsi, il est urgent de développer de nouvelles technologies pour la prédiction et le diagnostic précoce du DG.

La surveillance continue du glucose (MCG) au premier trimestre offre des avantages incluant des données glycémiques détaillées 24h/24, la détection d'hyperglycémies cachées, l'évaluation de la variabilité glycémique et la compatibilité avec l'analyse assistée par IA, montrant un grand potentiel pour le diagnostic précoce et la gestion du DG. Précédemment, notre équipe a appliqué la MCG chez des patients atteints de diabète de type 2 et a obtenu un brevet d'invention chinois pour « Utilisation de la MCG pour une gestion et une surveillance améliorées de la glycémie dans le diabète de type 2 (CN 109637677A) ». Ces dernières années, la MCG a été largement utilisée dans la gestion du diabète et a commencé à être appliquée pour gérer les niveaux d'HbA1c chez les femmes enceintes atteintes de diabète de type 1. Cependant, la recherche sur son utilisation chez les femmes enceintes atteintes de diabète de type 2 et de DG en est encore à ses débuts. Il manque actuellement des études utilisant la MCG combinée à l'intelligence artificielle pour le diagnostic précoce et la prédiction du DG au premier trimestre.

Par ailleurs, de multiples études ont exploré les facteurs de risque et les biomarqueurs du DG pour permettre un dépistage précoce et prédire les issues maternelles et fœtales. Cependant, la plupart des recherches se sont limitées à des approches mono-omiques ou à des moments gestationnels plus tardifs, présentant de nombreuses contraintes. Des études menées à des périodes gestationnelles plus précoces, sur plusieurs moments, et utilisant des approches multi-omiques révéleront davantage de biomarqueurs prédictifs des issues maternelles et fœtales dans le DG.

Par conséquent, notre groupe prévoit d'établir une cohorte mère-enfant DG couvrant les périodes de grossesse et périnatale. Nous visons à proposer des critères de diagnostic précoce du DG basés sur la MCG, à développer des outils cliniquement applicables pilotés par l'IA pour analyser et interpréter les données de MCG, et à formuler des stratégies de diagnostic auxiliaire pour le DG. Nous explorerons les paramètres de MCG et les biomarqueurs multi-omiques adaptés à la prédiction des issues maternelles et fœtales. Sur la base de ces résultats, nous devrions établir une plateforme de gestion intelligente du DG, qui fera avancer la fenêtre clinique pour le diagnostic et le traitement du DG, améliorant ainsi les résultats de santé à court et à long terme pour les mères et leur descendance.